Meta presenterar Muse Wonder-serien – sina hittills mest kapabla AI-modeller

Den 12 oktober 2026 presenterade Meta Muse Wonder-serien och lanserade Muse Wonder och Muse Wonder Full som banbrytande modeller för agentbaserade uppgifter inom privat- och yrkeslivet. Meta beskrev dem som sina hittills mest kapabla modeller, utvecklade för att leverera toppmodern prestanda i allt från att hantera ett försäkringsärende och förstå ett hyresavtal till att bygga en fungerande app.

Förmågor för agentbaserade uppgifter

Enligt tillkännagivandet ger Muse Wonder-modellerna avancerade förmågor inom expertområden som juridik, finans och hälsa, samtidigt som de erbjuder banbrytande kodningsprestanda för personer som bygger allt från ett spel till en app för ett nystartat företag. Meta beskrev lanseringen som något som sker fjorton månader efter att företaget inledde en översyn av sina AI-satsningar – en period då det gått från att bygga om grunden till att flytta fram gränserna. Modellerna bygger vidare på det grundarbete som lades med Muse Spark.

Meta utvecklade de nya modellerna kring funktioner som företaget kallar Active Memory och Active Focus. Active Memory bevarar sammanhang om en användare mellan olika konversationer och hämtar fram de uppgifter som är relevanta för den aktuella uppgiften. Active Focus hjälper modellen att fortsätta arbeta mot ett mål när en uppgift blir svår: den prövar andra tillvägagångssätt, återhämtar sig efter misstag, ber om förtydliganden vid behov och stämmer av innan den går vidare med något viktigt.

Kodning knyter samman de här förmågorna. Metas forskningsblogg beskriver programvaruutveckling som en process där krav följs upp, ändringar görs i en kodbas och arbetet fortskrider genom upprepade cykler av testning och revidering. Där står också att båda modellerna tränades på varierade uppgifter som pågår under lång tid, så att de kan hålla arbetet i gång genom hela processen. Demonstrationerna i inlägget visar hur Muse Wonder skapar ett spelbart 3D-köksspel utifrån anpassningsbara bildindata, sätter ihop en löpplan i en webbläsare med hjälp av OpenStreetMap-data och utifrån personliga preferenser och omständigheter, utformar och beställer specialanpassade profilprodukter från verkliga foton hämtade från en personlig Instagram-profil samt tar fram en anpassad placeringsplan för ett bröllop utifrån en lista med komplexa krav på vilka gäster som ska placeras tillsammans.

Träning och generalisering

Muse Wonder och Muse Wonder Full tränades i Metas datacenter Prometheus, som har en kapacitet i gigawattklassen. Lanseringen bygger vidare på den skalningsstrategi som Meta beskrev i samband med Muse Spark och som tillämpats på både förträning och förstärkningsinlärning.

Forskningsbloggen undersöker också hur prestanda på uppgifter som modellerna riktats mot under efterträningen förhåller sig till prestanda på obekanta uppgifter när beräkningsresurserna vid testning ökar. Enligt Meta kan populära riktmärken inom några få områden inte fullt ut fånga den bredd av förmågor som detta innebär. Metas analys jämför Muse Spark 1.3 och Muse Wonder Full genom att ställa varje modells poäng på ett sammansatt mått som representerar uppgifter som modellerna riktats mot under efterträningen (inom fördelningen) mot den genomsnittliga prestandan på uppgifter som de inte riktats mot under efterträningen (utanför fördelningen). Meta uppgav att båda modellerna förbättras i ungefär samma takt på uppgifter utanför fördelningen när beräkningsresurserna vid testning ökar, men att Muse Wonder Full, med tanke på sin prestanda inom fördelningen, presterar bättre på obekanta uppgifter än vad utvecklingen för Muse Spark 1.3 skulle förutsäga. Meta tillskriver denna förskjutning uppåt de större och starkare grundmodellerna bakom Muse Wonder-serien. Förbättringarna från efterträningen överförs mer effektivt till obekanta uppgifter, en mångsidighet som enligt bloggen är viktig för personliga agenter som måste hantera många olika kombinationer av mål, verktyg och begränsningar.

Utvärderingssvit

Meta uppgav att Muse Wonder-serien uppnår toppresultat på viktiga riktmärken för personliga agenter och yrkesagenter, minne och kodning. Företaget publicerade också en fullständig resultattabell som jämför modellerna med andra banbrytande modeller i en bred utvärderingssvit. Bland utvärderingarna finns Harvey’s Legal Agent Benchmark, där modellerna måste arbeta med källdokument och följa detaljerade instruktioner för att ta fram juridiska arbetsprodukter, samt Vals Finance Agent V2 för uppgifter inom finansagentområdet. Långtidsminne med kontext mäts med MemoryBench, fokus med FocusBench, uthålligt arbete med långvariga programvaruprojekt med SWE-Marathon och kodning över långa tidshorisonter med DeepSWE. Meta hänvisade till en separat rapport för ytterligare information om utvärderingarna.

Säkerhet och anpassning

Meta uppgav att företaget tränat Muse Wonder-familjen för att inte dela privat information utan tillstånd, för att avböja förfrågningar om hjälp med att utföra handlingar som faktiskt är skadliga och för att bidra till förbättrad säkerhet och starkare skydd mot cyberattacker. Eftersom utvecklare och säkerhetsteam kan använda modeller som Muse Wonder för att hitta brister i sin egen kod och stärka sina system, såg Meta till att modellerna fortfarande kan utföra det arbetet.

Meta beskrev Muse Wonder som en modell med företagets starkaste skydd hittills mot missbruk inom CBRN-området (kemiska, biologiska, radiologiska och nukleära hot) och mot cybermissbruk, samtidigt som den ger tillgång till banbrytande cyberförmågor för defensiv användning. Företaget kallade också Muse Wonder sin hittills mest anpassade modell. Säkerhetsutvärderingarna som beskrivs i forskningsbloggen omfattar andelen lyckade attacker med obehörig kodkörning, andelen överträdelser vid hantering av personuppgifter, andelen avvisade förfrågningar som medför biologiska risker samt andelen avvisade förfrågningar om cybermissbruk och andelen korrekta svar på förfrågningar om cyberförsvar. Meta tränar, utvärderar och lanserar sina mest kapabla modeller i enlighet med företagets Meta Superintelligence Scaling Framework och uppgav att en fullständig rapport med ytterligare säkerhetsutvärderingar kommer att publiceras inom kort.

Tillgänglighet och aviserade planer

Muse Wonder är tillgänglig via Meta Model API och Muse Code, medan Muse Wonder Full är tillgänglig för prenumeranter på Muse Code. Meta uppgav att Muse Wonder snart kommer att driva upplevelser i Muse, först för prenumeranter, och även generering av artefakter och andra processer som kräver större intelligens. Meta uppgav också att företaget kommer att använda Muse Wonder för att utveckla specialiserade modeller som det kan göra tillgängliga för alla som använder Muse.