Meta ha rilasciato Muse Spark 1.3, nuova versione del modello sviluppato da Meta Superintelligence Labs, rendendolo disponibile nello stesso giorno sia all’interno di Muse Code sia tramite Meta Model API. L’aggiornamento punta soprattutto a migliorare le prestazioni nelle attività di programmazione e nei workflow agentici, ma interviene anche sull’usabilità del modello nei contesti operativi reali. Muse Spark 1.3 nasce infatti dall’esperienza raccolta durante i mesi di utilizzo di Muse Code e Meta Model API e mantiene al lancio le modalità di ragionamento già disponibili nelle versioni precedenti. Una modalità denominata “max reasoning”, destinata alle attività che richiedono un’elaborazione più approfondita, arriverà successivamente dopo il completamento di ulteriori verifiche di sicurezza.
Uno degli interventi principali riguarda la capacità di sostenere attività agentiche di lunga durata. Muse Spark 1.3 è stato progettato per collaborare con l’utente durante workflow estesi e per gestire contemporaneamente più attività all’interno di una singola conversazione lunga. Quando riceve un obiettivo aperto, il modello può utilizzare strumenti esterni per costruire autonomamente il contesto necessario, anche quando le informazioni provengono da fonti disordinate o tra loro contrastanti. Durante l’esecuzione può individuare lacune nel proprio piano, correggerle in modo proattivo e conservare quanto appreso nei passaggi precedenti fino alla produzione del risultato finale. Per ottenere questa capacità Meta ha addestrato il modello utilizzando una varietà di harness, cioè ambienti e infrastrutture di esecuzione differenti, con l’obiettivo di renderne il comportamento più generalizzabile nei diversi sistemi agentici.
È stata modificata anche la modalità con cui il modello interagisce con l’utente durante l’esecuzione di compiti complessi. Muse Spark 1.3 è stato addestrato a chiedere chiarimenti quando una richiesta presenta ambiguità, a richiedere l’intervento dell’utente quando non riesce autonomamente a superare un ostacolo e a ottenere una conferma prima di eseguire operazioni considerate rilevanti o potenzialmente consequenziali. Nei lavori di lunga durata può inoltre adattare il comportamento alle preferenze dell’utente, fornendo aggiornamenti frequenti sull’avanzamento oppure procedendo senza interrompere continuamente il flusso di lavoro. Il modello segue con maggiore affidabilità anche istruzioni lunghe e articolate rispetto alle precedenti versioni di Muse Spark, conservando più efficacemente vincoli e requisiti specifici durante processi composti da numerosi passaggi ed evitando di allontanarsi progressivamente dal workflow richiesto.
Meta ha lavorato inoltre sulla gestione simultanea di attività differenti all’interno dello stesso thread. Muse Spark 1.3 riesce a collegare con maggiore precisione ogni nuovo prompt al compito corretto anche quando la conversazione contiene richieste precedenti, deviazioni, correzioni o interruzioni dell’utente. Il modello è stato addestrato anche per possedere una rappresentazione più accurata delle proprie capacità e dei propri limiti: dovrebbe quindi distinguere meglio ciò che può effettivamente fare da ciò che non è in grado di eseguire, riconoscere quando dispone o meno delle informazioni necessarie e identificare gli ostacoli incontrati durante un’attività invece di produrre un risultato non realmente ottenuto o inventare il completamento di un’operazione.
Le dimostrazioni presentate da Meta mostrano questa impostazione attraverso compiti che combinano file, strumenti e risultati finali complessi. In uno degli esempi Muse Spark 1.3 riceve dati preliminari provenienti da una simulazione CFD e un file STEP contenente il modello CAD di un’ala sperimentale e deve produrre un rapporto tecnico destinato a una revisione progettuale. Il modello deve ricostruire obiettivi dell’analisi, dominio computazionale, mesh, proprietà dei materiali e condizioni al contorno, sintetizzare parametri quali velocità assiale massima, intensità di turbolenza, energia cinetica turbolenta e forze agenti sull’ala, organizzare i risultati in tabelle, valutarne gli effetti su portanza, resistenza, formazione di onde d’urto, separazione del flusso e turbolenza e infine generare un documento PDF strutturato.
