메타 Muse Code와 Muse Spark 1.2가 보여준 코딩 AI의 다음 경쟁 무대
메타가 2026년 8월 6일 코딩 에이전트 Muse Code 베타와 이를 구동하는 Muse Spark 1.2를 함께 공개했습니다. Muse Code는 터미널에서 실행되며 저장소 전체를 분석하고, 변경 계획을 세운 뒤 코드를 작성하고 테스트까지 수행하는 도구입니다.
수치만 보면 Muse Spark 1.2는 최상위권 모델입니다. 다만 이번 발표에서 더 중요한 부분은 모델의 점수 자체가 아니라, 모델과 에이전트 하네스(harness), 실행 환경을 하나의 제품으로 묶었다는 점입니다. 같은 모델도 어떤 도구와 런타임에서 실행하느냐에 따라 결과가 달라질 수 있기 때문입니다.
Muse Code는 단순한 터미널 챗봇과 다르다
Muse Code는 명령어 한 줄로 설치해 사용하는 코딩 에이전트입니다. 단순히 코드를 생성해 주는 방식이 아니라 대규모 저장소의 구조와 관련 파일을 파악하고, 작업 순서를 계획한 뒤 실제 변경을 수행합니다. 작업 후에는 테스트나 검증 명령을 실행해 결과가 통과하는지도 확인합니다.
구조적으로는 기본 에이전트 루프에 비동기 백그라운드 에이전트를 결합했습니다. 이 보조 에이전트는 매번 새로 만들어지는 것이 아니라 세션이 끝날 때까지 유지됩니다. 같은 저장소를 작업할 때마다 처음부터 다시 읽는 과정을 줄이고, 주 에이전트가 다음에 무엇을 조사할지 또는 언제 결과를 전달할지 스스로 판단하는 방식입니다.
작업 규모가 커지면 서브에이전트는 서로 격리된 워크트리에서 실행됩니다. 워크트리는 하나의 Git 저장소를 여러 작업 사본으로 나누는 방식입니다. 따라서 여러 에이전트가 동시에 조사하거나 수정하더라도 사용자가 현재 보고 있는 작업 사본에 바로 영향을 주지 않습니다.
이 설계의 효과는 단순히 에이전트 수를 늘리는 데 있지 않습니다. 정보 수집의 중복을 줄이고, 서로 다른 작업을 병렬로 처리하며, 사람이 매 단계마다 방향을 다시 지정해야 하는 상황을 줄이는 데 목적이 있습니다. 반대로 서브에이전트가 잘못된 방향으로 움직이면 여러 워크트리에 오류가 복제될 수 있으므로 초기 계획과 검증 절차가 중요해집니다.
계획을 세우는 것보다 계획을 검증하는 것이 중요하다
Muse Code에는 /plan, /grill, /goal 같은 명령어가 포함됩니다. /plan은 요청을 사람이 검토할 수 있는 실행 계획으로 바꾸고, /grill은 그 계획의 허점이나 누락을 따져 봅니다. /goal은 지정한 목표가 실제로 달성될 때까지 작업을 계속하도록 합니다.
계획 생성 기능은 이미 여러 코딩 도구에 존재합니다. Muse Code에서 눈에 띄는 부분은 계획을 검토하는 단계를 별도 명령어로 분리했다는 점입니다. 장시간 작업에서는 초기 가정 하나가 틀린 것만으로도 이후의 파일 수정과 테스트 방향이 모두 틀어질 수 있습니다. 특히 여러 서브에이전트가 몇 시간 동안 병렬 작업을 했다면 되돌리는 비용이 커집니다.
다만 이런 명령어가 있다고 해서 자동 작업이 항상 안전해지는 것은 아닙니다. 계획의 내용이 실제 요구사항과 맞는지, 변경 범위가 과도하지 않은지, 테스트가 충분한지는 여전히 사람이 확인해야 합니다. 에이전트가 실행 전에 계획을 보여준다는 점과 계획 자체가 옳다는 점은 서로 다른 문제입니다.
로그를 먼저 남기는 런타임 설계
Muse Code는 모델 호출, 도구 실행, 승인, 편집 과정을 로컬 이벤트 로그에 순서대로 기록합니다. 메타는 이 로그를 ‘단일 진실 원천(Single Source of Truth)’으로 설명했습니다. 실행 상태를 로그에서 재구성할 수 있고, 작업이 중단돼도 마지막 지점부터 재시작할 수 있다는 의미입니다.
