Meta تكشف عن سلسلة Muse Wonder، أكثر نماذج الذكاء الاصطناعي كفاءةً لديها حتى الآن

أعلنت Meta في 12 أكتوبر 2026 عن سلسلة Muse Wonder، وقدمت Muse Wonder وMuse Wonder Full بوصفهما نموذجين متطورين للمهام التي يؤديها الوكلاء الذكيون في السياقين الشخصي والمهني. ووصفت Meta النموذجين بأنهما الأكثر قدرة حتى الآن، وصُمما لتقديم أداء متطور يضاهي أحدث ما توصلت إليه التقنيات في مهام تتنوع بين متابعة مطالبة تأمين وفهم عقد إيجار وإنشاء تطبيق فعال.

قدرات تنفيذ المهام الوكيلة

بحسب الإعلان، توفر نماذج Muse Wonder قدرات في مجالات تخصصية تشمل القانون والتمويل والصحة، إلى جانب أداء رائد في البرمجة لمن يعملون على إنشاء كل شيء، من لعبة إلى تطبيق لنشاط تجاري جديد. وقدمت Meta هذا الإطلاق على أنه يأتي بعد أربعة عشر شهرًا من بدء إصلاح شامل لجهودها في مجال الذكاء الاصطناعي، وهي فترة انتقلت فيها من إعادة بناء أسسها إلى دفع حدود المجال. وتستند النماذج إلى الأساس الذي أرساه Muse Spark.

بنت Meta النماذج الجديدة على ميزتين تسميهما الذاكرة النشطة والتركيز النشط. تحتفظ الذاكرة النشطة بسياق المستخدم عبر المحادثات، وتستعيد التفاصيل ذات الصلة بالمهمة المطروحة. أما التركيز النشط، فيُبقي النموذج منصبًا على تحقيق الهدف عندما تصبح المهمة صعبة، فيجرّب أساليب أخرى، ويتعافى من الأخطاء، ويطلب توضيحًا عند الحاجة، ويتحقق من المستخدم قبل المضي في أي أمر مهم.

تجمع البرمجة هذه القدرات بعضها إلى بعض. وتصف مدونة Meta البحثية تطوير البرمجيات بأنه عملية تتضمن تتبع المتطلبات، وإجراء تغييرات على امتداد قاعدة الشيفرة، وتكرار دورات الاختبار والتنقيح، وتذكر أن النموذجين دُرّبا على مهام متنوعة وطويلة الأمد للحفاظ على التقدم في جميع مراحل هذه العملية. وتعرض الأمثلة التوضيحية في المنشور Muse Wonder وهو ينشئ لعبة مطبخ ثلاثية الأبعاد قابلة للعب انطلاقًا من مدخلات صور قابلة للتخصيص، ويعدّ خطة للركض في متصفح باستخدام بيانات OpenStreetMap، استنادًا إلى التفضيلات والظروف الشخصية، ويصمم منتجات ترويجية مخصصة ويطلبها باستخدام صور حقيقية مأخوذة من حساب شخصي على Instagram، ويُعِدّ مخططًا مخصصًا لمقاعد حفل زفاف استنادًا إلى قائمة من متطلبات المطابقة المعقدة.

التدريب والتعميم

دُرّب Muse Wonder وMuse Wonder Full في مركز بيانات Prometheus التابع لـMeta، والمصمم للعمل بقدرة على نطاق الغيغاواط. ويستند هذا الإطلاق إلى نهج التوسع الذي أوضحته Meta مع Muse Spark، وطبّقته في مرحلتي التدريب المسبق والتعلم بالتعزيز.

