Meta ha accelerato lo sviluppo del proprio sistema di programmazione assistita dall’intelligenza artificiale introducendo Muse Code direttamente nelle attività quotidiane dei suoi ingegneri. Maher Saba, vicepresidente dell’Applied AI Engineering dell’azienda, ha chiesto a tutti gli sviluppatori di produrre ogni settimana almeno una modifica al codice, sotto forma di diff, utilizzando lo strumento interno. Quando Muse Code genera un risultato errato o incompleto, l’ingegnere deve correggerlo manualmente e inviare nuovamente la versione modificata. Questo processo consente a Meta di raccogliere non soltanto esempi di codice prodotti dal modello, ma anche la correzione effettuata da uno sviluppatore esperto sullo stesso compito, creando coppie di dati particolarmente utili per individuare gli errori e migliorare il comportamento del sistema.
L’iniziativa supera il normale collaudo interno dei prodotti, perché l’utilizzo di Muse Code è stato inserito in un processo sistematico di raccolta dei dati esteso all’intera organizzazione tecnica. Per aumentare la partecipazione, Meta ha introdotto nei profili aziendali badge di colore diverso assegnati in base al contributo fornito al codice, aggiungendo una componente di gamification al programma. Muse Code ha così raggiunto 7.000 utenti attivi settimanali e il lavoro di revisione degli ingegneri ha permesso di correggere più di 800 errori del sistema. Ogni errore individuato durante un’attività reale diventa un esempio concreto delle condizioni nelle quali il modello fallisce, mentre la modifica prodotta dal dipendente fornisce una possibile risposta corretta da utilizzare nelle successive fasi di ottimizzazione.
La qualità di questi dati deriva dal fatto che le richieste non vengono costruite esclusivamente per un benchmark, ma nascono all’interno di repository, strumenti e processi di sviluppo effettivamente utilizzati dall’azienda. Il modello viene quindi esposto a compiti che possono includere la comprensione del contesto di una base di codice, la modifica di componenti esistenti e la produzione di diff compatibili con le convenzioni interne. La revisione umana permette inoltre di distinguere tra una risposta formalmente plausibile e una modifica realmente utilizzabile nel progetto. Meta può osservare quali passaggi sono stati eseguiti correttamente, quali parti hanno richiesto un intervento e come l’ingegnere ha trasformato l’output iniziale in una soluzione accettabile. Questa struttura produce dati di feedback adatti alle fasi di post-addestramento, nelle quali il modello viene migliorato utilizzando esempi di comportamento preferibile dopo l’addestramento generale.
I dati raccolti hanno contribuito allo sviluppo di Muse Spark 1.2, il modello utilizzato da Muse Code. Nelle valutazioni Terminal-Bench 2.1 e nei test interni di Meta, Muse Spark 1.2 si è classificato al secondo posto dietro Claude Opus 5, superando GPT-5.6 Terra, Grok 4.5 e Gemini 3.6 Flash. I risultati indicati da Meta collegano quindi il miglioramento delle prestazioni non soltanto alla quantità di calcolo impiegata, ma anche alla disponibilità di feedback corretti direttamente dagli ingegneri durante l’uso. Lo stesso materiale viene già utilizzato per il post-addestramento di Watermelon, il modello successivo attualmente in fase di sviluppo, permettendo all’azienda di trasferire al nuovo sistema gli errori e le correzioni osservati con Muse Code.
Il programma interno risponde anche alla necessità di ridurre la dipendenza dagli strumenti di programmazione sviluppati da altre aziende. Meta ha sostenuto spese annuali pari a miliardi di dollari per abbonamenti e accessi a servizi esterni come Claude Code di Anthropic e Codex di OpenAI. Il miglioramento di Muse Code permette quindi di affrontare contemporaneamente due esigenze: costruire un agente di programmazione più competitivo e limitare i costi generati dall’utilizzo su larga scala di piattaforme esterne. L’adozione interna offre inoltre un ambiente nel quale Meta controlla il flusso completo dei dati, dalla richiesta iniziale alla risposta del modello, fino alla correzione effettuata dall’ingegnere, creando un ciclo continuo nel quale il sistema viene utilizzato, valutato e aggiornato attraverso lo stesso lavoro di sviluppo che dovrebbe supportare.