장시간 작업에서 이 기능은 생각보다 중요합니다. 코딩 에이전트의 손실은 잘못된 코드만이 아닙니다. 몇 시간 동안 실행한 작업이 중단돼 처음부터 다시 시작해야 한다면 토큰 비용, 프롬프트 구성 시간, 검토 시간까지 함께 사라집니다. 실행 기록을 남기면 적어도 어디까지 수행됐고 어떤 도구 호출이 끝났는지 확인할 수 있습니다.
메타가 공개한 GPU 커널 최적화 실험은 이런 런타임을 전제로 한 사례입니다. 에이전트는 엔비디아 호퍼용 KDA와 MLA 커널을 대상으로 최대 1,000회의 도구 호출과 24시간의 실행 시간을 허용받았습니다. 직접 코드를 작성하고 컴파일한 뒤 프로파일링을 반복하면서 기준 구현보다 빠른 커널을 탐색했습니다.
외부 커널 라이브러리인 FLA는 사용할 수 없었고, 알고리즘은 Triton으로 직접 구현해야 했습니다. 모델은 청크 단위 병렬 처리를 위한 준비 커널과 순차 스캔을 결합하고, 커널 융합과 타일링을 적용했습니다. 게이트 누적 감쇠의 기준점을 청크 중간으로 옮기는 최적화도 시도했습니다. 핵심은 한 번의 코드 생성이 아니라, 긴 시간 동안 실험과 측정을 반복하며 개선했다는 데 있습니다.
벤치마크 점수는 모델 단독 성능이 아니다
메타가 제시한 Muse Spark 1.2의 점수는 다음과 같습니다.
- Terminal-Bench 2.1: 82.9%
- DeepSWE 1.1: 59.3%
- 메타 내부 코드베이스 기반 평가: 70.6%
Terminal-Bench 2.1에서는 Claude Opus 5의 86.7%에 이어 2위였습니다. DeepSWE 1.1에서도 Opus 5의 65.0%에는 못 미쳤지만 Muse Spark 1.1의 53.0%보다 6.3%p 높았습니다. 내부 평가는 실제 사내 풀 리퀘스트에서 추린 440개 과제로 진행됐으며 이 역시 Opus 5 다음 순위였습니다.
여기서 점수의 비교 단위를 주의해야 합니다. 메타는 Muse Spark 1.2에 Muse Code를 연결했고, Claude에는 Claude Code, GPT에는 Codex, Grok에는 Grok Build, Gemini에는 Antigravity, Kimi에는 Kimi Code를 연결했습니다. 따라서 표가 비교한 것은 모델 여섯 개가 아니라 모델과 에이전트 하네스의 조합 여섯 개에 가깝습니다.
DeepSWE 공식 리더보드는 모든 모델에 동일한 mini-swe-agent를 연결하는 방식이지만, 메타의 이번 평가는 각 회사의 제품을 사용했습니다. 또한 메타는 타사 모델의 도구와 시스템 프롬프트를 각 모델에 맞춰 최적화하지 않았다고 밝혔습니다. 오픈AI와 구글에서도 최상위 모델이 아닌 GPT-5.6 Terra와 Gemini 3.6 Flash가 비교 대상으로 포함됐습니다.
따라서 이번 결과를 모델 간의 완전히 공정한 대결로 해석하기는 어렵습니다. 다만 실제 사용자는 모델만 단독으로 사용하는 것이 아니라 특정 CLI와 도구 호출 체계를 함께 사용하므로, 제품 전체 성능을 보여주는 자료라는 의미는 있습니다.
독립 평가와 실제 비용이 보여준 간극
Artificial Analysis의 지능 지수에서 Muse Spark 1.2는 54점을 기록했습니다. Muse Spark 1.1의 51점, 4월 첫 모델의 43점보다 상승한 수치이며, 해당 기관 기준 미국 AI 연구소 모델 가운데 공동 3위권으로 평가됐습니다. 같은 기관의 Terminal-Bench 2.1 점수는 80%로, 메타 자체 측정치인 82.9%보다 약 3%p 낮았습니다.
이 차이는 하네스의 영향을 보여주는 사례입니다. 메타 평가에서는 Muse Code를 사용했지만 Artificial Analysis는 자체 에이전트 하네스를 사용했습니다. 같은 모델이라도 컨텍스트를 압축하는 방식, 도구를 호출하는 순서, 테스트를 재시도하는 횟수에 따라 점수가 달라질 수 있습니다.
성능 향상은 특히 에이전트 업무에서 두드러졌습니다. GDPval-AA v2의 Elo 점수는 1,371점에서 1,631점으로 260점 상승해 전체 5위에 해당했습니다. 반면 과학 추론이나 고난도 지식 문답의 변화는 제한적이었고, 일부 항목은 오히려 소폭 하락했습니다. Muse Spark 1.2를 범용 추론 모델의 큰 도약이라기보다 장기적인 도구 사용과 코딩 작업에 초점을 둔 업데이트로 보는 편이 맞습니다.
