Muse : édition de médias et code sans confusion

Ce que Muse comprend réellement

Il faut d’abord distinguer trois produits différents, sinon le nom Muse devient vite confus. Muse Image traite les images, Muse Video la vidéo, et Muse Code est conçu pour les tâches de programmation et les grandes bases de code.

L’annonce officielle de Meta sur Muse Image et Muse Video met surtout l’accent sur la génération et l’édition. Muse Image peut composer une image à partir de plusieurs références en combinant personnes, objets, vêtements, styles et environnements. Meta signale aussi de très bons résultats dans les classements Arena de préférences humaines pour la génération et l’édition d’images.

Muse Video est décrit comme un modèle de génération vidéo à partir de texte, également bien noté dans Arena. Toutefois, au 3 septembre 2026, la description officielle ne confirme pas de mode dédié à la suppression d’objets ou au nettoyage d’images, comparable aux gommes vidéo spécialisées.

Le nettoyage d’éléments visuels indésirables semble être un cas d’usage plausible de l’édition multimodale. Mais il s’agit encore d’une hypothèse d’ingénierie, et non d’une fonction annoncée avec des limites claires. Je regarderais particulièrement la stabilité de l’arrière-plan, la conservation de la géométrie et le scintillement entre les images : c’est souvent là que ces pipelines révèlent leurs faiblesses.

La situation est différente pour Muse Code. Des synthèses tierces des documents de Meta citent des scores de 82,9 sur Terminal-Bench 2.1 et de 59,3 sur DeepSWE 1.1. Ces chiffres semblent toutefois liés au protocole d’évaluation interne de Meta, et non à des entrées vérifiées indépendamment dans des classements publics ; il est donc trop tôt pour les comparer directement aux concurrents.

Quand Muse peut réellement changer le flux de travail

Le scénario le plus intéressant pour Muse Code n’est pas la génération d’un projet depuis zéro, mais un second passage sur du code déjà écrit. Le modèle peut aider à simplifier des solutions trop complexes, repérer les abstractions superflues et préparer un correctif plus compact.

Je ne l’évaluerais pas sur une démo spectaculaire, mais sur la qualité du diff dans un dépôt réel : les tests passent-ils toujours, le comportement reste-t-il identique et la complexité baisse-t-elle réellement ? Pour les grandes bases de code, les limites effectives de contexte, le coût des longues sessions et la stabilité de l’agent sont tout aussi déterminants, même si les documents disponibles ne donnent pas de valeurs officielles précises.

Pour l’instant, Muse ressemble moins à un modèle universel qu’à une bannière commune pour plusieurs outils. La vraie question ouverte n’est pas le score, mais la capacité de Muse à retirer systématiquement le superflu sans ajouter une nouvelle couche de magie à l’ancienne.

Nous avons également analysé Seedance 2.0 dans ChatCut : le modèle montre comment les outils génératifs gèrent la dynamique et la physique dans une scène. Cette expérience aide à évaluer le traitement de l’arrière-plan et les artefacts dans Muse.