Meta prezentuje serię Muse Wonder — swoje najpotężniejsze jak dotąd modele AI

12 października 2026 r. Meta zaprezentowała serię Muse Wonder, wprowadzając modele Muse Wonder i Muse Wonder Full jako czołowe modele do osobistych i zawodowych zadań realizowanych przez agentów. Meta określiła je jako swoje najpotężniejsze dotąd modele, stworzone z myślą o zapewnianiu najnowocześniejszej wydajności w zadaniach obejmujących zarówno prowadzenie sprawy o wypłatę odszkodowania z ubezpieczenia, jak i analizę umowy najmu czy tworzenie działającej aplikacji.

Możliwości w zakresie zadań realizowanych przez agentów

Jak wynika z zapowiedzi, modele Muse Wonder oferują zaawansowane możliwości w takich dziedzinach wymagających specjalistycznej wiedzy jak prawo, finanse i ochrona zdrowia, a także czołową wydajność w programowaniu, przydatną osobom tworzącym zarówno gry, jak i aplikacje dla nowych firm. Meta przedstawiła premierę jako wydarzenie następujące czternaście miesięcy po rozpoczęciu przebudowy swoich działań w obszarze AI — w tym czasie firma odbudowała podstawy i zaczęła przesuwać granice możliwości. Modele opierają się na podstawach stworzonych wraz z Muse Spark.

Meta oparła nowe modele na funkcjach, które nazywa Active Memory i Active Focus. Active Memory zachowuje kontekst dotyczący użytkownika między kolejnymi rozmowami i przywołuje informacje istotne dla danego zadania. Active Focus pomaga modelowi dążyć do celu, gdy zadanie staje się trudne: wypróbowywać inne podejścia, odzyskiwać sprawność po błędach, w razie potrzeby prosić o wyjaśnienia oraz upewniać się przed podjęciem istotnych działań.

Programowanie łączy te możliwości. Wpis na blogu badawczym Meta opisuje tworzenie oprogramowania jako proces śledzenia wymagań, wprowadzania zmian w całej bazie kodu oraz wielokrotnego testowania i poprawiania, a także podaje, że oba modele trenowano na różnorodnych, długotrwałych zadaniach, aby potrafiły utrzymywać postępy na każdym etapie tego procesu. Przedstawione we wpisie demonstracje pokazują, jak Muse Wonder tworzy grywalną grę 3D o tematyce kuchennej na podstawie obrazów, które można dostosowywać; układa w przeglądarce plan biegowy, korzystając z danych OpenStreetMap i uwzględniając osobiste preferencje oraz okoliczności; projektuje i zamawia spersonalizowane gadżety na podstawie prawdziwych zdjęć z prywatnego profilu na Instagramie; a także przygotowuje plan usadzenia gości na weselu na podstawie listy złożonych wymagań dotyczących dopasowania.

Trening i uogólnianie

Modele Muse Wonder i Muse Wonder Full trenowano w centrum danych Prometheus firmy Meta, którego zapotrzebowanie na moc liczy się w gigawatach. Premiera opiera się na podejściu do skalowania, które Meta przedstawiła przy okazji Muse Spark i zastosowała zarówno podczas wstępnego trenowania, jak i uczenia przez wzmacnianie.

Wpis na blogu badawczym analizuje również, jak wyniki w zadaniach uwzględnionych podczas trenowania następczego wiążą się z wynikami w nieznanych zadaniach w miarę zwiększania mocy obliczeniowej dostępnej w czasie testowania. Według Meta popularne benchmarki obejmujące kilka dziedzin nie pozwalają w pełni uchwycić tak szerokiego zakresu możliwości. W analizie Meta porównuje Muse Spark 1.3 z Muse Wonder Full, zestawiając wyniki każdego modelu na łącznym wskaźniku reprezentującym zadania uwzględnione podczas trenowania następczego (z rozkładu treningowego) ze średnimi wynikami w zadaniach nieuwzględnionych podczas tego treningu (spoza rozkładu treningowego). Meta poinformowała, że wraz ze zwiększaniem mocy obliczeniowej dostępnej w czasie testowania oba modele osiągają podobną poprawę wyników w zadaniach spoza rozkładu treningowego. Jednak biorąc pod uwagę wyniki Muse Wonder Full w zadaniach z rozkładu treningowego, model ten osiąga lepsze wyniki w nieznanych zadaniach, niż można by przewidywać na podstawie trendu dla Muse Spark 1.3. Meta przypisuje tę przewagę większym i silniejszym modelom bazowym, na których opiera się seria Muse Wonder; uzyskane podczas trenowania następczego ulepszenia skuteczniej przekładają się w ich przypadku na wyniki w nieznanych zadaniach. Jak podaje blog, ta wszechstronność ma znaczenie w przypadku osobistych agentów, którzy muszą radzić sobie z wieloma kombinacjami celów, narzędzi i ograniczeń.

