El Muse actual obtiene un 47% en el Índice de Superinteligencia Personal de Meta

Meta AI Research anunció el 6 de noviembre de 2026 que está implementando versiones especializadas de los modelos que impulsan Muse y Meta AI, entrenadas con Muse Wonder. El modelo actual de Muse obtuvo un 47 % en su Índice de Superinteligencia Personal, frente al 38 % del modelo anterior.

La actualización incorpora Memoria Activa y Enfoque Activo a ambos productos. Los modelos que se están implementando son versiones especializadas de los sistemas existentes de Meta, mejoradas mediante Muse Wonder, y no una implementación de la propia serie Wonder. Este enfoque pone al alcance de más personas, a través de los modelos existentes de los asistentes, las capacidades que Wonder introdujo.

En su anuncio del 12 de octubre de 2026, Meta describió Muse Wonder y Muse Wonder Full como sus modelos más capaces hasta la fecha y señaló que Wonder impulsaría primero las experiencias de Muse para suscriptores, antes de utilizarse para desarrollar modelos especializados para todas las personas que usan Muse. La nueva implementación extiende ese plan de modelos especializados tanto a Muse como a Meta AI.

La Memoria Activa selecciona el contexto pertinente

La Memoria Activa permite que los asistentes conserven información importante y la recuperen cuando resulte pertinente en una conversación posterior. El entrenamiento abarca la diferencia entre la información temporal y la permanente, el razonamiento a lo largo del tiempo y la capacidad de reconocer cuándo los detalles siguen siendo pertinentes o han quedado obsoletos. Así, la memoria se convierte en un problema de selección y oportunidad: el modelo debe identificar qué contexto anterior es aplicable en ese momento y cuál ha perdido vigencia.

Meta informa que, en los modelos mejorados de Muse, el olvido de información esencial para los objetivos de los usuarios se ha reducido 2,4 veces. La evaluación de Memoria Activa muestra que el modelo actual utiliza correctamente el contexto esencial en el 90 % de las tareas, frente al 76 % del modelo anterior. Estas cifras describen aspectos distintos del problema: conservar la información necesaria para alcanzar un objetivo y aplicar correctamente ese contexto durante una tarea.

El Enfoque Activo mantiene las tareas en marcha

El Enfoque Activo está diseñado para que Muse siga avanzando hacia un objetivo cuando un imprevisto interrumpe el trabajo. Meta entrenó los modelos con diversos obstáculos concebidos para reflejar situaciones del mundo real, de modo que puedan perseverar, recuperarse o buscar alternativas para el usuario. En Muse, Meta informa de una mejora del 67 % en la realización de tareas cotidianas en las que surgen imprevistos.

Los modelos especializados también abordan cómo colabora un agente con una persona mientras se lleva a cabo una tarea. Están diseñados para realizar varias tareas a la vez, elegir entre avanzar de forma independiente o colaborar en tiempo real e incorporar indicaciones o aclaraciones sin confundirse ni perder de vista la tarea. Así, la perseverancia se combina con la capacidad de respuesta: un agente puede seguir avanzando hacia el objetivo y, al mismo tiempo, cambiar de rumbo cuando el usuario interviene.

En Meta AI, se espera que las mismas mejoras conviertan al asistente en un mejor colaborador y compañero para razonar. Puede dividir problemas complejos en pasos claros, formular preguntas de seguimiento más precisas y adaptarse al ritmo del usuario cuando este cambia de dirección en mitad de una conversación.

Para los usuarios, la prueba práctica de esta implementación es la continuidad: que el contexto útil se conserve cuando cambian las circunstancias, que el trabajo se reanude tras los obstáculos y que sea posible incorporar correcciones sin perder de vista el objetivo. Estos comportamientos vinculan los resultados que Meta comunica con la colaboración cotidiana que pretende facilitar en Muse y Meta AI.