Meta onthult de Muse Wonder-serie, zijn meest capabele AI-modellen tot nu toe

Meta kondigde op 12 oktober 2026 de Muse Wonder-serie aan, met Muse Wonder en Muse Wonder Full als grensverleggende modellen voor persoonlijke en professionele taken voor AI-agenten. Volgens Meta zijn dit zijn capabelste modellen tot nu toe. Ze zijn ontwikkeld om toonaangevende prestaties te leveren bij uiteenlopende werkzaamheden, van het afhandelen van een verzekeringsclaim en het begrijpen van een huurcontract tot het bouwen van een werkende app.

Mogelijkheden voor taken van AI-agenten

Volgens de aankondiging bieden de Muse Wonder-modellen mogelijkheden op specialistische vakgebieden, waaronder rechten, financiën en gezondheidszorg. Ook leveren ze grensverleggende prestaties bij het programmeren, voor iedereen die iets bouwt, van een game tot een app voor een nieuw bedrijf. Meta presenteerde de lancering als de volgende stap, veertien maanden nadat het was begonnen met een grondige herziening van zijn AI-inspanningen. In die periode ging het bedrijf van het opnieuw opbouwen van de basis naar het verleggen van de grenzen. De modellen bouwen voort op het voorbereidende werk voor Muse Spark.

Meta baseerde de nieuwe modellen op functies die het Active Memory en Active Focus noemt. Active Memory houdt de context over een gebruiker bij tijdens gesprekken en haalt de details naar voren die relevant zijn voor de taak op dat moment. Active Focus zorgt ervoor dat het model naar een doel blijft toewerken wanneer een taak moeilijk wordt: het probeert andere benaderingen, herstelt van fouten, vraagt zo nodig om verduidelijking en overlegt voordat het belangrijke stappen uitvoert.

Programmeren brengt deze mogelijkheden samen. Op de onderzoeksblog van Meta wordt software bouwen beschreven als een proces waarin vereisten worden bijgehouden, wijzigingen in een codebase worden aangebracht en herhaaldelijk wordt getest en bijgesteld. Ook staat er dat beide modellen zijn getraind met uiteenlopende, langdurige taken, zodat ze tijdens dat hele proces vooruitgang kunnen blijven boeken. In demonstraties in het bericht bouwt Muse Wonder een speelbare 3D-keukengame op basis van aanpasbare afbeeldingen, stelt het in een browser een hardloopschema samen met OpenStreetMap-gegevens en op basis van persoonlijke voorkeuren en omstandigheden, ontwerpt en bestelt het gepersonaliseerde merchandise op basis van echte foto’s van een persoonlijk Instagram-profiel en maakt het een op maat gemaakte tafelschikking voor een bruiloft aan de hand van een lijst met complexe vereisten voor de tafelindeling.

Training en generalisatie

Muse Wonder en Muse Wonder Full zijn getraind in Meta’s Prometheus-datacenter op gigawattniveau. De lancering bouwt voort op de schaalbenadering die Meta bij Muse Spark uiteenzette en die het toepaste op zowel pretraining als reinforcement learning.

De onderzoeksblog gaat ook in op de relatie tussen de prestaties op taken waarop tijdens de post-training is gericht en die op onbekende taken, wanneer de rekenkracht tijdens het testen wordt opgeschaald. Volgens Meta is dit een breedte aan mogelijkheden die populaire benchmarks op enkele domeinen niet volledig kunnen meten. Meta’s analyse vergelijkt Muse Spark 1.3 met Muse Wonder Full. Daarbij wordt de score van elk model op een samengestelde maatstaf voor taken waarop tijdens de post-training is gericht (in-distribution) afgezet tegen de gemiddelde prestaties op taken waarop tijdens de post-training niet is gericht (out-of-distribution). Meta meldde dat beide modellen op out-of-distributiontaken vergelijkbare vooruitgang boeken naarmate de rekenkracht tijdens het testen toeneemt. Gezien de prestaties van Muse Wonder Full op in-distributiontaken presteert het model echter beter op onbekende taken dan op basis van de trend voor Muse Spark 1.3 zou worden verwacht. Meta schrijft die hogere prestaties toe aan de grotere en krachtigere basismodellen achter de Muse Wonder-serie. De verbeteringen uit de post-training dragen bij die modellen effectiever over op onbekende taken. Volgens de blog is die veelzijdigheid belangrijk voor persoonlijke AI-agenten, die met allerlei combinaties van doelen, hulpmiddelen en beperkingen moeten kunnen omgaan.

Evaluatiesuite

Meta meldde dat de Muse Wonder-serie toonaangevende resultaten behaalt op belangrijke benchmarks voor persoonlijke en professionele AI-agenten, geheugen en programmeren. Het bedrijf publiceerde een volledige resultatentabel waarin de modellen op een brede evaluatiesuite worden vergeleken met andere grensverleggende modellen. De genoemde evaluaties zijn onder meer Harvey’s Legal Agent Benchmark, waarvoor modellen met brondocumenten moeten werken en gedetailleerde instructies moeten volgen om juridische documenten op te stellen, en Vals Finance Agent V2 voor taken van financiële AI-agenten. Langetermijngeheugen voor context wordt gemeten met MemoryBench, focus met FocusBench, langdurige uitvoering van softwareprojecten met SWE-Marathon en programmeren over langere trajecten met DeepSWE. Meta verwees voor aanvullende evaluatiedetails naar een apart rapport.

Veiligheid en afstemming

Meta zei dat het de Muse Wonder-familie heeft getraind om geen privégegevens te delen zonder toestemming, verzoeken om hulp bij daadwerkelijk schadelijke handelingen af te wijzen en de beveiliging te verbeteren en de verdediging tegen cyberaanvallen te versterken. Omdat ontwikkelaars en beveiligingsteams modellen als Muse Wonder kunnen gebruiken om kwetsbaarheden in hun eigen code op te sporen en hun systemen te versterken, heeft Meta ervoor gezorgd dat de modellen dat werk nog steeds kunnen uitvoeren.

Volgens Meta biedt Muse Wonder tot nu toe de sterkste waarborgen tegen misbruik op het gebied van CBRN (chemisch, biologisch, radiologisch en nucleair) en cybermisbruik, terwijl defensieve toegang tot grensverleggende cybermogelijkheden behouden blijft. Meta noemde Muse Wonder zijn best afgestemde model tot nu toe. De veiligheidsevaluaties die in de onderzoeksblog worden beschreven, omvatten het succespercentage van aanvallen met ongeoorloofde code-uitvoering, het percentage overtredingen bij de omgang met persoonsgegevens, het percentage weigeringen bij biologische risico’s en de percentages voor weigering van cybermisbruik en naleving bij cyberdefensie. Meta traint, evalueert en brengt zijn meest capabele modellen uit volgens het Meta Superintelligence Scaling Framework. Ook meldde het bedrijf dat binnenkort een volledig rapport met aanvullende veiligheidsevaluaties beschikbaar komt.

Beschikbaarheid en aangekondigde plannen

Muse Wonder is beschikbaar via de Meta Model API en Muse Code, terwijl Muse Wonder Full beschikbaar is voor abonnees van Muse Code. Meta zei dat Muse Wonder binnenkort ervaringen binnen Muse mogelijk zal maken, waarbij abonnees als eerste aan de beurt zijn, en dat het ook zal worden gebruikt voor het genereren van artefacten en andere processen die meer intelligentie vereisen. Meta zei ook dat het Muse Wonder zal gebruiken om gespecialiseerde modellen te ontwikkelen die het beschikbaar kan maken voor iedereen die Muse gebruikt.