Meta lancerer Muse Wonder-serien, sine hidtil mest avancerede AI-modeller

Meta annoncerede den 12. oktober 2026 Muse Wonder-serien og præsenterede Muse Wonder og Muse Wonder Full som avancerede modeller til personlige og professionelle agentiske opgaver. Meta beskrev dem som sine hidtil mest avancerede modeller, der er udviklet til at levere topmoderne resultater på opgaver lige fra at håndtere en forsikringssag og forstå en lejekontrakt til at bygge en app, der fungerer.

Muligheder til agentiske opgaver

Ifølge annonceringen bringer Muse Wonder-modellerne nye muligheder inden for ekspertområder som jura, finans og sundhed samt førende kodningsresultater for folk, der bygger alt fra et spil til en app til en ny virksomhed. Meta beskrev lanceringen som noget, der finder sted fjorten måneder efter, at virksomheden begyndte at gennemgribe sine AI-indsatser – en periode, hvor den gik fra at genopbygge sit fundament til at flytte grænserne for AI. Modellerne bygger videre på det grundarbejde, der blev udført med Muse Spark.

Meta byggede de nye modeller op omkring funktioner, som virksomheden kalder Active Memory og Active Focus. Active Memory husker konteksten om en bruger på tværs af samtaler og henter de oplysninger frem, der er relevante for den aktuelle opgave. Active Focus holder modellen på sporet mod et mål, når en opgave bliver vanskelig: Den prøver andre tilgange, retter op på fejl, beder om uddybning, når det er nødvendigt, og søger bekræftelse, før den gennemfører noget vigtigt.

Kodning binder disse funktioner sammen. Metas forskningsblog beskriver softwareudvikling som en proces, hvor man holder styr på krav, foretager ændringer på tværs af en kodebase og gennemgår gentagne runder med test og revision. Bloggen fortæller også, at begge modeller blev trænet på forskelligartede, langvarige opgaver, så de kunne fastholde fremdriften gennem hele processen. Demonstrationerne i indlægget viser Muse Wonder bygge et spilbart 3D-køkkenspil ud fra tilpasningsbare billedinput, sammensætte en løbeplan i en browser ved hjælp af OpenStreetMap-data og med udgangspunkt i personlige præferencer og omstændigheder, designe og bestille specialdesignet merchandise ud fra rigtige fotos fra en personlig Instagram-profil samt udarbejde en personlig bordplan til et bryllup ud fra en liste med komplekse krav til, hvem der skal placeres sammen.

Træning og generalisering

Muse Wonder og Muse Wonder Full blev trænet i Metas Prometheus-datacenter i gigawatt-skala. Lanceringen bygger videre på den skaleringsmetode, Meta beskrev i forbindelse med Muse Spark, og som blev anvendt både til prætræning og forstærkningslæring.

Forskningsbloggen undersøger også, hvordan præstationen på opgaver, der er målrettet under eftertræningen, hænger sammen med præstationen på ukendte opgaver, når beregningsressourcerne ved testtidspunktet øges. Ifølge bloggen er der tale om en bredde af egenskaber, som populære benchmarks inden for nogle få områder ikke fuldt ud kan indfange. Metas analyse sammenligner Muse Spark 1.3 og Muse Wonder Full ved at afbilde hver models score på et samlet mål, der repræsenterer opgaver målrettet under eftertræningen (inden for fordelingen), over for modellens gennemsnitlige præstation på opgaver, der ikke var målrettet under eftertræningen (uden for fordelingen). Meta rapporterede, at begge modeller forbedres omtrent lige meget på opgaver uden for fordelingen, efterhånden som beregningsressourcerne ved testtidspunktet øges, men at Muse Wonder Full, set i forhold til sin præstation inden for fordelingen, klarer sig bedre på ukendte opgaver, end udviklingen for Muse Spark 1.3 ville forudsige. Meta tilskriver dette løft de større og stærkere grundmodeller bag Muse Wonder-serien. Gevinsterne fra eftertræningen overføres mere effektivt til ukendte opgaver, og ifølge bloggen er denne alsidighed vigtig for personlige agenter, der skal håndtere mange forskellige kombinationer af mål, værktøjer og begrænsninger.

Evalueringssæt

Meta oplyste, at Muse Wonder-serien leverer topmoderne resultater på centrale benchmarks for personlige og professionelle agenter, hukommelse og kodning, og offentliggjorde en komplet resultattabel, der sammenligner modellerne med andre avancerede modeller på tværs af et bredt evalueringssæt. De navngivne evalueringer omfatter Harvey’s Legal Agent Benchmark, hvor modellerne skal arbejde med kildedokumenter og følge detaljerede instruktioner for at udarbejde juridiske dokumenter, samt Vals Finance Agent V2 til opgaver for finansagenter. Langtidshukommelse med kontekst måles med MemoryBench, fokus med FocusBench, vedvarende udførelse af langvarige softwareprojekter med SWE-Marathon og kodning over lange forløb med DeepSWE. Meta henviste til en særskilt rapport for yderligere oplysninger om evalueringerne.

Sikkerhed og tilpasning

Meta oplyste, at virksomheden trænede Muse Wonder-familien til ikke at dele private oplysninger uden tilladelse, til at afslå anmodninger om hjælp til at udføre handlinger, der rent faktisk er skadelige, og til at bidrage til at forbedre sikkerheden og styrke forsvaret mod cyberangreb. Da udviklere og sikkerhedsteams kan bruge modeller som Muse Wonder til at finde svagheder i deres egen kode og styrke deres systemer, sørgede Meta ifølge virksomheden for, at modellerne fortsat kan udføre dette arbejde.

Meta beskrev Muse Wonder som modellen med virksomhedens hidtil stærkeste sikkerhedsforanstaltninger mod CBRN-misbrug (kemisk, biologisk, radiologisk og nukleart) og cybermisbrug, samtidig med at adgangen til avancerede cyberfunktioner til defensiv brug bevares. Meta kaldte også Muse Wonder sin hidtil bedst afstemte model. Sikkerhedsevalueringerne, der beskrives i forskningsbloggen, omfatter succesrater for angreb med uautoriseret kodekørsel, overtrædelsesrater ved håndtering af personoplysninger, afvisningsrater ved biologiske risici samt afvisningsrater for cybermisbrug og efterlevelsesrater for cyberforsvar. Meta træner, evaluerer og lancerer sine mest avancerede modeller i overensstemmelse med virksomhedens Meta Superintelligence Scaling Framework og oplyste, at en fuld rapport med yderligere sikkerhedsevalueringer snart vil være tilgængelig.

Tilgængelighed og annoncerede planer

Muse Wonder er tilgængelig via Meta Model API og Muse Code, mens Muse Wonder Full er tilgængelig for abonnenter på Muse Code. Meta sagde, at Muse Wonder snart vil drive oplevelser i Muse, som først bliver rullet ud til abonnenter, og at modellen også vil stå for generering af artefakter og andre processer, der kræver større intelligens. Meta sagde også, at virksomheden vil bruge Muse Wonder til at udvikle specialiserede modeller, som den kan gøre tilgængelige for alle, der bruger Muse.