Meta presenta la serie Muse Wonder, sus modelos de IA más capaces hasta la fecha

El 12 de octubre de 2026, Meta anunció la serie Muse Wonder y presentó Muse Wonder y Muse Wonder Full como modelos de vanguardia para tareas agénticas personales y profesionales. Meta los describió como sus modelos más capaces hasta la fecha, diseñados para ofrecer un rendimiento de última generación en tareas que van desde gestionar una reclamación al seguro o entender un contrato de arrendamiento hasta crear una aplicación funcional.

Capacidades para tareas agénticas

Según el anuncio, los modelos Muse Wonder aportan capacidades a ámbitos especializados como el derecho, las finanzas y la salud, además de ofrecer un rendimiento de vanguardia en programación para quienes crean desde un juego hasta una aplicación para un nuevo negocio. Meta presentó el lanzamiento como algo que llega catorce meses después de iniciar una renovación de sus iniciativas de IA; durante ese periodo, pasó de reconstruir sus fundamentos a impulsar la frontera tecnológica. Los modelos se basan en los cimientos establecidos con Muse Spark.

Meta creó los nuevos modelos en torno a unas funciones que denomina Active Memory y Active Focus. Active Memory conserva el contexto de un usuario entre conversaciones y recupera los detalles pertinentes para la tarea en curso. Active Focus mantiene al modelo encaminado hacia un objetivo cuando una tarea se complica: prueba otros enfoques, se recupera de los errores, pide aclaraciones cuando es necesario y consulta al usuario antes de llevar a cabo cualquier acción importante.

La programación integra estas capacidades. En el blog de investigación de Meta se describe el desarrollo de software como un proceso que consiste en seguir los requisitos, realizar cambios en todo el código y completar ciclos repetidos de pruebas y revisiones; también se afirma que ambos modelos se entrenaron con tareas diversas y de larga duración para mantener el progreso durante todo ese proceso. Las demostraciones de la publicación muestran a Muse Wonder creando un juego de cocina en 3D jugable a partir de imágenes personalizables, elaborando en un navegador un plan para correr con datos de OpenStreetMap y teniendo en cuenta las preferencias y circunstancias personales, diseñando y encargando artículos promocionales personalizados a partir de fotos reales de un perfil personal de Instagram y preparando un plano personalizado de asientos para una boda a partir de una lista de requisitos complejos para asignar los lugares.

Entrenamiento y generalización

Muse Wonder y Muse Wonder Full se entrenaron en el centro de datos Prometheus de Meta, de escala de gigavatios. El lanzamiento se basa en el enfoque de escalado que Meta presentó con Muse Spark y que aplicó tanto al preentrenamiento como al aprendizaje por refuerzo.

El blog de investigación también analiza cómo se relaciona el rendimiento en las tareas específicas del posentrenamiento con el rendimiento en tareas desconocidas a medida que aumenta la computación en tiempo de prueba. Según el blog, los puntos de referencia más conocidos, centrados en unos pocos ámbitos, no permiten captar plenamente esta amplitud de capacidades. El análisis de Meta compara Muse Spark 1.3 y Muse Wonder Full: representa la puntuación de cada modelo en una medida compuesta de tareas específicas del posentrenamiento (dentro de la distribución) frente al rendimiento promedio en tareas que no fueron objeto del posentrenamiento (fuera de la distribución). Meta informó que ambos modelos mejoran de manera similar en las tareas fuera de la distribución a medida que aumenta la computación en tiempo de prueba, pero que, dado su rendimiento dentro de la distribución, Muse Wonder Full obtiene mejores resultados en tareas desconocidas de lo que cabría prever según la tendencia de Muse Spark 1.3. Meta atribuye ese desplazamiento al alza a los modelos base más grandes y potentes que sustentan la serie Muse Wonder, cuyas mejoras posteriores al entrenamiento se transfieren con mayor eficacia a tareas desconocidas. Según el blog, esta versatilidad es importante para los agentes personales, que deben afrontar muchas combinaciones de objetivos, herramientas y restricciones.

Conjunto de evaluaciones

Meta afirmó que la serie Muse Wonder logra resultados de última generación en puntos de referencia clave para agentes personales y profesionales, memoria y programación, y publicó una tabla completa de resultados que compara los modelos con otros modelos de vanguardia en un amplio conjunto de evaluaciones. Entre las evaluaciones mencionadas figuran Harvey’s Legal Agent Benchmark, que exige que los modelos trabajen con documentos fuente y sigan instrucciones detalladas para elaborar documentos jurídicos, y Vals Finance Agent V2, para tareas de agentes financieros. La memoria contextual a largo plazo se mide con MemoryBench; la capacidad de concentración, con FocusBench; la ejecución sostenida en proyectos de software de larga duración, con SWE-Marathon; y la programación de largo recorrido, con DeepSWE. Meta remitió a un informe aparte para consultar más detalles sobre las evaluaciones.

Seguridad y alineación

Meta afirmó que entrenó a la familia Muse Wonder para evitar compartir información privada sin permiso, rechazar solicitudes de ayuda para llevar a cabo actos realmente dañinos y contribuir a mejorar la seguridad y reforzar las defensas contra ciberataques. Dado que los desarrolladores y los equipos de seguridad pueden usar modelos como Muse Wonder para encontrar vulnerabilidades en su propio código y fortalecer sus sistemas, Meta afirmó que se aseguró de que los modelos pudieran seguir realizando ese trabajo.

Meta describió Muse Wonder como el modelo que ofrece sus salvaguardas más sólidas hasta la fecha contra el uso indebido de capacidades CBRN (químicas, biológicas, radiológicas y nucleares) y cibernéticas, al tiempo que mantiene el acceso a capacidades cibernéticas de vanguardia para fines defensivos. También calificó Muse Wonder como su modelo más alineado hasta la fecha. Las evaluaciones de seguridad descritas en el blog de investigación abarcan las tasas de éxito de ataques de ejecución de código no autorizada, las tasas de infracción en el tratamiento de información personal, las tasas de rechazo ante riesgos biológicos y las tasas de rechazo del uso indebido de capacidades cibernéticas y de cumplimiento de solicitudes de defensa cibernética. Meta entrena, evalúa y lanza sus modelos más capaces de acuerdo con su Meta Superintelligence Scaling Framework, y afirmó que pronto estará disponible un informe completo con evaluaciones de seguridad adicionales.

Disponibilidad y planes anunciados

Muse Wonder está disponible a través de Meta Model API y Muse Code, mientras que Muse Wonder Full está disponible para los suscriptores de Muse Code. Meta dijo que Muse Wonder pronto impulsará experiencias en Muse, cuyo lanzamiento comenzará primero para los suscriptores, y que también impulsará la generación de artefactos y otros procesos que requieren más inteligencia. Meta también dijo que usará Muse Wonder para desarrollar modelos especializados que podrá ofrecer a todos los usuarios de Muse.