Поточна модель Muse набрала 47% за Індексом персонального суперінтелекту Meta

Meta AI Research повідомила 6 листопада 2026 року, що розгортає спеціалізовані версії моделей, на яких працюють Muse і Meta AI. Їх навчали за допомогою Muse Wonder. Поточна модель Muse набрала 47% за індексом Personal Superintelligence Index, тоді як попередня модель набрала 38%.

Оновлення додає Active Memory і Active Focus до обох продуктів. Розгортають спеціалізовані версії наявних систем Meta, удосконалені за допомогою Muse Wonder, а не саму серію Wonder. Такий підхід дає змогу поширити можливості, представлені з Wonder, на більше людей завдяки наявним моделям асистентів.

У оголошенні від 12 жовтня 2026 року Meta назвала Muse Wonder і Muse Wonder Full своїми найпотужнішими на той час моделями та повідомила, що спочатку Wonder забезпечуватиме роботу функцій Muse для підписників, а згодом його використовуватимуть для розроблення спеціалізованих моделей для всіх користувачів Muse. Новий запуск поширює цей план зі спеціалізованими моделями на Muse і Meta AI.

Активна пам’ять відбирає доречний контекст

Активна пам’ять дає асистентам змогу зберігати важливу інформацію та знаходити її, коли вона стає доречною для подальшої розмови. Під час навчання моделі опановують різницю між тимчасовою та постійною інформацією, міркування в часі й визначення того, чи залишаються деталі актуальними, чи вже застаріли. Отже, пам’ять — це питання відбору й часу: модель має визначити, який попередній контекст доречний зараз, а який уже втратив актуальність.

За даними Meta, в удосконалених моделях Muse забування інформації, критично важливої для досягнення цілей користувачів, скоротилося у 2,4 раза. Тест Active Memory Eval показує, що поточна модель правильно використовує критично важливий контекст у 90% завдань, тоді як попередня — у 76%. Ці показники стосуються різних аспектів проблеми: збереження інформації, потрібної для досягнення мети, та правильного застосування цього контексту під час виконання завдання.

Активна зосередженість допомагає не переривати виконання завдань

Active Focus має допомагати Muse просуватися до мети, коли роботу перериває несподівана проблема. Meta навчала моделі на різноманітних перешкодах, покликаних відтворювати реальні умови, щоб вони могли продовжувати роботу, відновлювати її після перешкод або шукати альтернативні рішення для користувача. За даними Meta, у Muse на 67% покращилося виконання повсякденних завдань, під час яких виникають несподівані проблеми.

Спеціалізовані моделі також покликані вдосконалити взаємодію агента з людиною під час виконання завдання. Вони мають уміти виконувати кілька завдань одночасно, обирати між самостійним просуванням уперед і співпрацею в реальному часі, а також враховувати вказівки й уточнення, не плутаючись і не втрачаючи з поля зору завдання. Так наполегливість поєднується з чутливістю до змін: агент може й далі рухатися до мети, водночас змінюючи курс, коли втручається користувач.

У Meta AI ті самі вдосконалення мають зробити асистента кращим партнером для обмірковування та співпраці. Він може розбивати складні проблеми на зрозумілі кроки, ставити влучніші уточнювальні запитання й не відставати, коли користувач змінює напрям розмови на ходу.

Для користувачів практична перевірка цього запуску — безперервність роботи: чи зберігається корисний контекст за зміни обставин, чи вдається відновити роботу після перешкод і чи можна врахувати виправлення, не втрачаючи мети. Така поведінка пов’язує результати, про які повідомляє Meta, із повсякденною співпрацею, яку компанія прагне забезпечити в Muse і Meta AI.