Meta avduker Muse Wonder-serien, sine hittil mest kapable KI-modeller

12. oktober 2026 kunngjorde Meta Muse Wonder-serien og lanserte Muse Wonder og Muse Wonder Full som banebrytende modeller for personlige og profesjonelle agentbaserte oppgaver. Meta beskrev dem som sine hittil mest kapable modeller, utviklet for å levere toppmoderne ytelse på oppgaver som spenner fra å navigere i et forsikringskrav og forstå en leiekontrakt til å bygge en fungerende app.

Kapasiteter for agentbaserte oppgaver

Ifølge kunngjøringen bringer Muse Wonder-modellene kapasitet til ekspertområder som juss, finans og helse, i tillegg til banebrytende kodeytelse for folk som bygger alt fra spill til apper for nye virksomheter. Meta framstilte lanseringen som noe som skjer fjorten måneder etter at selskapet begynte en omfattende omlegging av KI-arbeidet sitt – en periode der det gikk fra å bygge opp grunnlaget på nytt til å flytte grensene for hva som er mulig. Modellene bygger videre på grunnarbeidet som ble lagt med Muse Spark.

Meta utviklet de nye modellene rundt funksjoner selskapet kaller Active Memory og Active Focus. Active Memory tar vare på kontekst om en bruker på tvers av samtaler og henter fram opplysningene som er relevante for oppgaven. Active Focus sørger for at modellen fortsetter å arbeide mot et mål når en oppgave blir vanskelig: Den prøver andre framgangsmåter, retter opp feil, ber om avklaringer når det trengs og sjekker med brukeren før den fullfører noe viktig.

Koding knytter disse kapasitetene sammen. Metas forskningsblogg beskriver programvareutvikling som en prosess der man følger med på krav, gjør endringer på tvers av en kodebase og går gjennom gjentatte runder med testing og revisjon. Der står det også at begge modellene ble trent på varierte oppgaver som går over lang tid, slik at de kan opprettholde framdriften gjennom hele prosessen. Demonstrasjoner i innlegget viser Muse Wonder mens modellen bygger et spillbart 3D-kjøkkenspill fra bilder som kan tilpasses, setter sammen en løpeplan i en nettleser ved hjelp av OpenStreetMap-data og basert på personlige preferanser og omstendigheter, utformer og bestiller spesialtilpassede profilartikler fra ekte bilder på en personlig Instagram-profil og lager et tilpasset bordkart til et bryllup ut fra en liste med komplekse krav til hvem som skal sitte sammen.

Trening og generalisering

Muse Wonder og Muse Wonder Full ble trent ved Metas Prometheus-datasenter i gigawatt-skala. Lanseringen bygger videre på skaleringsmetoden Meta beskrev i forbindelse med Muse Spark, og som ble brukt både under forhåndstreningen og i forsterkningslæringen.

Forskningsbloggen undersøker også hvordan ytelsen på oppgaver som inngår i ettertreningen, henger sammen med ytelsen på ukjente oppgaver når beregningskapasiteten ved testing økes – en bredde i kapasitetene som, ifølge Meta, populære referansetester innenfor noen få domener ikke fullt ut kan fange opp. Metas analyse sammenligner Muse Spark 1.3 og Muse Wonder Full. Den viser hver modells poengsum på en sammensatt måling som representerer oppgaver fra ettertreningen (inndistribusjon), opp mot gjennomsnittlig ytelse på oppgaver som ikke inngikk i ettertreningen (utadistribusjon). Meta rapporterte at begge modellene forbedres omtrent like mye på oppgaver utenfor distribusjonen etter hvert som beregningskapasiteten ved testing øker, men at Muse Wonder Full, gitt ytelsen på oppgaver innenfor distribusjonen, presterer bedre på ukjente oppgaver enn trenden for Muse Spark 1.3 skulle tilsi. Meta tilskriver dette løftet de større og sterkere grunnmodellene bak Muse Wonder-serien. Forbedringene etter ettertreningen overføres mer effektivt til ukjente oppgaver, en allsidighet bloggen sier er viktig for personlige agenter som må håndtere mange kombinasjoner av mål, verktøy og begrensninger.

Evalueringspakke

Meta sa at Muse Wonder-serien oppnår toppmoderne resultater på viktige referansetester for personlige og profesjonelle agenter, hukommelse og koding, og publiserte en fullstendig resultattabell som sammenligner modellene med andre banebrytende modeller på tvers av en omfattende evalueringspakke. Blant evalueringene som nevnes, er Harvey’s Legal Agent Benchmark, som krever at modeller arbeider med kildedokumenter og følger detaljerte instruksjoner for å utarbeide juridiske dokumenter, og Vals Finance Agent V2 for oppgaver utført av finansagenter. Langtidshukommelse for kontekst måles med MemoryBench, fokus med FocusBench, vedvarende gjennomføring av langvarige programvareprosjekter med SWE-Marathon og langsiktig koding med DeepSWE. Meta viste til en egen rapport for flere detaljer om evalueringene.

Sikkerhet og tilpasning

Meta sa at selskapet trente Muse Wonder-familien til å unngå å dele privat informasjon uten tillatelse, avslå forespørsler om å bidra til å utføre handlinger som faktisk er skadelige, og arbeide for å forbedre sikkerheten og styrke forsvaret mot cyberangrep. Fordi utviklere og sikkerhetsteam kan bruke modeller som Muse Wonder til å finne svakheter i sin egen kode og styrke systemene sine, sørget Meta for at modellene fortsatt kan utføre dette arbeidet.

Meta beskrev Muse Wonder som modellen med selskapets sterkeste sikkerhetstiltak hittil mot misbruk knyttet til CBRN (kjemiske, biologiske, radiologiske og nukleære trusler) og cyberangrep, samtidig som tilgangen til banebrytende cyberkapasiteter for defensiv bruk opprettholdes. Selskapet kalte også Muse Wonder sin hittil best tilpassede modell. Sikkerhetsevalueringene som beskrives i forskningsbloggen, omfatter suksessrater for angrep med uautorisert kodekjøring, bruddrater for håndtering av personopplysninger, avslagsrater for biologiske risikoer og avslagsrater for cybermisbruk samt etterlevelsesrater for cyberforsvar. Meta trener, evaluerer og lanserer sine mest kapable modeller i tråd med Meta Superintelligence Scaling Framework, og sa at en fullstendig rapport med flere sikkerhetsevalueringer vil bli tilgjengelig snart.

Tilgjengelighet og annonserte planer

Muse Wonder er tilgjengelig via Meta Model API og Muse Code, mens Muse Wonder Full er tilgjengelig for abonnenter på Muse Code. Meta sa at Muse Wonder snart vil drive opplevelser i Muse, først for abonnenter, og at modellen også vil drive generering av artefakter og andre prosesser som krever større intelligens. Meta sa også at selskapet vil bruke Muse Wonder til å utvikle spesialiserte modeller som det kan gjøre tilgjengelige for alle som bruker Muse.