Meta Muse CodeとMuse Spark 1.2、Claude・Codexとの3つの決定的な違い

この記事のまとめ

MetaのMuse Codeは、ターミナルだけで動く新しいコーディングエージェントです。基盤モデルのMuse Spark 1.2と共訓練されており、大規模なコードベースにおける計画、コード作成、検証に対応します。Claude CodeやCodexと比べたときに、違うポイントは3つあります。以下に要点をまとめます。

モデルとエージェントを一緒に訓練した設計になっています。
Terminal-Bench 2.1などのベンチマークでClaude Opus 5に次ぐ位置につけています。
データ提供と引き換えに大幅割引になる2層の価格体系を持っています。
Windows未対応、ベータ版、独立検証がまだ無い点に注意が必要です。

Muse CodeとMuse Spark 1.2の基本

Muse Codeの定義と提供形態

Muse Codeは、ターミナルで動作するコーディングエージェントです。デスクトップアプリは存在せず、ターミナルだけで完結する設計になっています。

Muse Codeは、Meta Superintelligence Labsが2026年8月5日にベータ公開した、ターミナルで動作するコーディングエージェントです。AnthropicのClaude CodeやOpenAIのCodexと比べたとき、デスクトップアプリがなくターミナルだけで動く点が最初の違いです（参照*1）。

インストールはmacOSとLinuxが対象で、「curl -fsSL https://dev.meta.ai/install.sh | bash」という1コマンドで導入できます（参照*2）。

Muse Codeは、大規模なリポジトリでの変更計画、コード作成、結果の検証を担います。複数の永続的なサブエージェントを連携させることもできます。私が生成AIツールを業務で使ってきた経験から言えば、「エージェントがどこで動くか」という実行環境の設計は、性能数値よりも現場への導入しやすさに直結する論点です。ターミナル完結という制約は、チームの開発環境次第で大きな障壁にも、逆に余計なUIなしで使える利点にもなります。

Muse Spark 1.2の位置づけ

Muse Spark 1.2は、Muse Codeを動かすために設計されたコーディング特化モデルです。

Muse Spark 1.2は、コンテキストウィンドウが1,048,576トークンあり、テキストに加えて画像、動画、PDFの入力を受け付け、出力はテキストで返します。パラメータ数や内部のアーキテクチャは公開されておらず、Meta Model API上のIDは「muse-spark-1.2」と「muse-spark-1.2-contributor」の2種類で、旧世代の「muse-spark-1.1」もチェックポイントとして残っています（参照*1）。名前が似ていますが、ビッグデータ処理基盤の「Apache Spark」とは無関係の別物です。

Muse Spark 1.2は、2025年6月に立ち上がったMeta Superintelligence Labsから、4か月で3つ目のリリースにあたります（参照*3）。

1Mトークンという広い文脈と、テキスト以外も読み込める入力の幅により、リポジトリ全体を対象にした計画や検証を1つのセッションで扱えます。APIを利用する際は、「入力の幅」「文脈の広さ」「API ID」の3点を既存のAPI利用ルールと照合する必要があります。私はChatGPTやClaudeなど複数のモデルを同じ業務タスクで比較してきましたが、コンテキストウィンドウの広さは、長文ドキュメントやコードベース全体を扱う場面で体感として差が出ます。スペック上の数字よりも、実際のリポジトリサイズで試すことをおすすめします。

3つの決定的な違いの全体像

Muse CodeとMuse Spark 1.2の特徴を他社ツールと比べたとき、差が出るのは共訓練の設計、ベンチマーク上のポジション、価格設計の3点です。

1つ目は、モデルとエージェントの共訓練という設計です。Metaは、Muse Spark 1.2をMuse Codeと一緒に訓練し、組み合わせたときに最も性能とコーディングの使いやすさを発揮するようにしたとしています。Muse Spark 1.2はMuse Spark 1.1をコーディング向けに更新したモデルにあたります（参照*4）。

