Meta presenta la serie Muse Wonder, i suoi modelli di IA più capaci di sempre

Il 12 ottobre 2026 Meta ha annunciato la serie Muse Wonder, presentando Muse Wonder e Muse Wonder Full come modelli all’avanguardia per attività basate su agenti in ambito personale e professionale. Meta li ha descritti come i suoi modelli più capaci finora, progettati per offrire prestazioni all’avanguardia in attività che spaziano dalla gestione di una richiesta di risarcimento assicurativo alla comprensione di un contratto di locazione, fino alla realizzazione di un’app funzionante.

Capacità per le attività basate su agenti

Secondo l’annuncio, i modelli Muse Wonder offrono capacità in settori specialistici come il diritto, la finanza e la sanità, oltre a prestazioni di programmazione all’avanguardia per chi realizza progetti che vanno da un gioco a un’app per una nuova attività. Meta ha presentato il lancio come avvenuto quattordici mesi dopo l’avvio di una revisione complessiva delle sue iniziative nell’ambito dell’IA: un periodo in cui è passata dalla ricostruzione delle proprie fondamenta al superamento delle frontiere tecnologiche. I modelli si basano sulle fondamenta gettate con Muse Spark.

Meta ha sviluppato i nuovi modelli attorno a funzionalità che chiama Active Memory e Active Focus. Active Memory conserva il contesto relativo a un utente tra una conversazione e l’altra e recupera i dettagli pertinenti all’attività da svolgere. Active Focus mantiene il modello orientato verso un obiettivo quando un’attività diventa difficile: prova approcci diversi, rimedia agli errori, chiede chiarimenti quando necessario e verifica con l’utente prima di procedere con qualsiasi azione importante.

La programmazione riunisce queste capacità. Il blog di ricerca di Meta descrive lo sviluppo di software come un processo che consiste nel tenere traccia dei requisiti, apportare modifiche a una base di codice e procedere attraverso cicli ripetuti di test e revisione. Aggiunge che entrambi i modelli sono stati addestrati su attività varie e di lunga durata per mantenere i progressi durante l’intero processo. Le dimostrazioni pubblicate mostrano Muse Wonder mentre crea un gioco da cucina 3D giocabile a partire da immagini personalizzabili, prepara nel browser un piano di corsa usando dati di OpenStreetMap e tenendo conto delle preferenze e delle circostanze personali, progetta e ordina articoli promozionali personalizzati a partire da foto reali tratte da un profilo Instagram personale e prepara una disposizione personalizzata dei posti a un matrimonio a partire da un elenco di requisiti complessi per abbinare gli invitati.

Addestramento e generalizzazione

Muse Wonder e Muse Wonder Full sono stati addestrati nel data center Prometheus di Meta, su scala di gigawatt. Il lancio si basa sull’approccio di scalabilità delineato da Meta con Muse Spark, applicato sia al preaddestramento sia all’apprendimento per rinforzo.

Il blog di ricerca esamina anche il rapporto tra le prestazioni nei compiti mirati durante la fase successiva all’addestramento e quelle nei compiti sconosciuti, al crescere delle risorse di calcolo disponibili al momento del test. Secondo Meta, l’ampiezza delle capacità così misurata non può essere pienamente colta dai benchmark più diffusi, che coprono solo pochi ambiti. L’analisi di Meta confronta Muse Spark 1.3 e Muse Wonder Full, riportando per ciascun modello il punteggio in un indice composito rappresentativo dei compiti mirati durante la fase successiva all’addestramento (in distribuzione) rispetto alla prestazione media nei compiti non mirati durante la stessa fase (fuori distribuzione). Meta ha riferito che entrambi i modelli migliorano in misura simile nei compiti fuori distribuzione al crescere delle risorse di calcolo al momento del test, ma che, a parità di prestazioni in distribuzione, Muse Wonder Full ottiene risultati migliori nei compiti sconosciuti rispetto a quanto previsto dalla tendenza di Muse Spark 1.3. Meta attribuisce questo scarto verso l’alto ai modelli di base più grandi e potenti alla base della serie Muse Wonder: i miglioramenti ottenuti dopo l’addestramento si trasferiscono più efficacemente ai compiti sconosciuti. Secondo il blog, questa versatilità è importante per gli agenti personali, che devono gestire molte combinazioni di obiettivi, strumenti e vincoli.

Suite di valutazione

Meta ha dichiarato che la serie Muse Wonder ottiene risultati all’avanguardia nei principali benchmark per agenti personali e professionali, memoria e programmazione, e ha pubblicato una tabella completa dei risultati che confronta i modelli con altri modelli all’avanguardia in un’ampia suite di valutazione. Tra le valutazioni citate figurano Harvey’s Legal Agent Benchmark, che richiede ai modelli di lavorare con documenti di origine e seguire istruzioni dettagliate per produrre documenti legali, e Vals Finance Agent V2, dedicato alle attività degli agenti finanziari. La memoria contestuale a lungo termine viene misurata con MemoryBench, la capacità di mantenere la concentrazione con FocusBench, l’esecuzione continuativa di progetti software di lunga durata con SWE-Marathon e la programmazione su orizzonti temporali lunghi con DeepSWE. Meta ha rimandato a un rapporto separato per ulteriori dettagli sulle valutazioni.

Sicurezza e allineamento

Meta ha dichiarato di aver addestrato la famiglia Muse Wonder affinché eviti di condividere informazioni private senza autorizzazione, rifiuti le richieste di assistenza nel compiere atti realmente dannosi e contribuisca a migliorare la sicurezza e rafforzare le difese contro gli attacchi informatici. Poiché sviluppatori e team di sicurezza possono usare modelli come Muse Wonder per individuare vulnerabilità nel proprio codice e rafforzare i propri sistemi, Meta ha affermato di essersi assicurata che i modelli possano continuare a svolgere queste attività.

Meta ha descritto Muse Wonder come il modello dotato finora delle sue misure di protezione più efficaci contro gli usi impropri di tipo CBRN (chimico, biologico, radiologico e nucleare) e informatico, pur mantenendo accessibili capacità informatiche all’avanguardia per scopi difensivi, e lo ha definito il suo modello più allineato finora. Le valutazioni di sicurezza descritte nel blog di ricerca riguardano i tassi di successo degli attacchi che eseguono codice senza autorizzazione, i tassi di violazione delle regole sul trattamento delle informazioni personali, i tassi di rifiuto per richieste con rischio biologico, nonché i tassi di rifiuto delle richieste di uso improprio in ambito informatico e quelli di conformità nelle attività di difesa informatica. Meta addestra, valuta e rende disponibili i suoi modelli più capaci in conformità con il Meta Superintelligence Scaling Framework e ha dichiarato che un rapporto completo con ulteriori valutazioni di sicurezza sarà disponibile a breve.

Disponibilità e piani annunciati

Muse Wonder è disponibile tramite Meta Model API e Muse Code, mentre Muse Wonder Full è disponibile per gli abbonati a Muse Code. Meta ha dichiarato che Muse Wonder sarà presto alla base delle esperienze in Muse, con il lancio iniziale per gli abbonati, e che verrà usato anche per generare artefatti e per altri processi che richiedono maggiore intelligenza. Meta ha inoltre dichiarato che userà Muse Wonder per sviluppare modelli specializzati, che potrà rendere disponibili a tutti gli utenti di Muse.