تبحث المدونة البحثية أيضًا في العلاقة بين الأداء في المهام المستهدفة أثناء التدريب اللاحق والأداء في المهام غير المألوفة مع زيادة موارد الحوسبة وقت الاختبار؛ وهو نطاق من القدرات تقول إن المعايير الشائعة في عدد قليل من المجالات لا تستطيع قياسه بالكامل. ويقارن تحليل Meta بين Muse Spark 1.3 وMuse Wonder Full، ويرسم درجة كل نموذج على مقياس مركب يمثل المهام المستهدفة أثناء التدريب اللاحق (داخل التوزيع) مقابل متوسط الأداء في المهام غير المستهدفة أثناء التدريب اللاحق (خارج التوزيع). وأفادت Meta بأن أداء النموذجين يتحسن بمعدلات متقاربة في المهام خارج التوزيع مع زيادة موارد الحوسبة وقت الاختبار، لكن Muse Wonder Full يحقق، بالنظر إلى أدائه داخل التوزيع، أداءً أفضل في المهام غير المألوفة مما يتوقعه المسار الذي رسمه أداء Muse Spark 1.3. وتعزو Meta هذا التحول التصاعدي إلى النماذج الأساسية الأكبر والأقوى التي تستند إليها سلسلة Muse Wonder، إذ تنتقل مكاسبها الناتجة عن التدريب اللاحق بفاعلية أكبر إلى المهام غير المألوفة؛ وهي مرونة تقول المدونة إنها مهمة للوكلاء الشخصيين الذين يتعين عليهم التعامل مع مجموعات متنوعة من الأهداف والأدوات والقيود.

مجموعة التقييم

قالت Meta إن سلسلة Muse Wonder حققت نتائج رائدة في معايير رئيسية للوكلاء الشخصيين والمهنيين والذاكرة والبرمجة، ونشرت جدولًا كاملًا للنتائج يقارن بين النماذج وغيرها من النماذج الرائدة عبر مجموعة واسعة من التقييمات. وتشمل التقييمات المذكورة Harvey’s Legal Agent Benchmark، الذي يتطلب من النماذج العمل على مستندات مصدرية واتباع تعليمات مفصلة لإنتاج مخرجات قانونية، وVals Finance Agent V2 لمهام الوكلاء الماليين. ويُقاس أداء الذاكرة السياقية طويلة الأمد باستخدام MemoryBench، والتركيز باستخدام FocusBench، والتنفيذ المستمر في مشروعات البرمجيات طويلة الأمد باستخدام SWE-Marathon، والبرمجة طويلة الأمد باستخدام DeepSWE. وأشارت Meta إلى تقرير منفصل يتضمن مزيدًا من تفاصيل التقييم.

السلامة والمواءمة

قالت Meta إنها درّبت عائلة Muse Wonder على تجنب مشاركة المعلومات الخاصة دون إذن، ورفض الطلبات التي تهدف إلى المساعدة في ارتكاب أفعال ضارة فعلًا، والعمل على تحسين الأمن وتعزيز الدفاعات ضد الهجمات السيبرانية. وبما أن بإمكان المطورين وفرق الأمن استخدام نماذج مثل Muse Wonder للعثور على ثغرات في شفراتهم وتعزيز أنظمتهم، قالت Meta إنها حرصت على أن تظل النماذج قادرة على أداء هذا العمل.

وصفت Meta نموذج Muse Wonder بأنه يوفر أقوى ضمانات الحماية لديها حتى الآن من إساءة الاستخدام في مجالات الأسلحة الكيميائية والبيولوجية والإشعاعية والنووية (CBRN) ومن إساءة الاستخدام السيبراني، مع الحفاظ على إمكانية الوصول إلى قدرات سيبرانية رائدة لأغراض دفاعية، كما وصفته بأنه أكثر نماذجها توافقًا حتى الآن. وتشمل تقييمات السلامة الواردة في مدونة الأبحاث معدلات نجاح الهجمات التي تنفذ شفرات دون تصريح، ومعدلات انتهاك ضوابط التعامل مع المعلومات الشخصية، ومعدلات رفض الطلبات المرتبطة بالمخاطر البيولوجية، ومعدلات رفض إساءة الاستخدام السيبراني والامتثال لمتطلبات الدفاع السيبراني. وتدرّب Meta نماذجها الأكثر كفاءةً وتقيّمها وتطلقها بما يتماشى مع إطار Meta Superintelligence Scaling Framework، وقالت إن تقريرًا كاملًا يتضمن تقييمات إضافية للسلامة سيصدر قريبًا.

التوافر والخطط المعلنة

يتوفر Muse Wonder عبر Meta Model API وMuse Code، بينما يتوفر Muse Wonder Full لمشتركي Muse Code. وقالت Meta إن Muse Wonder سيشغّل قريبًا تجارب في Muse، وسيبدأ طرحه للمشتركين، كما سيشغّل إنشاء العناصر وعمليات أخرى تتطلب قدرًا أكبر من الذكاء. وأضافت Meta أنها ستستخدم Muse Wonder لتطوير نماذج متخصصة يمكنها إتاحتها لجميع مستخدمي Muse.