Un secondo esempio riguarda invece un’attività di audio engineering. Il modello riceve le singole tracce strumentali di una registrazione e un documento contenente i timecode nei quali sono presenti errori nella parte di basso. Deve identificare note sbagliate, rumori di corde, click e altri difetti, sostituire alcune note con segmenti corretti provenienti da altre parti del brano, eliminare i rumori indesiderati senza alterare la durata della traccia e reinserire successivamente il basso modificato nel mix originale. Il risultato richiesto è un file WAV stereo a 48 kHz e 24 bit con gli strumenti sincronizzati e con il volume del basso mantenuto coerente con quello del rough mix utilizzato come riferimento.
Altre dimostrazioni riguardano workflow documentali e aziendali. In uno scenario il modello interpreta il ruolo del responsabile Parks & Recreation di una contea statunitense e, a partire da un contesto organizzativo articolato, deve produrre una presentazione PowerPoint di otto-dieci slide per convincere un consiglio consultivo inizialmente contrario alle collaborazioni con organizzazioni private ad approvare una partnership con la Camera di Commercio locale. In un altro caso Muse Spark 1.3 riceve un foglio Excel contenente feedback dei cittadini relativi a quattro distretti, deve organizzarli per membro del consiglio, produrre una sintesi generale di una pagina in PDF e generare anche un secondo PDF con punti di discussione destinati al personale che parteciperà alla riunione del board. Questi esempi sono utilizzati per mostrare la capacità del modello di seguire vincoli dettagliati, elaborare file in formati diversi e produrre deliverable finali già strutturati.
Il coding rappresenta l’altra area principale dell’aggiornamento. Muse Spark 1.3 è stato addestrato su un numero maggiore di attività di programmazione di lunga durata e Meta segnala un miglioramento dell’usabilità nei workflow di engineering più comuni. Rispetto a Muse Spark 1.2, il nuovo modello dovrebbe evitare passaggi conversazionali non necessari, essere meno prolisso e produrre codice con uno stile complessivamente più pulito. Nei confronti effettuati dagli ingegneri Meta, Muse Spark 1.3 è risultato anche sensibilmente più rapido ed efficiente, utilizzando circa il 20% di chiamate agli strumenti in meno e circa il 25% di token in meno rispetto alla versione precedente. Questa riduzione riguarda quindi non soltanto la lunghezza delle risposte, ma anche il numero di operazioni necessarie per portare a termine i workflow di sviluppo.
Gli interventi sulla sicurezza sono concentrati soprattutto sulle caratteristiche che diventano rilevanti quando un modello dispone di capacità agentiche e di programmazione più avanzate. Muse Spark 1.3 presenta una maggiore robustezza adversarial e una migliore resistenza sia agli input costruiti per alterarne intenzionalmente il comportamento sia agli attacchi di prompt injection. Nei compiti agentici complessi il modello è stato inoltre addestrato a riconoscere con maggiore precisione quali operazioni possano essere considerate irreversibili e a modificare il proprio comportamento di conseguenza. L’obiettivo è ridurre l’esecuzione indiscriminata di azioni potenzialmente problematiche e migliorare il livello di discrezione durante workflow autonomi che si sviluppano su numerosi passaggi.
Muse Spark 1.3 segue Muse Spark 1.2, rilasciato da Meta il 5 agosto 2026 insieme a Muse Code, agente di coding utilizzabile dal terminale. Muse Spark 1.2 rappresentava a sua volta un aggiornamento orientato principalmente alla programmazione rispetto a Muse Spark 1.1, con miglioramenti nella generazione di codice, nel debugging complesso, nella comprensione di codebase e nei workflow di sviluppo end-to-end. Per quella versione Meta aveva aumentato significativamente la quantità di capacità computazionale destinata all’addestramento sui compiti di coding, ampliando contemporaneamente la varietà degli ambienti di training; Muse Spark 1.2 era stato inoltre co-addestrato insieme a Muse Code. Muse Spark 1.3 prosegue quindi quella linea evolutiva, estendendo però in modo più marcato il lavoro sulle attività agentiche di lunga durata e sull’interazione con l’utente.
Muse Spark 1.3 è disponibile tramite Muse Code e Meta Model API. La roadmap annunciata da Meta prevede inoltre modelli di dimensioni maggiori e la pubblicazione futura dei pesi aperti di Muse Spark, anche se per queste evoluzioni non sono state indicate date precise. La modalità “max reasoning” seguirà invece il rilascio iniziale del modello non appena saranno terminate le verifiche di sicurezza aggiuntive previste da Meta.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)