Моделі та платформи ШІ
Meta представила серію Muse Wonder — свої найпотужніші на сьогодні моделі ШІ
Додайте Unite.AI до бажаних джерел у Google
12 жовтня 2026 року Meta оголосила про серію Muse Wonder, представивши Muse Wonder і Muse Wonder Full як передові моделі для особистих і професійних завдань, що потребують автономної дії. Meta назвала їх своїми найпотужнішими на сьогодні моделями, створеними для забезпечення найсучаснішого рівня продуктивності в роботі — від оформлення страхового відшкодування й аналізу договору оренди до створення повноцінного застосунку.
Можливості для автономного виконання завдань
За повідомленням Meta, моделі Muse Wonder здатні працювати у фахових сферах, зокрема в юриспруденції, фінансах і медицині, а також демонструють передові результати в програмуванні — для тих, хто створює будь-що, від гри до застосунку для нового бізнесу. Meta представила цей випуск через чотирнадцять місяців після початку масштабного перегляду своїх зусиль у сфері ШІ; за цей час компанія перейшла від відбудови основ до просування передових розробок. Моделі спираються на фундамент, закладений Muse Spark.
Meta створила нові моделі навколо функцій, які назвала Active Memory і Active Focus. Active Memory зберігає контекст про користувача між розмовами й повертає деталі, важливі для поточного завдання. Active Focus допомагає моделі не відступати від мети, коли завдання ускладнюється: пробувати інші підходи, виправляти помилки, за потреби просити уточнення та перепитувати перед виконанням чогось важливого.
Програмування поєднує ці можливості. У дослідницькому блозі Meta створення програмного забезпечення описано як процес, що передбачає відстеження вимог, внесення змін у різні частини кодової бази та неодноразове тестування й доопрацювання; також зазначено, що обидві моделі навчали на різноманітних тривалих завданнях, щоб вони могли підтримувати поступ на всіх етапах цього процесу. У прикладах із допису Muse Wonder створює придатну до гри 3D-гру про кухню на основі зображень, які можна налаштовувати; складає у браузері план бігу, використовуючи дані OpenStreetMap і враховуючи особисті вподобання та обставини; розробляє й замовляє індивідуальні сувеніри за реальними фотографіями з особистого профілю Instagram; а також готує схему розсадки гостей на весіллі відповідно до переліку складних вимог щодо сумісності.
Навчання та узагальнення
Muse Wonder і Muse Wonder Full навчали в дата-центрі Prometheus компанії Meta потужністю в кілька гігават. Цей випуск продовжує підхід до масштабування, який Meta описала на прикладі Muse Spark і застосувала як до попереднього навчання, так і до навчання з підкріпленням.
У дослідницькому блозі також розглядають, як результати на завданнях, на які орієнтоване додаткове навчання, пов’язані з результатами на незнайомих завданнях зі збільшенням обчислювальних ресурсів під час тестування. За словами Meta, широту можливостей такого типу не можна повністю оцінити за популярними тестами, зосередженими на кількох сферах. У своєму аналізі Meta порівнює Muse Spark 1.3 і Muse Wonder Full: для кожної моделі зіставляють оцінку за комплексним показником, що репрезентує завдання, на які орієнтоване додаткове навчання (внутрішньорозподільні), із середніми результатами на завданнях, на які таке навчання не було орієнтоване (позарозподільні). Meta повідомила, що зі збільшенням обчислювальних ресурсів під час тестування обидві моделі однаково покращують результати на позарозподільних завданнях, але з огляду на результати Muse Wonder Full на внутрішньорозподільних завданнях вона краще справляється з незнайомими завданнями, ніж можна було б очікувати за тенденцією Muse Spark 1.3. Meta пояснює це зміщенням кривої вгору більшими й потужнішими базовими моделями, на яких побудована серія Muse Wonder: здобутки додаткового навчання в них краще переносяться на незнайомі завдання. Як зазначає блог, така універсальність важлива для персональних агентів, яким потрібно працювати з різними поєднаннями цілей, інструментів і обмежень.
Комплекс оцінювання
Meta заявила, що серія Muse Wonder демонструє найсучасніші результати за ключовими тестами для персональних і професійних агентів, роботи з пам’яттю та програмування. Компанія опублікувала повну таблицю результатів, у якій моделі порівнюються з іншими передовими моделями за широким комплексом оцінювань. Серед названих тестів — Harvey’s Legal Agent Benchmark, який вимагає від моделей працювати з первинними документами та дотримуватися докладних інструкцій під час підготовки юридичних документів, і Vals Finance Agent V2 для завдань фінансових агентів. Довготривалу контекстну пам’ять оцінюють за допомогою MemoryBench, зосередженість — FocusBench, тривале виконання завдань у масштабних програмних проєктах — SWE-Marathon, а програмування на довгому горизонті — DeepSWE. За додатковими подробицями про оцінювання Meta відсилає до окремого звіту.
Безпека та узгодженість
Meta заявила, що навчала сімейство Muse Wonder не розголошувати приватну інформацію без дозволу, відмовляти на прохання допомогти вчинити дії, які справді завдадуть шкоди, а також сприяти підвищенню безпеки й посиленню захисту від кібератак. Оскільки розробники та команди з безпеки можуть використовувати моделі на кшталт Muse Wonder для пошуку вразливостей у власному коді й посилення своїх систем, Meta подбала про те, щоб моделі й надалі могли виконувати цю роботу.
Meta описала Muse Wonder як модель із найнадійнішими на сьогодні запобіжниками проти зловживань у сферах CBRN (хімічної, біологічної, радіологічної та ядерної зброї) і кібербезпеки, що водночас зберігає доступ до передових кіберможливостей для оборонного застосування; також компанія назвала Muse Wonder своєю найбільш узгодженою на сьогодні моделлю. Описані в дослідницькому блозі оцінювання безпеки охоплюють частоту успішних атак із несанкціонованим виконанням коду, частоту порушень під час роботи з особистою інформацією, частоту відмов у відповідь на запити, пов’язані з біологічними ризиками, а також частоту відмов у випадках зловживання кіберможливостями й рівень відповідності вимогам кіберзахисту. Meta навчає, оцінює та випускає свої найпотужніші моделі відповідно до Meta Superintelligence Scaling Framework і повідомила, що незабаром опублікує повний звіт із додатковими оцінюваннями безпеки.
Доступність і заявлені плани
Muse Wonder доступна через Meta Model API і Muse Code, тоді як Muse Wonder Full доступна передплатникам Muse Code. Meta повідомила, що незабаром Muse Wonder стане основою функцій у Muse: спочатку вони з’являться для передплатників. Також модель забезпечуватиме створення артефактів та інші процеси, для яких потрібен вищий рівень інтелекту. Meta також повідомила, що використовуватиме Muse Wonder для розроблення спеціалізованих моделей, доступних усім користувачам Muse.
