Meta dezvăluie seria Muse Wonder, cele mai capabile modele de IA ale sale de până acum

Pe 12 octombrie 2026, Meta a anunțat seria Muse Wonder, prezentând Muse Wonder și Muse Wonder Full drept modele de ultimă generație pentru sarcini agentice personale și profesionale. Meta le-a descris ca fiind cele mai capabile modele ale sale de până acum, concepute pentru a oferi performanțe de ultimă generație în activități diverse, de la gestionarea unei cereri de despăgubire către o companie de asigurări și înțelegerea unui contract de închiriere până la crearea unei aplicații funcționale.

Capabilități pentru sarcini agentice

Potrivit anunțului, modelele Muse Wonder oferă capabilități în domenii de specialitate precum dreptul, finanțele și sănătatea, precum și performanțe de vârf în programare, pentru cei care creează orice, de la un joc până la o aplicație pentru o afacere nouă. Meta a prezentat lansarea ca având loc la paisprezece luni după ce a început o revizuire amplă a eforturilor sale în domeniul IA, perioadă în care a trecut de la reconstruirea fundamentelor la împingerea limitelor. Modelele se bazează pe munca de pionierat depusă pentru Muse Spark.

Meta a construit noile modele în jurul unor funcții pe care le numește Active Memory și Active Focus. Active Memory păstrează contextul despre un utilizator de-a lungul conversațiilor și readuce în discuție detaliile relevante pentru sarcina curentă. Active Focus menține modelul orientat către un obiectiv atunci când o sarcină devine dificilă: încearcă alte abordări, își revine după erori, solicită clarificări când este nevoie și verifică înainte de a duce la bun sfârșit orice acțiune importantă.

Programarea reunește aceste capabilități. Blogul de cercetare al Meta descrie dezvoltarea de software ca pe un proces care presupune urmărirea cerințelor, efectuarea de modificări în întregul cod și parcurgerea unor cicluri repetate de testare și revizuire; mai precizează că ambele modele au fost antrenate cu sarcini diverse, de lungă durată, pentru a-și menține progresul pe tot parcursul procesului. Demonstrațiile din articol arată cum Muse Wonder creează un joc 3D cu tematică de bucătărie, în care se poate juca, pornind de la imagini personalizabile; alcătuiește în browser un program de alergare folosind date OpenStreetMap și ținând cont de preferințele și circumstanțele personale; proiectează și comandă articole promoționale personalizate pe baza unor fotografii reale din profilul personal de Instagram; și pregătește un plan personalizat de așezare a invitaților la nuntă, pornind de la o listă de cerințe complexe privind potrivirea acestora.

Antrenare și generalizare

Muse Wonder și Muse Wonder Full au fost antrenate în centrul de date Prometheus al Meta, construit la scară de gigawați. Lansarea se bazează pe abordarea de extindere pe care Meta a prezentat-o odată cu Muse Spark, aplicată atât în etapa de preantrenare, cât și în cea de învățare prin întărire.

Blogul de cercetare analizează și relația dintre performanța la sarcinile vizate în etapa de post-antrenare și performanța la sarcini nefamiliare, pe măsură ce cresc resursele de calcul alocate în timpul testării; potrivit Meta, amploarea capabilităților nu poate fi surprinsă pe deplin de testele de referință populare, axate pe câteva domenii. Analiza Meta compară Muse Spark 1.3 cu Muse Wonder Full, reprezentând grafic scorul fiecărui model la un indicator compozit pentru sarcinile vizate în etapa de post-antrenare (din distribuția de antrenare), în raport cu performanța medie la sarcinile care nu au fost vizate în etapa de post-antrenare (în afara distribuției de antrenare). Meta a raportat că ambele modele se îmbunătățesc în mod similar la sarcinile din afara distribuției de antrenare pe măsură ce cresc resursele de calcul alocate în timpul testării, dar că, având în vedere performanța sa la sarcinile din distribuția de antrenare, Muse Wonder Full se descurcă mai bine la sarcinile nefamiliare decât ar anticipa tendința observată la Muse Spark 1.3. Meta atribuie această creștere modelelor de bază mai mari și mai performante din spatele seriei Muse Wonder, ale căror progrese obținute în etapa de post-antrenare se transferă mai eficient la sarcinile nefamiliare; potrivit blogului, această versatilitate este importantă pentru agenții personali, care trebuie să gestioneze numeroase combinații de obiective, instrumente și constrângeri.

Suită de evaluare

Meta a declarat că seria Muse Wonder obține rezultate de ultimă generație la testele de referință esențiale pentru agenți personali și profesionali, memorie și programare și a publicat un tabel complet cu rezultatele, care compară modelele cu alte modele de ultimă generație într-o suită amplă de evaluare. Evaluările menționate includ Harvey’s Legal Agent Benchmark, care le cere modelelor să lucreze cu documente-sursă și să respecte instrucțiuni detaliate pentru a produce documente juridice, și Vals Finance Agent V2, pentru sarcini destinate agenților financiari. Memoria contextuală pe termen lung este măsurată cu MemoryBench, capacitatea de concentrare cu FocusBench, execuția susținută în proiecte software de lungă durată cu SWE-Marathon, iar programarea pe orizonturi lungi cu DeepSWE. Meta a indicat un raport separat pentru detalii suplimentare despre evaluare.

Siguranță și aliniere

Meta a declarat că a antrenat familia Muse Wonder să evite divulgarea informațiilor private fără permisiune, să refuze solicitările de a ajuta la comiterea unor acte cu adevărat dăunătoare și să contribuie la îmbunătățirea securității și la consolidarea apărării împotriva atacurilor cibernetice. Întrucât dezvoltatorii și echipele de securitate pot folosi modele precum Muse Wonder pentru a găsi vulnerabilități în propriul cod și a-și consolida sistemele, Meta a spus că s-a asigurat că modelele pot continua să desfășoare astfel de activități.

Meta a descris Muse Wonder ca oferind cele mai solide măsuri de protecție de până acum împotriva utilizării abuzive în domeniul CBRN (chimic, biologic, radiologic și nuclear) și în cel cibernetic, păstrând totodată accesul la capabilități cibernetice de ultimă generație în scopuri defensive, și l-a numit pe Muse Wonder modelul său cel mai bine aliniat de până acum. Evaluările de siguranță descrise în blogul de cercetare acoperă rata de succes a atacurilor care implică executarea neautorizată de cod, rata încălcărilor regulilor privind gestionarea informațiilor personale, rata refuzurilor pentru riscurile biologice, precum și ratele refuzurilor privind utilizarea abuzivă în scopuri cibernetice și ale respectării cerințelor pentru apărarea cibernetică. Meta își antrenează, evaluează și lansează cele mai capabile modele în conformitate cu Meta Superintelligence Scaling Framework și a declarat că un raport complet, cu evaluări suplimentare de siguranță, va fi disponibil în curând.

Disponibilitate și planuri declarate

Muse Wonder este disponibil prin Meta Model API și Muse Code, în timp ce Muse Wonder Full este disponibil pentru abonații Muse Code. Meta a declarat că Muse Wonder va începe în curând să susțină experiențele din Muse, fiind lansat mai întâi pentru abonați, și că va susține, de asemenea, generarea de artefacte și alte procese care necesită mai multă inteligență. Meta a mai declarat că va folosi Muse Wonder pentru a dezvolta modele specializate pe care le va putea pune la dispoziția tuturor celor care folosesc Muse.