**메타(Meta)**가 수요일 첫 인공지능 코딩 에이전트 ‘뮤즈 코드(Muse Code)’를 공개하고, 기본 모델 가격을 백만 입력 토큰당 1.25달러로 책정했다. **앤스로픽(Anthropic)**과 **오픈AI(OpenAI)**를 의식한 사실상 ‘가격 공습’이다.
핵심 내용
- 메타, 코딩 에이전트 ‘뮤즈 코드’ 베타 출시… 신규 모델 ‘뮤즈 스파크 1.2(Muse Spark 1.2)’ 기반
- 표준 API 요금은 입력 토큰 백만 개당 1.25달러, 출력 토큰 백만 개당 4.25달러 — 대신 데이터 제공 시 10분의 1 수준까지 떨어지는 기여자 요금제도 병행
- 코딩 벤치마크인 DeepSWE 리더보드에서는 여전히 오픈AI·앤스로픽에 뒤처져
대형 코드베이스 겨냥한 ‘뮤즈 코드’ 베타
뮤즈 코드는 터미널 환경에서 동작하는 에이전트로, 한 줄씩 코드를 제안하는 수준을 넘어 대형 리포지토리 전체를 대상으로 설계, 코드 작성, 검증까지 일괄 처리하도록 설계됐다. 설치는 단일 명령으로 가능하며, 개발 워크플로에 직접 녹아드는 형태다.
최고경영자 **마크 저커버그(Mark Zuckerberg)**는 인터뷰에서 “완결된 소프트웨어 엔지니어링 작업 전체를 맡길 수 있는 수준”이라고 강조했다. 뮤즈 코드는 현재 베타 단계로, 메타가 에이전트와 나란히 개발·학습시킨 코딩 특화 모델 업데이트 ‘뮤즈 스파크 1.2’ 위에서 구동된다.
작업 규모가 커지면 뮤즈 코드는 업무를 여러 하위 에이전트로 분산해 병렬로 처리한다. 이때 각 에이전트는 분리된 워크트리 안에서만 작업해 개발자의 실제 작업 브랜치는 건드리지 않도록 했다. 메타는 내부 테스트에서 이 에이전트가 한 게임 프로젝트에 필요한 신규 기능 6개를 동시에 구현하면서도 충돌 없이 마무리했다고 설명했다.
함께 읽기: 아이폰 18 프로 맥스, 애플 첫 2nm 칩 탑재로 15% 성능 향상 전망
알렉산더 왕 “클로드 코드·코덱스보다 싸게”… 비용으로 승부
메타 슈퍼인텔리전스 랩스를 이끄는 **알렉산더 왕(Alexandr Wang)**은 이번 제품 전략에 대해 “절대 성능보다는 비용 경쟁력에 초점을 맞췄다”며, “일상적인 다수의 개발 워크플로에서 충분히 강력한 선택지”라고 말했다.
개발자는 표준 요금제에서 입력 토큰 백만 개당 1.25달러, 출력 토큰 백만 개당 4.25달러를 지불한다.
이보다 10배 이상 저렴한 기여자 요금제(contributor tier)도 있다. 다만 이 요금제를 택한 사용자는 메타가 에이전트 사용 행태를 관찰하고, 그 결과물을 모델 추가 학습에 활용하는 데 동의해야 한다.
반대로 더 높은 표준 요금을 내는 고객은 자신의 코드와 산출물이 메타의 학습 파이프라인에 전혀 포함되지 않도록 선택할 수 있다.
메타 주가는 최근 2분기 실적 발표 후 약세를 보였다. 회사가 내놓은 보수적인 매출 가이던스와 줄어든 잉여현금흐름 탓에, 투자자들 사이에서는 대규모 설비투자가 언제 수익으로 돌아올지 의문이 커진 상태다. 한편 생성형 AI 가운데 코딩 분야는 현재 가장 수익성이 높은 영역으로 꼽히며, 저커버그가 데이터센터에 쏟아부은 수천억 달러를 회수할 교두보가 될 수 있다는 기대도 있다.
DeepSWE에서 여전히 경쟁사에 뒤… ‘뮤즈 스파크’ 성능 과제
결국 시장의 평가는 숫자로 판가름 난다. 뮤즈 스파크 1.1은 코딩 에이전트를 동일 조건에서 시험하는 DeepSWE 1.1 리더보드에서 53% 점수를 기록했다. 이 벤치마크는 113개의 장기 소프트웨어 엔지니어링 과제를 동일한 테스트 하네스 아래 수행하도록 설계된 평가지표다.
7월 중순 공개된 GPT-5.6 Sol은 같은 테스트에서 73%를, 클로드 오퍼스 5(Claude Opus 5)는 74%를 기록해 메타를 크게 앞섰다.
메타는 지난 7월 초 뮤즈 스파크 1.1을 내놓으며 1세대 모델 대비 “눈에 띄는 개선”이라고 강조했고, 당시에도 사내 연구진은 성능 격차에도 불구하고 일상적인 개발 업무에 모델을 매일 활용하고 있었다.
이후 몇 주 뒤, 한 부사장은 전사 엔지니어를 대상으로 사내 코딩 에이전트 ‘메타코드(MetaCode)’를 통해 매주 최소 한 건 이상의 코드 수정을 제출해 달라고 요청했다. 해당 수정 내역을 차세대 모델 학습 데이터로 활용하기 위해서다.