Meta dévoile la série Muse Wonder, ses modèles d’IA les plus performants à ce jour

Le 12 octobre 2026, Meta a annoncé la série Muse Wonder, avec le lancement de Muse Wonder et Muse Wonder Full, des modèles de pointe destinés aux tâches agentiques à usage personnel et professionnel. Meta les a présentés comme ses modèles les plus performants à ce jour, conçus pour offrir des résultats à la pointe de la technologie dans des tâches allant de la gestion d’un dossier d’assurance à la compréhension d’un bail, en passant par la création d’une application fonctionnelle.

Des capacités pour les tâches agentiques

Selon l’annonce, les modèles Muse Wonder sont capables d’intervenir dans des domaines spécialisés comme le droit, la finance et la santé, et offrent des performances de pointe en programmation aux personnes qui créent aussi bien un jeu qu’une application pour une nouvelle entreprise. Meta a présenté cette sortie comme intervenant quatorze mois après le lancement de la refonte de ses activités liées à l’IA, une période au cours de laquelle l’entreprise est passée de la reconstruction de ses fondations à la recherche de nouvelles frontières technologiques. Ces modèles s’appuient sur les bases posées avec Muse Spark.

Meta a conçu ces nouveaux modèles autour de fonctionnalités baptisées Active Memory et Active Focus. Active Memory conserve le contexte concernant une personne d’une conversation à l’autre et fait remonter les éléments pertinents pour la tâche en cours. Active Focus permet au modèle de poursuivre un objectif lorsque la tâche se complique : il essaie d’autres approches, se remet des erreurs, demande des précisions lorsque c’est nécessaire et vérifie auprès de l’utilisateur avant de donner suite à toute action importante.

La programmation mobilise l’ensemble de ces capacités. Le blog de recherche de Meta décrit le développement logiciel comme un processus qui consiste à suivre les exigences, à apporter des modifications dans l’ensemble d’une base de code et à enchaîner des cycles de tests et de révisions. Il indique que les deux modèles ont été entraînés sur des tâches variées et de longue durée afin de maintenir leur progression tout au long de ce processus. Les démonstrations présentées dans l’article montrent Muse Wonder en train de créer un jeu de cuisine en 3D jouable à partir d’images personnalisables, d’élaborer dans un navigateur un programme de course à pied fondé sur des données d’OpenStreetMap et adapté aux préférences et à la situation de la personne, de concevoir et de commander des articles personnalisés à partir de vraies photos issues d’un profil Instagram personnel, et de préparer un plan de table de mariage sur mesure à partir d’une liste d’exigences complexes de mise en correspondance.

Entraînement et généralisation

Muse Wonder et Muse Wonder Full ont été entraînés dans le centre de données Prometheus de Meta, d’une capacité de l’ordre du gigawatt. Cette sortie s’inscrit dans la continuité de la méthode de mise à l’échelle présentée par Meta avec Muse Spark et appliquée au préentraînement comme à l’apprentissage par renforcement.

Le blog de recherche étudie également le lien entre les performances sur les tâches ciblées pendant le post-entraînement et celles obtenues sur des tâches inédites, à mesure que la puissance de calcul au moment du test augmente. Selon Meta, les benchmarks populaires couvrant quelques domaines ne peuvent pas rendre pleinement compte de l’étendue des capacités. L’analyse de Meta compare Muse Spark 1.3 et Muse Wonder Full : elle représente, pour chaque modèle, le score obtenu sur un indicateur composite de tâches ciblées pendant le post-entraînement (dans la distribution) par rapport aux performances moyennes sur des tâches qui ne l’étaient pas (hors distribution). Meta a indiqué que les deux modèles progressent de manière similaire sur les tâches hors distribution lorsque la puissance de calcul au moment du test augmente, mais que, compte tenu de ses performances dans la distribution, Muse Wonder Full réussit mieux sur les tâches inédites que ne le laisserait prévoir la tendance observée pour Muse Spark 1.3. Meta attribue cet écart à la taille et à la puissance supérieures des modèles de base à l’origine de la série Muse Wonder, dont les gains obtenus après le post-entraînement se transfèrent plus efficacement aux tâches inédites. Selon le blog, cette polyvalence est importante pour les agents personnels qui doivent gérer de nombreuses combinaisons d’objectifs, d’outils et de contraintes.

Batterie d’évaluation

Meta a déclaré que la série Muse Wonder obtient des résultats de pointe sur des benchmarks clés portant sur les agents personnels et professionnels, la mémoire et la programmation. L’entreprise a publié un tableau complet des résultats comparant ces modèles à d’autres modèles de pointe dans le cadre d’une vaste batterie d’évaluation. Parmi les évaluations citées figurent Harvey’s Legal Agent Benchmark, qui demande aux modèles de travailler à partir de documents sources et de suivre des instructions détaillées pour produire des documents juridiques, ainsi que Vals Finance Agent V2, consacré aux tâches des agents financiers. MemoryBench mesure la mémoire contextuelle à long terme, FocusBench évalue la capacité à rester concentré, SWE-Marathon teste l’exécution soutenue de projets logiciels de longue durée et DeepSWE évalue la programmation sur de longues séquences. Meta a renvoyé à un rapport distinct pour obtenir des précisions supplémentaires sur les évaluations.

Sécurité et alignement

Meta a indiqué avoir entraîné la famille Muse Wonder à ne pas divulguer d’informations privées sans autorisation, à refuser les demandes visant à aider à commettre des actes réellement nuisibles, ainsi qu’à contribuer à améliorer la sécurité et à renforcer les défenses contre les cyberattaques. Comme les développeurs et les équipes de sécurité peuvent utiliser des modèles comme Muse Wonder pour repérer les failles de leur propre code et renforcer leurs systèmes, Meta a veillé à ce que les modèles puissent toujours effectuer ce travail.

Meta a présenté Muse Wonder comme le modèle doté de ses mesures de protection les plus solides à ce jour contre les risques CBRN (chimiques, biologiques, radiologiques et nucléaires) et les usages malveillants dans le domaine cyber, tout en préservant l’accès à des capacités cyber de pointe à des fins défensives. L’entreprise a également qualifié Muse Wonder de modèle le mieux aligné qu’elle ait créé à ce jour. Les évaluations de sécurité décrites dans le blog de recherche portent sur les taux de réussite des attaques visant à exécuter du code sans autorisation, les taux de violation des règles relatives au traitement des informations personnelles, les taux de refus face aux risques biologiques, ainsi que les taux de refus des demandes d’usage malveillant dans le domaine cyber et de conformité des réponses liées à la cyberdéfense. Meta entraîne, évalue et commercialise ses modèles les plus performants conformément à son cadre Meta Superintelligence Scaling Framework. L’entreprise a indiqué qu’un rapport complet présentant des évaluations de sécurité supplémentaires serait bientôt disponible.

Disponibilité et projets annoncés

Muse Wonder est disponible via l’API Meta Model et Muse Code, tandis que Muse Wonder Full est accessible aux abonnés de Muse Code. Meta a indiqué que Muse Wonder alimentera bientôt des expériences dans Muse, dont le déploiement commencera auprès des abonnés, et qu’il servira également à générer des artefacts et à exécuter d’autres processus nécessitant davantage d’intelligence. Meta a également indiqué qu’elle utilisera Muse Wonder pour développer des modèles spécialisés qu’elle pourra proposer à tous les utilisateurs de Muse.