Esta semana, Meta Superintelligence Labs lanzó Muse Spark 1.3. Es el cuarto lanzamiento de Muse Spark en cinco meses, y el objetivo es el trabajo de codificación y agencia a largo plazo en lugar de la generación de un solo turno. El marco de la publicación de Meta es la usabilidad: mantener un hilo largo, colaborar con el usuario y saber cuándo está atascado.
¿Es desplegable? Sí, pero con dos límites. Muse Spark 1.3 se envía hoy en Muse Code y Meta Model API, por lo que puedes ponerlo en producción ahora. No puede autohospedarlo porque los pesos están cerrados y el modo de razonamiento máximo aún está cerrado detrás de más pruebas de seguridad.
Lo que realmente cambió para los agentes
Meta entrenó a Muse Spark 1.3 en múltiples arneses de agentes para que el comportamiento se generalice más allá de un entorno. El modelo está diseñado para contener varios flujos de trabajo dentro de un único hilo largo. Dado un objetivo abierto, reúne su propio contexto a partir de fuentes confusas y conflictivas, y luego repara las lagunas de su plan.
Los cambios de colaboración son la parte más práctica. Muse Spark 1.3 hace preguntas aclaratorias sobre indicaciones ambiguas, atrae al usuario cuando se detiene y confirma antes de acciones importantes. En ejecuciones largas, se adapta a las preferencias: actualizaciones de estado frecuentes o ejecución silenciosa en segundo plano. Meta también informa una mejor calibración de los propios límites del modelo, por lo que señala obstáculos en lugar de alucinar un resultado.
La multitarea también mejoró. Meta dice que el modelo asigna un mensaje entrante a la tarea correcta dentro de un único hilo desordenado, ya sea que el usuario esté dirigiendo o interrumpiendo.
Codificación y eficiencia
Muse Spark 1.3 fue entrenado para tareas de codificación de horizonte más amplio. En comparación con Muse Spark 1.2, Meta describe menos giros innecesarios, menos detalle y un estilo de código más limpio. En comparaciones internas realizadas por ingenieros de Meta, utilizó aproximadamente un 20 % menos de llamadas a herramientas y aproximadamente un 25 % menos de tokens. Para cargas de trabajo de agente, ese es el número que se asigna al costo: menos viajes de ida y vuelta y menos tokens facturados por tarea completada.