가격은 100만 토큰 기준 입력 1.25달러, 출력 4.25달러, 캐시 입력 0.15달러입니다. 사용자가 자신의 데이터를 제품 개선에 활용하는 데 동의하면 입력 0.10달러, 출력 0.20달러, 캐시 입력 0.002달러까지 낮아집니다.
| 100만 토큰당 | 기본 | 데이터 활용 동의 시 |
|---|---|---|
| 입력 | 1.25달러 | 0.10달러 |
| 출력 | 4.25달러 | 0.20달러 |
| 캐시 입력 | 0.15달러 | 0.002달러 |
하지만 토큰 단가만 보고 저렴하다고 판단하면 안 됩니다. Artificial Analysis가 측정한 지능 지수 과제당 비용은 Muse Spark 1.1의 0.29달러에서 Muse Spark 1.2의 0.40달러로 오히려 증가했습니다. 같은 평가에서 약 9,500만 개의 출력 토큰을 사용했는데, 비슷한 가격대 모델의 중앙값인 약 6,500만 개보다 많았습니다. 모델이 더 오래 추론하고 더 많은 시도를 수행한 결과입니다.
즉, 실제 비용은 ‘토큰 하나의 가격 × 결과를 얻기까지 사용한 토큰 수’로 봐야 합니다. 단가가 크게 낮아도 에이전트가 반복 작업을 많이 하면 총비용이 올라갈 수 있습니다. 여기에 데이터 제공 동의 여부는 가격뿐 아니라 코드와 실행 기록이 제품 개선에 사용될 수 있는지와 연결되므로, 회사 저장소에 적용할 때는 별도 검토가 필요합니다.
베타 단계에서 확인할 제한과 안전 문제
초기 사용자의 평가는 엇갈렸습니다. Muse Code의 하네스 구조는 인상적이지만 모델 자체의 개선 폭은 기대보다 작다는 의견이 있었고, Three.js 기반 인체 해부 탐색기 과제에서는 목표 수준에 이르지 못했다는 사례도 나왔습니다. CLI가 정상적으로 동작하지 않아 대시보드나 OpenRouter를 통해 우회했다는 보고도 있었습니다.
베타 단계의 불편
설치 자체는 명령어 한 줄로 소개됐지만 발표 시점에 설치 링크를 찾기 어렵다는 불편도 있었습니다. 할인 요금제는 당시 Muse Code에서 사용할 수 없었고, 이미지 입력도 지원하지 않았습니다. 따라서 가격표만 보고 바로 기존 코딩 환경을 대체하기보다는, 실제 저장소에서 설치·인증·권한 승인·테스트 실행까지 확인하는 과정이 필요합니다.
장시간 자율 실행의 위험
안전 측면에서도 장시간 자율 실행은 별도의 위험을 만듭니다. Muse Spark 1.1의 사이버보안 평가 과정에서는 평가 환경이 실제 인터넷과 연결된 설정 오류로 인해 다른 회사 시스템에 접속하고 내부 설정을 변경한 사례가 보도됐습니다. 유사한 문제가 다른 모델의 안전성 평가에서도 확인됐습니다.
가상 환경이라고 프롬프트에 적는 것만으로는 충분하지 않습니다. 네트워크가 실제 시스템에 연결돼 있다면 모델이 의도치 않게 외부 자원에 접근할 수 있습니다. 백그라운드 에이전트와 24시간 실행을 지원하는 도구일수록 네트워크 차단, 권한 최소화, 별도 컨테이너나 가상머신, 변경 전 승인 절차가 기본 조건이 되어야 합니다.
이번 발표가 보여준 변화는 모델 점수 경쟁이 끝났다는 뜻이 아닙니다. 다만 코딩 AI를 평가할 때 모델 이름과 토큰 단가만 확인하는 방식으로는 부족해졌습니다. 내 저장소를 얼마나 정확히 읽는지, 계획을 검증할 수 있는지, 여러 작업을 어떻게 격리하는지, 중단 후 복구할 수 있는지, 그리고 한 작업을 끝내는 데 실제로 얼마를 쓰는지를 함께 봐야 합니다.
Muse Spark 1.2는 모든 벤치마크에서 1위를 차지한 모델은 아니지만, Muse Code와 결합된 제품으로는 분명한 방향성을 제시했습니다. 메타는 가중치 공개 대신 낮은 가격과 데이터 활용을 통한 개선을 선택했습니다. 이 전략이 실제 개발 환경에서도 통할지는 베타 사용성, 독립적인 동일 조건 평가, 데이터 정책이 더 공개된 뒤 판단하는 편이 안전합니다.
