터미널 코딩 에이전트 Muse Code 베타와 기반 모델
24시간 동안 1,000회 이상의 도구 호출을 반복하며 GPU 커널을 최적화한 실험 끝에 Meta가 Muse Code와 Muse Spark 1.2를 공개했다. 대규모 저장소에서 계획을 세우고 코드를 짠 뒤 검증까지 마치는 터미널 코딩 에이전트(명령어 입력창에서 직접 작동하는 AI 개발 도구)가 개발 현장에 투입된다. 개발자는 이제 복잡한 코드 저장소 전체를 대상으로 AI가 직접 작업을 설계하고 수행하는 환경을 갖게 됐다.
Muse Code는 방대한 양의 코드가 저장된 환경에서 어떤 작업을 먼저 할지 계획을 수립하고 실제 코드 작성과 검증을 스스로 수행하는 능력을 갖췄다. 이 에이전트의 두뇌 역할을 하는 것은 코딩 역량을 집중적으로 강화한 기반 모델(AI의 기초가 되는 거대 모델)인 Muse Spark 1.2다. 모델의 성능 개선이 에이전트가 수행하는 계획 수립과 코드 구현의 정확도를 높이는 구조다.
현재 Muse Code는 macOS와 Linux 운영체제에서 사용할 수 있으며 공식 개발자 페이지를 통해 베타 버전을 시작할 수 있다. 기반 모델인 Muse Spark 1.2는 Muse Code 내부뿐만 아니라 Meta Model API(외부 프로그램이 Meta AI 기능을 가져다 쓸 수 있게 연결해 주는 통로)를 통해 제공된다. 글로벌 접근 범위가 확대되면서 전 세계 개발자들이 API를 통해 이 모델의 코딩 능력을 자신의 환경에 통합할 수 있다.
비동기 백그라운드 에이전트와 로컬 이벤트 로그를 통해 작업
여러 개의 비동기 백그라운드 에이전트(사용자가 명령하지 않아도 뒤에서 스스로 움직이는 보조 프로그램)가 정보 수집과 후속 작업을 나눠 맡아 작업 지연을 줄였다. 세션 내내 이 에이전트들이 상주하며 필요한 데이터를 미리 준비하기 때문에 사용자가 매번 개입해 세세하게 지시할 필요가 없다. 효율적인 분업 체계를 통해 응답 속도를 높여 끊김 없는 작업 흐름을 만들었다.
모델 호출부터 도구 실행, 승인, 편집까지 모든 과정은 로컬 이벤트 로그(컴퓨터 내부에 저장되는 상세 실행 기록장)에 실시간으로 남는다. 이 기록을 통해 실행 내역을 정확히 재생하며, 시스템 충돌 시 중단 지점부터 다시 시작하는 재시작 안전 런타임(오류 후 멈춘 곳부터 바로 이어가는 실행 환경)을 구현했다. 작업 도중 프로그램이 예기치 않게 종료되어도 처음부터 다시 시작할 필요 없이 멈춘 지점에서 작업을 재개할 수 있다.
Muse Spark 1.1이 생성한 까다로운 코딩 환경과 지시 준수 템플릿을 학습 데이터로 활용해 Muse Spark 1.2의 성능을 끌어올렸다. 모델이 스스로 후보 해법들이 요구사항을 얼마나 잘 충족하는지 평가하고, 그 결과를 확장 가능한 훈련 데이터셋으로 구성하는 자기 개선 루프(스스로 문제를 내고 풀며 실력을 키우는 과정)를 적용했다. 이 과정을 통해 이전 모델보다 훨씬 복잡한 지시사항을 정확하게 수행하는 능력을 갖췄다.
장기 코딩 작업 처리를 위해 Muse Code와 공동
단순한 코드 생성을 넘어 며칠씩 걸리는 장기 프로젝트를 처리하려면 학습량과 환경의 다양성을 대폭 늘려야 한다. Muse Spark 1.2는 이를 위해 Muse Code와 함께 훈련하며 코딩 연산량을 확대하고 학습 환경을 다양화했다. 계획을 세우고 목표를 설정하는 조건화 기술과 컨텍스트 압축(AI가 기억해야 할 핵심 정보만 추려 용량을 줄이는 기술)을 적용했다. 이 과정에서 계획 수립과 목표 달성 조건을 정교하게 맞추며 긴 작업 흐름 속에서도 필요한 지식을 잃지 않고 처리 능력을 유지하도록 만들었다.
NVIDIA Hopper GPU 커널 최적화 실험에서는 최대 24시간 동안 1,000번 넘게 도구를 호출하며 성능을 끌어올렸다. KDA와 MLA라는 연산 커널(GPU가 데이터를 처리하는 기본 단위)을 반복적으로 수정하며 최적화 지점을 찾았다. 외부 라이브러리를 빌려 쓰는 대신 Triton(GPU 프로그램을 짜는 언어)으로 알고리즘을 직접 구현해 기준 모델보다 더 나은 성능을 점진적으로 달성했다. 단순히 기존 구현물을 감싸는 방식이 아니라 밑바닥부터 직접 짰다는 점이 핵심이다.
이제 단순한 코드 작성을 넘어, 충돌이 발생해도 중단 지점부터 다시 시작하며 며칠 단위의 프로젝트를 자동화할 수 있는 신뢰성이 확보됐다. `/plan`으로 계획을 짜고, `/grill`로 계획을 검증하며, `/goal`로 목표를 달성하는 3단계 워크플로를 통해 장기 자동화 작업을 수행하면 된다.
