Den aktuelle Muse-model scorer 47% på Metas indeks for personlig superintelligens

Meta AI Research meddelte den 6. november 2026, at virksomheden udruller specialiserede versioner af modellerne bag Muse og Meta AI, trænet med Muse Wonder. Den aktuelle Muse-model scorer 47 % på virksomhedens indeks for personlig superintelligens mod 38 % for den tidligere model.

Opdateringen bringer Aktiv hukommelse og Aktivt fokus til begge produkter. De modeller, der udrulles, er specialiserede versioner af Metas eksisterende systemer, forbedret gennem Muse Wonder, ikke en udrulning af selve Wonder-serien. Denne tilgang gør de funktioner, der blev introduceret med Wonder, tilgængelige for flere mennesker gennem assistenternes eksisterende modeller.

I sin meddelelse den 12. oktober 2026 beskrev Meta Muse Wonder og Muse Wonder Full som virksomhedens mest avancerede modeller til dato og sagde, at Wonder først ville danne grundlag for Muse-oplevelser for abonnenter, inden teknologien blev brugt til at udvikle specialiserede modeller til alle, der bruger Muse. Den nye udrulning fører denne plan om specialiserede modeller ud i livet for både Muse og Meta AI.

Aktiv hukommelse udvælger relevant kontekst

Aktiv hukommelse gør det muligt for assistenterne at huske vigtige oplysninger og hente dem frem, når de bliver relevante i en senere samtale. Træningen omfatter forskellen mellem midlertidige og permanente oplysninger, ræsonnement over tid og evnen til at genkende, hvornår detaljer stadig er relevante, eller hvornår de er blevet forældede. Dermed bliver hukommelse et spørgsmål om udvælgelse og timing: Modellen skal afgøre, hvilken tidligere kontekst der er relevant nu, og hvilken der er blevet forældet.

For de forbedrede Muse-modeller rapporterer Meta en 2,4 gange mindre risiko for at glemme oplysninger, der er afgørende for brugernes mål. Metas test af aktiv hukommelse viser, at den aktuelle model anvender afgørende kontekst korrekt i 90 % af opgaverne mod 76 % for den tidligere model. Tallene beskriver hver sin del af problemet: at huske de oplysninger, der er nødvendige for at nå et mål, og at anvende denne kontekst korrekt under en opgave.

Aktivt fokus holder opgaverne i gang

Aktivt fokus skal hjælpe Muse med at fortsætte mod et mål, når en uventet udfordring afbryder arbejdet. Meta trænede modellerne med forskellige flaskehalse, der skulle afspejle virkelige forhold, så de kan holde ud, komme sig efter forstyrrelser eller finde andre løsninger for brugeren. I Muse rapporterer Meta en forbedring på 67 % i gennemførelsen af hverdagens opgaver, hvor der opstår uventede problemer.

De specialiserede modeller tager også højde for, hvordan en agent samarbejder med en person, mens en opgave er i gang. De er udviklet til at kunne multitaske, vælge mellem at arbejde selvstændigt og samarbejde i realtid samt indarbejde styring eller præciseringer uden at blive forvirrede eller miste tråden i opgaven. Dermed forbindes vedholdenhed med lydhørhed: En agent kan fortsætte arbejdet mod målet og samtidig ændre kurs, når brugeren griber ind.

I Meta AI skal de samme forbedringer gøre assistenten til en bedre sparringspartner og samarbejdspartner. Den kan opdele komplekse problemer i tydelige trin, stille mere præcise opfølgende spørgsmål og følge med, når brugeren ændrer retning midt i samtalen.

For brugerne er den praktiske prøve på udrulningen kontinuitet: om nyttig kontekst bevares, når omstændighederne ændrer sig, om arbejdet kan genoptages efter forhindringer, og om rettelser kan indarbejdes uden at miste målet af syne. Denne adfærd forbinder Metas rapporterede resultater med det daglige samarbejde, som virksomheden ønsker at understøtte i Muse og Meta AI.