8月6日、InfoWorldが「Meta launches Muse Code for complex software work with persistent AI agents」と題した記事を公開した。Metaが新たなAIコーディングエージェント「Muse Code」を発表したこと自体はひとつのニュースだが、より注目すべきは評価手法の特異性だ。MetaはベンチマークにおいてAnthropicやOpenAIとの横並び比較を避け、各モデルに最適なエージェントを個別に組み合わせた条件で測定を実施している。この点は、数値をそのまま読み解く際に欠かせない前提となる。
「永続型AIエージェント」と市場参入の文脈
Metaは、複雑なソフトウェア開発タスクを担う永続型AIエージェント（persistent AI agents）を備えたコーディングプラットフォーム「Muse Code」を発表した。永続型AIエージェントとは、セッションをまたいでコンテキスト（文脈・状態）を保持し続けるエージェントのことで、一般的なチャット型AIとは異なり、長期・複数工程にわたるタスクを継続的に処理できる点が特徴だ。
AIコーディングエージェント市場では、AnthropicのClaude CodeやOpenAIのCodexが先行しており、GitHubのCopilot Agentなども加わって競争が激化している。MetaはこれまでLlamaシリーズのオープンソースモデル公開を通じて開発者コミュニティとの関係を築いてきたが、Muse Codeがそのオープン路線の延長に位置するのか、クローズドなエンタープライズ展開を狙うのかは、現時点では記事から明確には読み取れない。LlamaシリーズとMuse Codeの戦略的な位置関係は、今後の続報を待つ必要がある。
ベンチマーク結果：強みと弱みが混在し、評価手法に注意が必要
Muse Codeの基盤モデルであるMuse Spark 1.2について、2つのベンチマークでの結果が公開されている。
- Terminal-Bench 2.1（ターミナル操作・シェルタスクの自律実行能力を測定するベンチマーク）：pass@1スコアで82.9%を記録。Claude Opus 5には及ばないものの、GPT-5.6 Terraをわずかに上回った。
- DeepSWE 1.1（実際のソフトウェアエンジニアリングタスクへの対応能力を測定するベンチマーク）：**59.3%**を記録。こちらはClaude Opus 5、GPT-5.6 Terraの両方を下回る結果となった。
なお、GPT-5.6 TerraはOpenAIのGPT-5系列に属するモデルとされているが、本記事執筆時点では広く普及しているバージョンではなく、読者にとって馴染みが薄い可能性がある。同様に、比較対象として登場するClaude Opus 5についても、Anthropicの最上位クラスのモデル系列に位置するものと理解しておきたい。
この評価において特に注意すべき点がある。MetaはTerminal-Bench 2.1とDeepSWE 1.1の測定において、各モデルにそれぞれ最適なコーディングエージェントを組み合わせて評価している。同一エージェントで横並び比較したわけではない。また、競合の独自モデルが自社専用のツールやプロンプトを使った場合、異なるスコアが出る可能性があることもMeta自身が認めている。ベンチマーク数値はあくまで参考値であり、実際のエンタープライズ案件での性能差は別途検証が必要だ。
モデルとエージェントの統合最適化という設計思想
Muse Codeの差別化軸として打ち出されているのが、モデルとエージェントを分離して評価するのではなく、一体として設計・最適化するというアプローチだ。
Pareekh ConsultingのCEOであるPareekh Jainは、この点について次のように指摘している。
「モデルとエージェントを一緒に最適化することで、計画立案やコンテキスト処理の改善が期待できる。ただし、競争上の優位性を示すには、エンタープライズプロジェクトでより良い成果を出し、人間の介入を減らすことを実証する必要がある」
単なるモデル性能の競争とは異なる軸での差別化を狙ったアプローチとも読めるが、その優位性はベンチマーク上では現時点で明確に示されているわけではない。モデルとエージェントの統合最適化が実際のプロジェクトで差を生むかどうかは、エンタープライズ現場での実績が判断材料となる。ベンチマーク自体の設計にMetaの思想が反映されている点は興味深いが、それがそのまま実力の証明にはなりえない、という見方も成立する。
今後の焦点
AIコーディングエージェントの競争軸は、単体モデルの精度からエージェント全体のシステム品質へと移行しつつある。Muse Codeはその流れに沿った製品設計を採用しているが、Claude CodeやCodexが先行して実績を積み上げている現状では、後発としての明確な優位性を示せるかどうかが問われる。MetaがLlamaシリーズで培ったOSSエコシステムとMuse Codeをどう連携させるか、あるいはさせないかも、開発者コミュニティからの注目点となるだろう。
詳細はMeta launches Muse Code for complex software work with persistent AI agentsを参照していただきたい。
