Meta stellt die Muse Wonder Series vor – seine bislang leistungsfähigsten KI-Modelle

Meta kündigte am 12. Oktober 2026 die Muse Wonder Series an und stellte Muse Wonder und Muse Wonder Full als führende Modelle für persönliche und berufliche agentische Aufgaben vor. Meta bezeichnete sie als seine bislang leistungsfähigsten Modelle. Sie sollen Spitzenleistungen bei Aufgaben ermöglichen, die von der Abwicklung eines Versicherungsfalls über das Verstehen eines Mietvertrags bis hin zur Entwicklung einer funktionsfähigen App reichen.

Fähigkeiten für agentische Aufgaben

Laut der Ankündigung bieten die Muse-Wonder-Modelle leistungsstarke Fähigkeiten in Fachgebieten wie Recht, Finanzen und Gesundheit sowie Spitzenleistungen beim Programmieren. Damit richten sie sich an Menschen, die alles Mögliche entwickeln – von einem Spiel bis hin zu einer App für ein neues Unternehmen. Meta stellte die Veröffentlichung als Ergebnis von vierzehn Monaten umfassender Neuausrichtung seiner KI-Bemühungen dar: In dieser Zeit habe das Unternehmen zunächst seine Grundlagen neu aufgebaut und anschließend die Grenzen des technisch Machbaren verschoben. Die Modelle bauen auf den Grundlagen auf, die mit Muse Spark gelegt wurden.

Meta entwickelte die neuen Modelle auf Basis der Funktionen Active Memory und Active Focus. Active Memory behält den Kontext zu einer Person über mehrere Unterhaltungen hinweg bei und ruft die für die jeweilige Aufgabe relevanten Details ab. Active Focus sorgt dafür, dass das Modell auch dann auf ein Ziel hinarbeitet, wenn eine Aufgabe schwierig wird: Es probiert andere Ansätze aus, behebt Fehler, bittet bei Bedarf um Klarstellung und fragt nach, bevor es wichtige Schritte ausführt.

Beim Programmieren greifen diese Fähigkeiten ineinander. Metas Forschungsblog beschreibt die Softwareentwicklung als einen Prozess, bei dem Anforderungen nachverfolgt, Änderungen an einer Codebasis vorgenommen und wiederholt Tests durchgeführt und Überarbeitungen vorgenommen werden. Dem Blog zufolge wurden beide Modelle mit vielfältigen, lang andauernden Aufgaben trainiert, damit sie den Fortschritt über den gesamten Prozess hinweg aufrechterhalten können. Die dort gezeigten Vorführungen präsentieren, wie Muse Wonder anhand anpassbarer Bildeingaben ein spielbares 3D-Küchenspiel entwickelt, im Browser mithilfe von OpenStreetMap-Daten und auf Grundlage persönlicher Vorlieben und Lebensumstände einen Laufplan zusammenstellt, anhand echter Fotos aus einem persönlichen Instagram-Profil individuelle Werbeartikel gestaltet und bestellt sowie aus einer Liste komplexer Zuordnungsvorgaben einen individuellen Sitzplan für eine Hochzeit erstellt.

Training und Generalisierung

Muse Wonder und Muse Wonder Full wurden in Metas Rechenzentrum Prometheus mit einer Leistung im Gigawattbereich trainiert. Die Veröffentlichung baut auf dem Skalierungsansatz auf, den Meta im Zusammenhang mit Muse Spark vorgestellt hatte, und wendet ihn sowohl auf das Vortraining als auch auf das bestärkende Lernen an.

Der Forschungsblog untersucht außerdem, wie die Leistung bei Aufgaben, auf die das Post-Training ausgerichtet war, mit der Leistung bei unbekannten Aufgaben zusammenhängt, wenn die Rechenleistung zur Inferenzzeit skaliert wird. Diese Bandbreite an Fähigkeiten lasse sich, so der Blog, mit gängigen Benchmarks aus einigen wenigen Fachgebieten nicht vollständig erfassen. In Metas Analyse werden Muse Spark 1.3 und Muse Wonder Full verglichen: Für jedes Modell wird die Punktzahl bei einem zusammengesetzten Maß dargestellt, das Aufgaben repräsentiert, auf die das Post-Training ausgerichtet war (In-Distribution), und der durchschnittlichen Leistung bei Aufgaben gegenübergestellt, die nicht zum Gegenstand des Post-Trainings gehörten (Out-of-Distribution). Meta berichtete, dass sich beide Modelle bei Aufgaben außerhalb der Trainingsverteilung mit zunehmender Rechenleistung zur Inferenzzeit ähnlich verbessern. Angesichts seiner Leistung innerhalb der Trainingsverteilung schneide Muse Wonder Full bei unbekannten Aufgaben jedoch besser ab, als der Trend von Muse Spark 1.3 erwarten ließe. Meta führt diesen Leistungsanstieg auf die größeren und leistungsfähigeren Basismodelle der Muse-Wonder-Serie zurück. Die im Post-Training erzielten Verbesserungen übertrügen sich bei ihnen wirksamer auf unbekannte Aufgaben. Laut dem Blog ist diese Vielseitigkeit für persönliche Agenten wichtig, die mit vielen Kombinationen aus Zielen, Werkzeugen und Einschränkungen umgehen müssen.

