Meta ลงสนาม coding agent — Muse Code (beta) + Muse Spark 1.2 ชนะ MCP Atlas 90.3% แต่แพ้ Opus 5 ทุกเบนช์มาร์กโค้ด

เมื่อ 5 สิงหาคม 2026 Meta Superintelligence Labs ปล่อย Muse Code เวอร์ชัน beta — coding agent ที่รันในเทอร์มินัล ทำงานกับ repository ขนาดใหญ่ได้ตั้งแต่วางแผน เขียนโค้ด ไปจนถึงตรวจผลลัพธ์ — พร้อมกับโมเดลใหม่ Muse Spark 1.2 ที่ co-train มากับตัว harness โดยตรง ติดตั้งด้วยคำสั่งเดียวบน macOS หรือ Linux:

curl -fsSL https://dev.meta.ai/install.sh | bash

นี่คือการที่ Meta เดินเข้ามาชนกับ Claude Code และ Codex เต็มตัว หลังจากเปิด Meta Model API เป็นบริการคิดเงินรายโทเคนเมื่อ ก.ค. แต่สิ่งที่ทำให้ข่าวนี้น่าอ่านกว่าการเปิดตัวทั่วไป คือ Meta เลือกเผยแพร่ทั้งกราฟเบนช์มาร์กและเอกสาร methodology ที่ระบุวิธีวัดอย่างละเอียด — และตัวเลขในกราฟนั้นไม่ได้เข้าข้างตัวเองอย่างที่คาด

สองอย่างที่ Muse Code ทำต่างจากคนอื่น

1. Background agent ที่อยู่ยาวทั้งเซสชัน ไม่ใช่ spawn ทีละงาน

Muse Code ใช้ agent loop เรียบง่ายตัวเดียว บวกกับชุด async background agent ที่ Meta ระบุชัดว่า “remain active throughout each session, rather than being spawned for individual tasks” — ต่างจากรูปแบบ subagent ที่เกิดใหม่ทุกครั้งที่มีงาน จุดประสงค์คือเลี่ยงการเก็บข้อมูลซ้ำ ๆ (redundant information gathering) เพราะ agent ตัวเดิมยังจำบริบทที่หามาแล้วได้ พวกมันเดินงานขั้นถัดไปเองและเลือกเองว่าจะรายงานกลับ main agent เมื่อไหร่

2. Event log ที่ทำให้ runtime “replay-exact และ restart-safe”

ทุก model call, tool run, การอนุมัติ และการแก้ไฟล์ ถูก append ลง local event log ตัวเดียวที่เป็น single source of truth ผลคือเมื่อ agent แครชกลางทาง มันกลับมาทำต่อจากจุดเดิมได้พอดี ไม่ใช่เริ่มใหม่หรือเดาสถานะ Meta ระบุตรง ๆ ว่านี่คือสิ่งที่ทำให้ Muse Code รับงานยาว ๆ ได้โดยไม่ถูกความล้มเหลวระหว่างทางทำให้ตกราง

นอกจากนี้ยังมี skill ติดมาในตัว สามตัว: /plan แปลงงานเป็นแผนที่ต้องผ่านการอนุมัติก่อน, /grill เอาแผนนั้นมาทุบทดสอบจนกว่าจะรอด, และ /goal เดินหน้าจนกว่าจะบรรลุเป้าที่ระบุ

ตัวเลขจริงจากกราฟของ Meta เอง

Meta วัด Muse Spark 1.2 คู่กับ Muse Code บนห้าเบนช์มาร์ก โดยแต่ละโมเดลคู่แข่งถูกวัดผ่าน agent product ของตัวเอง (Opus 5 ใช้ Claude Code, GPT 5.6 Terra ใช้ Codex, Grok 4.5 ใช้ Grok Build, Gemini 3.6 Flash ใช้ Antigravity CLI) และใช้ reasoning strength สูงสุดที่มีของแต่ละตัว

Terminal-Bench 2.1 (89 งาน, pass@1 เฉลี่ยจาก 5 ครั้ง):

โมเดล (harness)	คะแนน
Opus 5 max (Claude Code)	86.7%
Muse Spark 1.2 (Muse Code)	82.9%
GPT 5.6 Terra max (Codex)	81.8%
Grok 4.5 high (Grok Build)	81.6%
Gemini 3.6 Flash high (Antigravity CLI)	78.9%
Muse Spark 1.1 (mini-swe-agent)	76.2%

