Meta представила серию Muse Wonder — свои самые совершенные на сегодня модели ИИ

12 октября 2026 года Meta объявила о выпуске серии Muse Wonder, представив Muse Wonder и Muse Wonder Full как передовые модели для личных и профессиональных задач с использованием ИИ-агентов. Meta назвала их своими самыми мощными на сегодняшний день моделями, созданными для достижения передовых результатов в самых разных задачах — от оформления страхового возмещения и изучения договора аренды до разработки работающего приложения.

Возможности для решения задач с помощью ИИ-агентов

Согласно анонсу, модели Muse Wonder позволяют решать задачи в таких специализированных областях, как право, финансы и здравоохранение, а также обеспечивают передовой уровень программирования для тех, кто создает самые разные продукты — от игры до приложения для нового бизнеса. Meta представила выпуск моделей как следующий этап, наступивший через четырнадцать месяцев после начала масштабной перестройки ее работы в сфере ИИ. За это время компания прошла путь от восстановления основ до продвижения передовых разработок. Новые модели развивают наработки, заложенные при создании Muse Spark.

В основе новых моделей Meta лежат функции, которые компания называет Active Memory и Active Focus. Active Memory сохраняет контекст о пользователе между беседами и возвращает сведения, относящиеся к текущей задаче. Active Focus помогает модели продолжать двигаться к цели, когда задача усложняется: пробовать другие подходы, исправлять ошибки, при необходимости запрашивать уточнения и согласовывать дальнейшие действия, прежде чем выполнять что-либо важное.

Программирование объединяет эти возможности. В исследовательском блоге Meta разработка программного обеспечения описывается как процесс, который включает отслеживание требований, внесение изменений в разные части кодовой базы и многократное тестирование с последующей доработкой. Там также говорится, что обе модели обучали на разнообразных длительных задачах, чтобы они могли последовательно продвигаться на всех этапах этого процесса. В опубликованных демонстрациях Muse Wonder создает играбельную трехмерную игру о кухне на основе настраиваемых изображений, составляет в браузере план пробежек с использованием данных OpenStreetMap и с учетом личных предпочтений и обстоятельств, разрабатывает и заказывает индивидуальную сувенирную продукцию на основе настоящих фотографий из личного профиля Instagram, а также готовит индивидуальную схему рассадки гостей на свадьбе, учитывая список сложных требований к сочетаниям гостей.

Обучение и обобщение

Модели Muse Wonder и Muse Wonder Full обучались в дата-центре Prometheus компании Meta, рассчитанном на гигаваттный масштаб. В основе выпуска лежит подход Meta к масштабированию, описанный при представлении Muse Spark и примененный как к предварительному обучению, так и к обучению с подкреплением.

В исследовательском блоге также рассматривается связь между результатами на задачах, на которые было направлено дообучение, и результатами на незнакомых задачах по мере увеличения объема вычислений на этапе тестирования. По словам Meta, популярные тесты, охватывающие лишь несколько областей, не позволяют в полной мере оценить широту возможностей модели. В своем анализе Meta сравнивает Muse Spark 1.3 и Muse Wonder Full: для каждой модели сопоставляются сводный показатель по задачам, на которые было направлено дообучение (внутри распределения), и средний результат по задачам, не входившим в это обучение (вне распределения). Meta сообщила, что по мере увеличения объема вычислений на этапе тестирования обе модели схожим образом улучшают результаты на задачах вне распределения. Однако с учетом результатов Muse Wonder Full на задачах внутри распределения она справляется с незнакомыми задачами лучше, чем можно было бы ожидать, исходя из тенденции Muse Spark 1.3. Meta связывает это улучшение с более крупными и мощными базовыми моделями, лежащими в основе серии Muse Wonder: результаты их дообучения эффективнее переносятся на незнакомые задачи. Как отмечается в блоге, такая универсальность важна для персональных ИИ-агентов, которым приходится работать с множеством сочетаний целей, инструментов и ограничений.

Комплекс тестов

Meta заявила, что серия Muse Wonder показывает передовые результаты по ключевым тестам для персональных и профессиональных ИИ-агентов, памяти и программирования, и опубликовала полную таблицу результатов, в которой модели сравниваются с другими передовыми моделями по широкому комплексу тестов. Среди упомянутых тестов — Harvey’s Legal Agent Benchmark, в рамках которого модели должны работать с исходными документами и следовать подробным инструкциям при подготовке юридических документов, а также Vals Finance Agent V2 для задач финансовых ИИ-агентов. Долговременную контекстную память оценивают с помощью MemoryBench, способность сохранять концентрацию — с помощью FocusBench, выполнение длительных проектов по разработке программного обеспечения — с помощью SWE-Marathon, а программирование в рамках задач с длинным горизонтом — с помощью DeepSWE. За дополнительной информацией о тестировании Meta направила читателей к отдельному отчету.

Безопасность и соответствие требованиям

Meta заявила, что обучала семейство Muse Wonder не раскрывать личную информацию без разрешения, отклонять просьбы помочь в совершении действий, которые действительно могут причинить вред, а также содействовать повышению безопасности и укреплению защиты от кибератак. Поскольку разработчики и специалисты по безопасности могут использовать модели вроде Muse Wonder для поиска уязвимостей в собственном коде и укрепления своих систем, Meta позаботилась о том, чтобы модели по-прежнему могли выполнять такие задачи.

По словам Meta, Muse Wonder обеспечивает наиболее надежную на сегодняшний день защиту от неправомерного использования в сферах CBRN (химической, биологической, радиологической и ядерной безопасности) и кибербезопасности, сохраняя при этом доступ к передовым возможностям в сфере кибербезопасности для оборонительных целей. Meta также назвала Muse Wonder своей наиболее соответствующей требованиям моделью на сегодняшний день. Описанные в исследовательском блоге проверки безопасности охватывают долю успешных атак с несанкционированным выполнением кода, долю нарушений при обработке личной информации, долю отказов в ответ на запросы, связанные с биологическими рисками, а также доли отказов при попытках неправомерного использования в киберпространстве и соблюдения требований при оборонительном применении кибервозможностей. Meta обучает, оценивает и выпускает свои наиболее мощные модели в соответствии с рамочной системой Meta Superintelligence Scaling Framework. Компания сообщила, что полный отчет с дополнительными оценками безопасности будет опубликован в ближайшее время.

Доступность и объявленные планы

Muse Wonder доступна через Meta Model API и Muse Code, а Muse Wonder Full — подписчикам Muse Code. Meta сообщила, что вскоре Muse Wonder будет обеспечивать работу новых возможностей в Muse, сначала появившись у подписчиков, а также будет использоваться для генерации артефактов и других процессов, требующих более высокого уровня интеллекта. Meta также сообщила, что будет использовать Muse Wonder для разработки специализированных моделей, которые сможет предоставить всем пользователям Muse.