Evaluierungssuite

Meta erklärte, die Muse Wonder Series erziele bei wichtigen Benchmarks für persönliche und berufliche Agenten, Gedächtnis und Programmieren Ergebnisse auf dem neuesten Stand der Technik. Das Unternehmen veröffentlichte eine vollständige Ergebnistabelle, in der die Modelle anhand einer umfangreichen Evaluierungssuite mit anderen führenden Modellen verglichen werden. Zu den genannten Evaluierungen gehören Harvey’s Legal Agent Benchmark, bei dem Modelle Quelldokumente auswerten und detaillierte Anweisungen befolgen müssen, um juristische Arbeitsergebnisse zu erstellen, sowie Vals Finance Agent V2 für Aufgaben im Bereich Finanzagenten. Das Langzeitgedächtnis für kontextbezogene Informationen wird mit MemoryBench gemessen, die Konzentrationsfähigkeit mit FocusBench, die anhaltende Bearbeitung langfristiger Softwareprojekte mit SWE-Marathon und Programmieraufgaben mit langem Zeithorizont mit DeepSWE. Für weitere Einzelheiten zu den Evaluierungen verwies Meta auf einen separaten Bericht.

Sicherheit und Ausrichtung

Meta erklärte, die Muse-Wonder-Modellfamilie darauf trainiert zu haben, ohne Erlaubnis keine privaten Informationen weiterzugeben, Anfragen zur Unterstützung tatsächlich schädlicher Handlungen abzulehnen und die Sicherheit zu verbessern sowie den Schutz vor Cyberangriffen zu verstärken. Da Entwickler und Sicherheitsteams Modelle wie Muse Wonder nutzen können, um Schwachstellen im eigenen Code aufzuspüren und ihre Systeme sicherer zu machen, habe Meta dafür gesorgt, dass die Modelle diese Aufgaben weiterhin ausführen können.

Meta zufolge bietet Muse Wonder den bislang stärksten Schutz vor dem Missbrauch im Bereich CBRN (chemische, biologische, radiologische und nukleare Gefahren) sowie vor Cybermissbrauch. Zugleich bleibe der Zugang zu führenden Cyberfähigkeiten für defensive Zwecke erhalten. Meta bezeichnete Muse Wonder als sein bislang am stärksten ausgerichtetes Modell. Die im Forschungsblog beschriebenen Sicherheitsevaluierungen umfassen Erfolgsraten bei Angriffen zur unbefugten Codeausführung, Verstöße beim Umgang mit personenbezogenen Informationen, Ablehnungsraten bei biologischen Risiken sowie Ablehnungsraten bei Cybermissbrauch und Einhaltungsraten bei der Cyberabwehr. Meta trainiert, evaluiert und veröffentlicht seine leistungsfähigsten Modelle im Einklang mit seinem Meta Superintelligence Scaling Framework. Ein vollständiger Bericht mit zusätzlichen Sicherheitsevaluierungen werde demnächst verfügbar sein.

Verfügbarkeit und angekündigte Pläne

Muse Wonder ist über die Meta Model API und Muse Code verfügbar, während Muse Wonder Full den Abonnenten von Muse Code zur Verfügung steht. Meta erklärte, Muse Wonder werde demnächst Erlebnisse in Muse ermöglichen und zunächst für Abonnenten eingeführt. Außerdem werde das Modell die Erstellung von Artefakten und andere Prozesse unterstützen, die mehr Intelligenz erfordern. Meta erklärte zudem, Muse Wonder zur Entwicklung spezialisierter Modelle zu nutzen, die allen Nutzern von Muse zur Verfügung gestellt werden können.