Zestaw testów

Meta poinformowała, że seria Muse Wonder osiąga najnowocześniejsze wyniki w kluczowych benchmarkach oceniających osobistych i zawodowych agentów, pamięć oraz programowanie. Firma opublikowała pełną tabelę wyników porównującą te modele z innymi czołowymi modelami w szerokim zestawie testów. Wśród wymienionych testów znalazły się Harvey’s Legal Agent Benchmark, w którym modele muszą pracować z dokumentami źródłowymi i postępować zgodnie ze szczegółowymi instrukcjami, aby przygotowywać opracowania prawne, oraz Vals Finance Agent V2, służący do oceny zadań agentów finansowych. Pamięć kontekstową długoterminową mierzy się za pomocą MemoryBench, koncentrację — FocusBench, zdolność do długotrwałej pracy nad projektami programistycznymi — SWE-Marathon, a programowanie w długim horyzoncie — DeepSWE. Meta odesłała do osobnego raportu zawierającego dodatkowe informacje o ewaluacji.

Bezpieczeństwo i dostosowanie

Meta poinformowała, że trenowała rodzinę Muse Wonder tak, aby modele nie udostępniały prywatnych informacji bez pozwolenia, odmawiały próśb o pomoc w popełnianiu rzeczywiście szkodliwych czynów, a także pracowały nad poprawą bezpieczeństwa i wzmacnianiem zabezpieczeń przed cyberatakami. Ponieważ deweloperzy i zespoły ds. bezpieczeństwa mogą wykorzystywać modele takie jak Muse Wonder do wykrywania luk we własnym kodzie i wzmacniania swoich systemów, Meta zadbała o to, by modele nadal mogły wykonywać takie zadania.

Meta określiła Muse Wonder jako model oferujący najsilniejsze jak dotąd zabezpieczenia przed nadużyciami związanymi z zagrożeniami chemicznymi, biologicznymi, radiologicznymi i nuklearnymi (CBRN) oraz cybernadużyciami, przy jednoczesnym zachowaniu dostępu do czołowych możliwości cybernetycznych do celów obronnych. Firma nazwała Muse Wonder najlepiej dostosowanym do swoich założeń modelem w swojej dotychczasowej ofercie. Opisane na blogu badawczym ewaluacje bezpieczeństwa obejmują odsetek udanych ataków polegających na nieautoryzowanym wykonaniu kodu, odsetek naruszeń zasad postępowania z danymi osobowymi, odsetek odmów w przypadku zagrożeń biologicznych oraz odsetek odmów w przypadku cybernadużyć i zgodności z wymaganiami dotyczącymi cyberobrony. Meta trenuje, ocenia i udostępnia swoje najpotężniejsze modele zgodnie z ramami Meta Superintelligence Scaling Framework. Firma poinformowała, że pełny raport z dodatkowymi ewaluacjami bezpieczeństwa zostanie opublikowany wkrótce.

Dostępność i ogłoszone plany

Muse Wonder jest dostępny za pośrednictwem Meta Model API i Muse Code, a Muse Wonder Full jest dostępny dla subskrybentów Muse Code. Meta poinformowała, że Muse Wonder wkrótce będzie zasilać rozwiązania dostępne w Muse, a wdrażanie rozpocznie się od subskrybentów. Model będzie też odpowiadać za generowanie artefaktów i inne procesy wymagające większej inteligencji. Meta poinformowała również, że wykorzysta Muse Wonder do opracowania wyspecjalizowanych modeli, które udostępni wszystkim użytkownikom Muse.