Meta lanceert codeeragent Muse Code naast Claude Code en Codex

Meta lanceert Muse Code, zijn eerste codeeragent voor de terminal, in beta voor macOS en Linux en draaiend op het nieuwe model Muse Spark 1.2, blijkt uit de eigen ontwikkelaarsdocumentatie.

Voor een Nederlands team dat vandaag Claude Code of Codex draait, verandert vooral de rekensom. Muse Code kent geen abonnement: je wordt afgerekend op de tokens die je verbruikt via de Meta Model API. Naast het normale tarief hangt Meta er een tweede prijskaartje aan dat ruim tien keer lager ligt, in ruil voor toestemming om jouw prompts en de antwoorden van het model als trainingsmateriaal te gebruiken. De keuze tussen deze drie agents is daarmee een toolvergelijking geworden met een datavraag eronder.

Eén regel installeren, dan muse

Muse Code is een agent voor de terminal en voor je CI-pijplijn. Je installeert hem met één shell-commando (curl -fsSL https://dev.meta.ai/install.sh | sh), start hem met muse in een projectmap, en vanaf daar plant de agent, bewerkt bestanden en draait commando's. Bij de eerste start vraagt hij of hij de werkmap mag vertrouwen; goedkeuringen en een OS-sandbox staan vanaf de eerste ronde aan. Voor scripts en CI is er muse exec "<opdracht>", dat één opdracht zonder tussenkomst afmaakt. Inloggen kan via de browser of met een sleutel in META_API_KEY. Het standaardmodel is muse-spark-1.2.

Anders dan Codex en Claude Code heeft Muse Code geen eigen app of grafische schil, meldt 9to5Mac. Windows ontbreekt: het blijft voorlopig macOS en Linux, en het blijft beta. Wie de sandbox en goedkeuringsmodi van zo'n agent nog moet inrichten, vindt in de werkwijze om een codeeragent met beperkte rechten en een wegwerpbare omgeving te draaien hetzelfde stramien terug.

De prijs, en de tweede prijs

Op de standaardtier rekent Meta 1,25 dollar per miljoen invoertokens, 0,15 dollar voor gecachete invoer en 4,25 dollar per miljoen uitvoertokens. Op de contributor-tier draait exact hetzelfde checkpoint, maar dan voor 0,10 dollar invoer en 0,20 dollar uitvoer, waarbij je prompts en antwoorden gebruikt mogen worden om toekomstige Meta-modellen te trainen.

Ter vergelijking: Claude Opus 5 kost 5 dollar per miljoen invoertokens en 25 dollar per miljoen uitvoertokens. Op de invoerkant zit Meta's standaardtier dus op een kwart daarvan, op de uitvoerkant op ongeveer een zesde. Dat is dezelfde positionering als bij Muse Spark 1.1, dat in juli op precies die tarieven onder Claude Opus 4.8 dook, alleen zit er nu een kant-en-klare agent omheen.

De contributor-tier heeft een prijs die je niet in dollars betaalt. Het is dezelfde partij die in juni het gebruik van Claude Code en Codex door zijn eigen engineers aan banden legde uit vrees dat de output van een concurrerend model in Meta's trainingsdata zou lekken. Wat Meta bij zichzelf wil voorkomen, biedt het jou nu tegen korting aan. Er zit ook een harde operationele grens aan: de goedkope tier is afgeknepen op 60 verzoeken per minuut, tegen 3.000 op de standaardtier. Draai je meerdere agents parallel, dan loop je daar snel tegenaan.

Het contextvenster is in beide gevallen 1.048.576 tokens, zonder toeslag voor een vol venster. Zoeken op het web via het model kost 2,50 dollar per duizend zoekopdrachten, bovenop de tokens.

Meta's eigen grafiek zet Claude Code bovenaan

De cijfers die Meta zelf publiceert, zijn eerlijker dan de lanceringstoon doet vermoeden. Op Terminal-Bench 2.1 haalt Muse Code met Muse Spark 1.2 82,9 procent, achter Claude Code met Opus 5 op 86,7 procent en net voor Codex met GPT 5.6 Terra op 81,8 procent. Op DeepSWE 1.1 is het gat groter: 59,3 procent voor Muse Code, tegen 65,0 procent voor Claude Code en 64,8 procent voor Codex. Ook op Meta's eigen interne codeerbenchmark staat Opus 5 met 79,4 procent boven Muse Spark 1.2 met 70,6 procent.

Meta claimt dan ook niet de kroon, maar de verhouding tussen prestatie en kosten. Mark Zuckerberg noemt Muse Code een multi-agent coding harness die complexe taken over subagents verdeelt in plaats van één agent alles te laten doen, en zet het model op wat hij de pareto-grens van intelligentie en kosten noemt. Het bedrijf stelt zelf dat het samen trainen van agent en model beter gereedschapsgebruik, minder herkansingen en hogere kwaliteit oplevert dan een generieke schil om een extern model. Onafhankelijke cijfers ontbreken nog; dit is voorlopig Meta's eigen meting.

Meerdere agents, en een logboek dat je kunt nalezen

Het zwaartepunt ligt op parallel werk. Een hoofdsessie start subagents die elk een afgebakende taak krijgen. Standaard delen die kinderen dezelfde werkmap, dus schrijven ze door elkaar heen; met de vlag --subagent-worktree-isolation krijgt elk kind een eigen git-worktree en blijft je eigen werkkopie ongemoeid. Het aantal gelijktijdige kinderen schaalt mee met je machine, ongeveer het aantal cores min twee, met een ondergrens van 2 en een bovengrens van 16. Een kind kan zelf geen kinderen starten.

Interessanter voor wie verantwoording moet afleggen: de runtime journaliseert elke start, statuswijziging en stuuractie, zodat je achteraf kunt reconstrueren welk kind wat deed en wanneer. Dat is precies het spoor dat verdween toen OpenAI de instructies tussen de hoofdagent en zijn subagents in Codex ging versleutelen. Wie een incident moet kunnen uitleggen aan een klant of een toezichthouder, heeft aan dat verschil meer dan aan een paar benchmarkpunten.

Er draait ook een set achtergrondagenten mee die de hoofdsessie bewaken: geheugen, vaardigheden en doelbewaking staan aan, verificatie staat uit. Ze zijn nuttig, maar ze doen eigen modelaanroepen en verbruiken dus extra tokens bovenop je sessie. Bij afrekening per token is dat geen detail.

Waar dit heen wijst

Vier weken geleden bracht Meta zijn eerste betaalde model uit; nu staat er een agent naast Claude Code en Codex met een prijs die de gevestigde twee onderbiedt en een grafiek die eerlijk toegeeft dat het model niet de sterkste is. Dat is de vorm die deze markt aanneemt: niet één winnaar bovenaan de ranglijst, maar leveranciers die op prijs, op autonomie en op inzichtelijkheid uit elkaar gaan lopen. De scherpste keuze voor een ontwikkelteam zit niet in de laatste procenten van een benchmark, maar in wat je bereid bent op te geven om ze goedkoper te krijgen: je logboek, je snelheidslimiet, of je code als trainingsvoer.