DeepSWE 1.1 (113 งานจาก 91 repo, 5 ภาษา): Opus 5 65.0%, GPT 5.6 Terra 64.8%, Muse Spark 1.2 59.3%, Grok 4.5 56.6%, Muse Spark 1.1 53.0%, Gemini 3.6 Flash 40.0%

Meta Internal Coding Bench (440 งานจาก pull request จริงในโค้ดเบสของ Meta เอง): Opus 5 79.4%, Muse Spark 1.2 70.6%, Muse Spark 1.1 68.3%, GPT 5.6 Terra 65.4%, Gemini 3.6 Flash 63.9%

อ่านตารางพวกนี้แล้วข้อสรุปตรงไปตรงมา: Muse Spark 1.2 เป็นอันดับสองบน Terminal-Bench และอันดับสามบน DeepSWE — และแพ้ Opus 5 แม้แต่บนเบนช์มาร์กภายในของ Meta เอง ซึ่งเป็นสนามที่ควรได้เปรียบที่สุด สิ่งที่มันชนะจริงคือ การก้าวจากรุ่น 1.1 (+6.7 จุดบน Terminal-Bench, +6.3 จุดบน DeepSWE) ไม่ใช่การขึ้นเป็นที่หนึ่ง

จุดที่ Meta ชนะ: MCP Atlas 90.3%

เบนช์มาร์กเดียวที่ Muse Spark ครองอันดับหนึ่งคือ MCP Atlas ของ Scale AI — 1,000 งานที่คนเขียนเอง วิ่งบน MCP server จริง 36 ตัว 220 tool โดยมี distractor tool ปนอยู่ด้วย เกณฑ์ผ่านคือ coverage ของ ground-truth claim ต้องได้อย่างน้อย 0.75

โมเดล	pass rate
Muse Spark 1.2	90.3%
Muse Spark 1.1	88.1%
Opus 5 xhigh	85.8%
Gemini 3.5 Flash high	83.6%
Claude Fable 5	83.3%
Kimi K3 max	82.3%
GPT 5.6 Sol	81.8%

น่าสังเกตว่า Muse Spark 1.1 ก็ยังนำ Opus 5 บนสนามนี้ แปลว่าความแข็งเรื่องเรียกเครื่องมือ/MCP เป็นคุณสมบัติที่ตระกูล Muse มีมาก่อนแล้ว ไม่ใช่ของใหม่ในรุ่น 1.2 และเบนช์มาร์กนี้ใช้ harness ของ Scale AI เอง ไม่ใช่ Muse Code จึงเทียบข้ามโมเดลได้ตรงกว่าสองตารางแรก

Meta ยังโชว์ case study การ optimize GPU kernel ที่ปล่อยโมเดลวนแก้ kernel มากกว่า 1,000 tool call ต่อเนื่องนานถึง 24 ชั่วโมง บน KDA และ MLA kernel สำหรับ NVIDIA Hopper โดยห้าม import ไลบรารี kernel ของบุคคลที่สามอย่าง FLA — ต้องเขียน Triton เอง นี่คือการสาธิตว่า event log + background agent ออกแบบมาเพื่ออะไร

ข้อควรระวังก่อนเชื่อตัวเลข

เอกสาร methodology ของ Meta เขียนข้อจำกัดไว้เองอย่างซื่อสัตย์ และนักพัฒนาควรอ่านก่อนเอาไปอ้าง:

• Harness ไม่ได้จูนมาเพื่อโมเดลคู่แข่ง — Meta ระบุว่า “our evaluation setup (e.g., agent tools and system prompts) may not be specifically tuned for proprietary third-party models” ผลที่ได้จึงอาจต่ำกว่าที่โมเดลเหล่านั้นทำได้จริงในสภาพแวดล้อมของตัวเอง
• DeepSWE ที่วัดนี้ไม่ตรงกับ leaderboard ทางการ — leaderboard ใช้ mini-swe-agent กับทุกโมเดล แต่ Meta ใช้ agent product ของแต่ละเจ้า จึงเทียบตรงกับตารางสาธารณะไม่ได้
• Muse Spark 1.1 ในตาราง Terminal-Bench ใช้ mini-swe-agent ไม่ใช่ Muse Code ส่วนต่าง 76.2% → 82.9% จึงเป็นผลรวมของทั้งโมเดลที่ดีขึ้นและ harness ที่เปลี่ยน แยกกันไม่ออก
• ไม่มีน้ำหนักโมเดลให้ดาวน์โหลด — โพสต์เปิดตัวไม่พูดถึง open weights เลย Muse Spark 1.2 ให้บริการผ่าน Muse Code และ Meta Model API เท่านั้น ให้ถือเป็น hosted dependency ไม่ใช่โมเดลที่รันเองได้
• ยังไม่มีการประกาศราคาของ Muse Code ในโพสต์นี้ ระบุแค่ว่า Muse Spark 1.2 “available today” ทั้งใน Muse Code และ Meta Model API พร้อมการเข้าถึงที่ขยายไปทั่วโลกมากขึ้น

