Le modèle actuel de Muse obtient 47% à l’indice de superintelligence personnelle de Meta

Meta AI Research a annoncé le 6 novembre 2026 le déploiement de versions spécialisées des modèles qui alimentent Muse et Meta AI, entraînées à l’aide de Muse Wonder. Le modèle actuel de Muse obtient 47 % à son indice de superintelligence personnelle, contre 38 % pour le modèle précédent.

La mise à jour apporte la mémoire active et la concentration active aux deux produits. Les modèles déployés sont des versions spécialisées des systèmes existants de Meta, améliorées grâce à Muse Wonder, et non le déploiement de la série Wonder elle-même. Cette approche permet à davantage de personnes de bénéficier, par l’intermédiaire des modèles existants des assistants, des capacités introduites avec Wonder.

Dans son annonce du 12 octobre 2026, Meta a décrit Muse Wonder et Muse Wonder Full comme ses modèles les plus performants à ce jour et indiqué que Wonder alimenterait d’abord les expériences Muse destinées aux abonnés, avant de servir au développement de modèles spécialisés pour tous les utilisateurs de Muse. Ce nouveau déploiement étend ce projet de modèles spécialisés à Muse et à Meta AI.

La mémoire active sélectionne le contexte pertinent

La mémoire active permet aux assistants de retenir les informations importantes et de les retrouver lorsqu’elles deviennent pertinentes dans une conversation ultérieure. L’entraînement porte sur la différence entre les informations temporaires et permanentes, le raisonnement dans le temps et la capacité à reconnaître si des détails restent pertinents ou sont devenus obsolètes. La mémoire devient ainsi une question de sélection et de timing : le modèle doit déterminer quel contexte antérieur s’applique à la situation présente et lequel est devenu obsolète.

Pour les modèles Muse améliorés, Meta fait état d’une réduction de 2,4 fois de l’oubli des informations essentielles aux objectifs des utilisateurs. Selon son évaluation de la mémoire active, le modèle actuel utilise correctement le contexte essentiel dans 90 % des tâches, contre 76 % pour le modèle précédent. Ces chiffres concernent deux aspects distincts du problème : retenir les informations nécessaires à un objectif et appliquer correctement ce contexte pendant une tâche.

La concentration active permet de poursuivre les tâches

La concentration active vise à aider Muse à continuer d’avancer vers un objectif lorsqu’un imprévu interrompt le travail. Meta a entraîné les modèles à faire face à divers obstacles conçus pour refléter des conditions réelles, afin qu’ils puissent persévérer, reprendre leur travail ou envisager d’autres solutions pour l’utilisateur. Pour Muse, Meta fait état d’une amélioration de 67 % dans l’accomplissement des tâches quotidiennes où surviennent des imprévus.

Les modèles spécialisés sont également conçus pour définir la manière dont un agent travaille avec une personne pendant l’exécution d’une tâche. Ils sont conçus pour gérer plusieurs tâches à la fois, choisir entre avancer de manière autonome et collaborer en temps réel, et intégrer des directives ou des précisions sans se laisser désorienter ni perdre de vue la tâche. La persévérance va ainsi de pair avec la réactivité : un agent peut continuer à poursuivre l’objectif tout en changeant de cap lorsque l’utilisateur intervient.

Dans Meta AI, ces mêmes améliorations visent à faire de l’assistant un meilleur partenaire de réflexion et de collaboration. Il peut décomposer les problèmes complexes en étapes claires, poser des questions de suivi plus pertinentes et s’adapter au rythme de l’utilisateur lorsque celui-ci change de direction en cours de conversation.

Pour les utilisateurs, le véritable test du déploiement est la continuité : le contexte utile résiste-t-il aux changements de situation, le travail peut-il reprendre après un obstacle et les corrections peuvent-elles être intégrées sans perdre de vue l’objectif ? Ces comportements relient les résultats annoncés par Meta à la collaboration au quotidien que l’entreprise entend favoriser dans Muse et Meta AI.