2つ目は、ベンチマーク上の位置です。Terminal-Bench 2.1では、Muse Spark 1.2とMuse Codeの組み合わせが82.9%を記録し、Claude Opus 5搭載のClaude Codeが出した86.7%に次ぐ2位で、Codex上のGPT-5.6 Terraの81.8%やGrok Buildの81.6%を上回っています（参照*4）。トップではないものの、最上位グループに位置しています。

3つ目は、価格設計です。Metaは、標準tierを100万入力トークンあたり1.25ドル、100万出力トークンあたり4.25ドルとしつつ、Contributor tierを0.10ドルと0.20ドルに設定しています。Contributor tierに送られたプロンプトと出力は、将来のモデル訓練に使われる可能性があります（参照*5）。

違い1 モデルとエージェントの共訓練

共訓練とロングホライズン最適化

Muse Spark 1.2は、Muse Codeと組み合わせたときに最も性能が出るよう共訓練されています。

訓練には、良い実行経路だけを選び出して学ばせる手法（rejection sampled harness trajectories）と、ゴール設定、コンテキスト圧縮、サブエージェントに関するレシピ最適化が含まれ、Muse Codeのツールセットも組み込まれています（参照*2）。

背景としては、コーディング課題での訓練計算量を大きく増やし環境の多様性を広げたこと、共訓練でハーネスに合わせ込んだこと、Muse Spark 1.1が難しい環境と指示テンプレを生成して候補解を採点し1.2の訓練データを作る自己改善ループを回したこと、の3点が挙げられています（参照*1）。

モデル単体ではなく「モデル＋エージェントの実行環境」を1つの学習対象として訓練した設計です。逆に言えば、Muse Codeの外で利用する場合は、最適化の恩恵が薄れる可能性があります。自社のワークフローで性能を確認してから本番投入を判断すべきです。

イベントログとサブエージェント設計

Muse Codeは、実行の再現と再開を可能にするローカルイベントログを備えています。

Muse Codeはローカルのイベントログを持ち、モデル呼び出し、ツール実行、承認、編集のすべてが追記されます。この単一の情報源によって、実行は同じ結果を再現できる（replay-exact）かつ途中で止まっても続きから再開できる（restart-safe）ものとなり、クラッシュ後もエージェントは停止した地点から再開できます（参照*2）。

ザッカーバーグ氏は、ジョブが大きくなると別々のサブエージェントが分岐し、隔離された作業用の分身ディレクトリ（worktree）で並列に走ると説明しました。作業中のコピーには一切触れず、テストではゲームの6機能を衝突なく同時に構築させたとしています（参照*6）。

この設計は、長時間動かす際の停止や並行編集の衝突に対応するものです。ログが1本にまとまっているため、事後の監査や再現にも利用できます。生成AIの業務導入で私がよく指摘するのは、「出力の品質」よりも「失敗したときに何が起きるか」の設計です。クラッシュ後に再開できるという特性は、長時間のエージェント実行では実務上の安心感に直結します。

同梱スキルとGPUカーネル事例

Muse Codeは、計画・検証・反復を含む長時間の作業に対応するよう設計されています。

Muse Codeにはいくつかの既定スキルが同梱されています。/planはタスクを承認ゲート付きの計画に落とし込み、/grillはその計画が耐えるまでストレステストをかけ、/goalは指定した目的の達成に向けて作業を進めます（参照*2）。

Metaのケーススタディでは、Muse Spark 1.2がMuse Codeの内側で、NVIDIA Hopper GPU向けのKDAとMLAカーネルを、ベースライン実装に対して書き、コンパイルし、プロファイルし改善する作業を、最大24時間、1,000回超のツールコールにわたって繰り返しました（参照*1）。

ケーススタディは能力のデモであり、ベンチマークとは区別して読む必要があります。「GPUカーネルを24時間・1,000回超のツールコールで最適化した」という事例は印象的ですが、自社の業務が同じ条件かどうかを冷静に確認してください。

違い2 ベンチマークとポジション

スコアと比較対象モデル

Muse Codeは、公開ベンチマークで上位グループに位置しています。

Meta自身の評価では、Muse Spark 1.2はTerminal-Bench 2.1で82.9%、DeepSWE v1.1で59.3%に到達し、Muse Spark 1.1の76.2%と53.0%からそれぞれ伸びています（参照*1）。