มุมมอง AI Curator

เรื่องที่ควรจำจากข่าวนี้ไม่ใช่ “Meta มี coding agent แล้ว” แต่เป็น Meta เลือกเผยแพร่ตัวเลขที่ตัวเองแพ้ ในตลาดที่กราฟเปิดตัวมักถูกจัดฉากจนคู่แข่งหายไปจากแกน การที่ Meta วาง Opus 5 ไว้เป็นแท่งสูงสุดในสามจากห้าเบนช์มาร์ก — รวมถึงเบนช์มาร์กภายในบ้านตัวเอง — เป็นการตัดสินใจเชิงสื่อสารที่ควรได้เครดิต และทำให้ตัวเลข 90.3% บน MCP Atlas น่าเชื่อขึ้นมากกว่าถ้าทั้งชุดเป็นสีเขียวหมด

จุดที่น่าคิดต่อสำหรับคนสร้าง agent คือ Meta กำลังเดิมพันว่าคุณภาพของ harness สำคัญพอ ๆ กับคุณภาพของโมเดล background agent ที่อยู่ยาวทั้งเซสชันและ event log ที่ replay ได้ ไม่ใช่ฟีเจอร์ที่ทำให้คะแนนเบนช์มาร์กพุ่ง แต่มันคือสิ่งที่ตัดสินว่างานยาว 6 ชั่วโมงจะจบหรือพัง — และเป็นสิ่งที่เบนช์มาร์กแบบ 89 งานจับไม่ได้เลย นี่ต่อเนื่องโดยตรงกับสิ่งที่เราเขียนถึงในโพสต์เรื่อง harness engineering — วงการกำลังย้ายจุดสนใจจากโมเดลไปที่ลูปที่ห่อโมเดลอยู่

สำหรับทีมไทย มีสามข้อที่ควรคำนวณก่อนขยับ ข้อแรก การเป็น hosted-only แปลว่าคุณเพิ่ม vendor อีกรายเข้าไปในสายพึ่งพา และครั้งนี้เป็นรายที่ยังไม่ประกาศราคา — ต่างจาก Muse Spark 1.1 ที่ประกาศ $1.25/$4.25 ต่อล้านโทเคนตั้งแต่วันเปิด ข้อสอง Muse Code ยังเป็น beta และมีเฉพาะ macOS/Linux ไม่มี Windows และไม่มี GUI ทีมที่ทำงานบน Windows ต้องผ่าน WSL ข้อสาม — และสำคัญที่สุด — คำสั่งติดตั้งคือ curl | bash จาก dev.meta.ai อย่ารันบนเครื่องที่มีสิทธิ์เข้าถึงโค้ดเบสหลักโดยไม่อ่านสคริปต์ก่อน นี่เป็นคำเตือนพื้นฐานที่ควรใช้กับทุกเจ้า ไม่ใช่เฉพาะ Meta แต่ agent ที่รัน shell ได้และมีสิทธิ์เท่าโปรเซสของคุณ เป็นระดับความเสี่ยงที่สูงกว่าเครื่องมือ dev ทั่วไปหนึ่งขั้นเสมอ

ข้อสุดท้ายที่อยากให้สังเกต: ประโยคปิดของ Meta คือ “larger and much more capable models on the way” — Muse Spark 1.2 คือรุ่นที่ปรับด้านโค้ดโดยเฉพาะ ไม่ใช่โมเดลเรือธงรุ่นถัดไป การอ่านตัวเลขวันนี้ว่าเป็นเพดานของ Meta จึงน่าจะผิด และการเลือก vendor coding agent ตอนนี้ควรถือว่าเป็นการตัดสินใจที่จะต้องทบทวนใหม่ในอีกไม่กี่เดือน ไม่ใช่การแต่งงาน

แหล่งข่าว

• Introducing Muse Code and Muse Spark 1.2 — Meta AI Research
• Muse Spark 1.2 & Muse Code Evaluation Methodology (PDF) — Meta
• Muse Code — Meta for Developers
• โพสต์ก่อนหน้า: Meta เปิด Model API พร้อม Muse Spark 1.1