Nykyinen Muse-malli saa 47% Meta-yhtiön henkilökohtaisen superälykkyyden indeksissä

Meta AI Research ilmoitti 6. marraskuuta 2026 tuovansa markkinoille Muse- ja Meta AI -palveluiden taustalla olevista malleista erikoistuneita versioita, jotka on koulutettu Muse Wonderin avulla. Nykyinen Muse-malli sai henkilökohtaisen superälykkyyden indeksissä 47 %, kun edellisen mallin tulos oli 38 %.

Päivitys tuo Active Memoryn ja Active Focusin molempiin tuotteisiin. Käyttöön otettavat mallit ovat erikoistuneita versioita Metan nykyisistä järjestelmistä, joita on parannettu Muse Wonderin avulla; kyse ei siis ole Wonder-sarjan käyttöönotosta sellaisenaan. Näin Wonderin myötä esitellyt ominaisuudet tuodaan useampien ihmisten saataville avustajien nykyisten mallien kautta.

12. lokakuuta 2026 julkaistussa ilmoituksessaan Meta kuvaili Muse Wonderia ja Muse Wonder Fullia tähänastisista malleistaan kyvykkäimmiksi ja kertoi, että Wonderin avulla tuotaisiin ensin uusia ominaisuuksia tilaajien Muse-kokemuksiin. Sen jälkeen Wonderia käytettäisiin erikoistuneiden mallien kehittämiseen kaikkien Musea käyttävien saataville. Uusi käyttöönotto laajentaa tätä erikoistuneiden mallien suunnitelmaa sekä Museen että Meta AI:hin.

Active Memory poimii olennaisen asiayhteyden

Active Memory auttaa avustajia säilyttämään tärkeitä tietoja ja palauttamaan ne mieleen, kun ne ovat merkityksellisiä myöhemmässä keskustelussa. Koulutuksessa käsitellään tilapäisten ja pysyvien tietojen eroa, päättelyä ajan kuluessa sekä sen tunnistamista, ovatko yksityiskohdat yhä olennaisia vai jo vanhentuneita. Muistissa on siis kyse valikoinnista ja ajoituksesta: mallin on tunnistettava, mikä aiempi asiayhteys on nyt merkityksellinen ja mikä on jo vanhentunut.

Meta kertoo, että parannetuissa Muse-malleissa käyttäjien tavoitteiden kannalta kriittisten tietojen unohtaminen on vähentynyt 2,4-kertaisesti. Active Memory Eval -arvioinnin mukaan nykyinen malli hyödyntää kriittistä asiayhteyttä oikein 90 prosentissa tehtävistä, kun edellisen mallin vastaava osuus oli 76 prosenttia. Luvut kuvaavat ongelman eri puolia: tavoitteelle tarpeellisten tietojen säilyttämistä ja niiden asiayhteyden oikeaa hyödyntämistä tehtävän aikana.

Active Focus auttaa viemään tehtävät loppuun

Active Focusin tarkoituksena on pitää Muse etenemässä kohti tavoitetta, vaikka odottamaton haaste keskeyttäisi työn. Meta koulutti malleja monenlaisissa pullonkaulatilanteissa, joiden on tarkoitus vastata todellisia olosuhteita, jotta ne voivat jatkaa sitkeästi, palautua vastoinkäymisistä tai etsiä käyttäjälle vaihtoehtoisia ratkaisuja. Metan mukaan Muse suoriutuu nyt 67 % paremmin arjen tehtävistä, joissa ilmenee odottamattomia ongelmia.

Erikoistuneet mallit käsittelevät myös sitä, miten agentti työskentelee ihmisen kanssa tehtävän ollessa käynnissä. Ne on suunniteltu suoriutumaan useista tehtävistä, valitsemaan itsenäisen etenemisen ja reaaliaikaisen yhteistyön välillä sekä ottamaan huomioon käyttäjän ohjauksen tai tarkennukset hämmentymättä tai kadottamatta tehtävän tavoitetta. Näin sinnikkyys yhdistyy reagointikykyyn: agentti voi jatkaa tavoitteen tavoittelua ja samalla muuttaa suuntaa käyttäjän puuttuessa työhön.

Meta AI:ssa samojen parannusten tarkoituksena on tehdä avustajasta parempi ajattelukumppani ja yhteistyökumppani. Se voi jakaa monimutkaiset ongelmat selkeisiin vaiheisiin, esittää terävämpiä jatkokysymyksiä ja pysyä käyttäjän tahdissa, kun tämä vaihtaa keskustelun suuntaa kesken kaiken.

Käyttäjille käyttöönoton käytännön mittari on jatkuvuus: säilyykö hyödyllinen asiayhteys olosuhteiden muuttuessa, palautuuko työ esteistä huolimatta ja voidaanko korjaukset ottaa huomioon tavoitetta kadottamatta. Nämä toimintatavat yhdistävät Metan raportoimat tulokset arkiseen yhteistyöhön, jota se pyrkii tukemaan Musessa ja Meta AI:ssa.