Terminal-Bench 2.1では、Muse Spark 1.2とMuse Codeの82.9%はClaude Opus 5搭載のClaude Codeの86.7%に次ぐ位置で、Codex上のGPT-5.6 Terraの81.8%とGrok Buildの81.6%を上回りました。DeepSWE 1.1ではMuseが59.3%、Opus 5が65.0%、Codexが64.8%と差が縮まり、Meta社内のコーディングベンチではMuseが70.6%、Opus 5が79.4%でした（参照*4）。

単一の数字だけで判断せず、自社の用途に近いベンチマークを選び、その上での相対関係を軸に評価することが重要です。私がモデルを比較するときも、同じタスクを複数のモデルに与えて結果を見比べるところから始めます。宣伝文句のスコアより、手元のタスクでの動きのほうが正直です。

評価の限界と読み方

公開スコアは、独立検証が出るまで暫定値として扱う必要があります。これはMuse Codeに限った話ではなく、新モデルが出るたびに私が確認してきたことでもあります。

Metaのメソドロジー文書は、エージェントのツール群やシステムプロンプトを含む評価セットアップが他社モデルの強みに合わせて調整されていない可能性があると明記しています。公開時点でベンチマークの数値はすべてベンダー自身が走らせたもので、独立した再現は存在せず、共訓練したハーネス内で測っている以上、一般的な実行環境でのスコアは下がると考えられます（参照*1）。

実務観察としては、MuseとClaudeが同じバグを見つけ同じゲートを通過する正解面ではタイだったものの、深さと仕上がりで差が出て、トークンで節約した分がレビュー工数として戻ってくるとの報告もあります（参照*7）。API料金が安くても、レビューに時間がかかれば総コストは逆転します。この点は、コーディングエージェントを評価するときに見落とされやすい論点です。

違い3 価格とデータ提供の是非

標準tierとContributor tierの価格差

標準tierとContributor tierには、大きな価格差があります。

標準tierの価格はMuse Spark 1.1から据え置きで、100万入力トークンあたり1.25ドル、キャッシュ入力が0.15ドル、100万出力トークンあたり4.25ドルです。Webサーチグラウンディングは1,000クエリあたり2.50ドルで、長文コンテキストのプレミアム加算はなく、注入されたステアリングトークンは課金対象外とされています。

もう一方のmuse-spark-1.2-contributorは、100万入力トークンあたり0.10ドル、キャッシュ入力が0.002ドル、100万出力トークンあたり0.20ドルで、入力で12.5倍、出力で21.25倍の割引にあたります。代わりにMetaは、そのtierに送られたプロンプトと出力を将来のモデル訓練に使う可能性があります（参照*1）。

実測レポートでは、Museが2分58秒・225万トークンで2セント、Claudeが5分31秒・約146万トークンで3.02ドルという結果になり、これはContributor価格での比較で、標準料金なら3回分で約2ドル、約5倍の差になるとされています（参照*7）。

Contributor tierの安さは、データ提供を伴う割引です。したがって、標準tierと単純比較するのは誤りです。コスト試算をするなら、どのデータをContributorに流せるかを先に決め、流せないデータには標準tierの価格を当てる必要があります。

データ提供の法務・ガバナンス論点

Contributor tierを利用する際は、データ提供に関するルールの確認が必要です。

Meta Model APIの現行条項6.2は、割引サービスに対して機密情報、秘密情報、個人情報を送信してはならないと定め、エンドユーザーの所在、開示、対象トラフィックの適格性についての責任を運用者側に置いています（参照*8）。

OpenClawの推奨運用では、承認済みのデータ分類ポリシーが明示的にContributor処理を許可していない限り通常の本番ワークロードには標準のMuse Spark 1.2を使うこと、プロプライエタリなソースコードや未公開の製品計画、顧客記録やサポート会話ログや個人データ、認証情報やアクセストークンやセキュリティインシデント資料、機密契約や財務や社内コミュニケーション、所在や同意状況が確定していないエンドユーザートラフィックはContributorに流さないことを求めています（参照*8）。

エージェント一般の運用については、Five Eyesのガイダンスが、データを永続的に変更する行為や取り消し不能な変更、機微なリソースを扱う操作といったハイインパクトな行動には自律実行ではなく人間の承認を必須とし、失敗やエラーだけでなく判断、ツールコール、データ読み取り、出力までを含む包括的なアクションロギングの取得を求めています（参照*9）。

Contributor tierは、データ分類ポリシーなどのガバナンスが整った上で初めて選択肢になります。「安いから使う」という判断順序は、リスク管理の観点から逆です。まず標準tierで試し、ガバナンス整備が追いついてからContributorの活用を検討するのが現実的な順序です。

導入判断のチェックポイント

導入時に確認すべきは、対応OS、データの扱い、独立検証の有無、レビュー工数の4点です。生成AIの導入支援をしてきた経験から言えば、多くの企業が「動くかどうか」を先に検証しようとしますが、「何を流してよいか」と「誰がレビューするか」を先に決めないと、PoCで止まりやすくなります。

Muse Codeはローンチ時点でWindowsビルドが提供されておらず、museという名前のクローズドソースのネイティブバイナリとして配布されます（参照*1）。Windowsが主な開発環境のチームでは、利用条件を確認する必要があります。

コスト面では、コードに関するデータ保持や利用範囲の条件をMetaがより明確に示すまでは、ごく初期のスタートアップを除く多くの企業にとって標準tierを安全なデフォルトとするのが素直な答えだとされています（参照*5）。安さだけでContributor tierを選ばず、標準tierで試す選択肢があります。

品質面では、MuseとClaudeが正解面でタイでも仕上がりで差が出て、トークンで節約した分がレビュー工数として返ってくるという実務観察があります（参照*7）。API料金の合計だけで判断すると、レビュー担当者の時間コストを見落とすリスクがあります。

導入判断のチェックポイントは、コスト感、機密情報の扱い、対応OS、独立検証の不在、レビュー工数の増加という5点に集約できます。ベータ版に起因する不確実性は残ります。以下に確認しておきたい点をまとめます。

開発端末と実行環境がmacOSまたはLinuxで統一できるかを確認してください。
Contributor tierを使う可能性があるコードとそうでないコードを、あらかじめ分類しておくとよいです。
ベンチマークの数字を鵜呑みにせず、自チームのタスクで小さく検証していきます。
トークン単価だけでなくレビュー時間まで含めた総コストを比較します。

おわりに

Muse CodeとMuse Spark 1.2は、モデルとエージェントをまとめて訓練した設計、Claude Opus 5に次ぐベンチマーク上の位置、データ提供を伴う大幅割引という3つの違いを持ちます。Contributor tierでは、送信されたプロンプトと出力が将来のモデル訓練に使われる可能性があります。この3点は、他のコーディングエージェントにはない独自の設計です。

一方で、ベータ版であること、独立検証がまだ揃っていないこと、Windows未対応であることなど、慎重に扱うべき前提もあります。私が生成AIツールを評価するときに必ず言うのは、「ベンダー自身の数字は出発点にすぎない」ということです。標準tierで自チームのコードを小さく試し、ベンチマークの読み方と運用ルールを確認してから判断するのが、遠回りに見えて最も早い導入の道筋です。

監修者

安達裕哉（あだちゆうや）

デロイトトーマツコンサルティングにて品質マネジメント、人事などの分野でコンサルティングに従事し、その後、監査法人トーマツの中小企業向けコンサルティング部門の立ち上げに参画。大阪支社長、東京支社長を歴任したのち2013年5月にWebマーケティング、コンテンツ制作を行う「ティネクト株式会社」を設立。ビジネスメディア「Books&Apps」を運営。
2023年7月に生成AIコンサルティング、およびAIメディア運営を行う「ワークワンダース株式会社」を設立。ICJ2号ファンドによる調達を実施（1.3億円）。
著書「頭のいい人が話す前に考えていること」が、95万部（2026年6月時点）を売り上げる。
（”2023年・2024年上半期に日本で一番売れたビジネス書”（トーハン調べ／日販調べ））