Meta ha annunciato Muse Wonder, una famiglia di due modelli — Muse Wonder e Muse Wonder Full — presentati come i più capaci dell'azienda sui compiti agentici personali e professionali. Muse Wonder è disponibile da subito via Meta Model API e dentro Muse Code; Muse Wonder Full resta riservato agli abbonati Muse Code. Entrambi sono stati addestrati nel datacenter Prometheus, descritto come gigawatt-scale, e arrivano a quattordici mesi dall'avvio della ricostruzione dello stack AI di Meta, sulla linea tracciata con Muse Spark.
Nei prossimi mesi i modelli dovrebbero alimentare le esperienze dentro Muse, prima per gli abbonati, e occuparsi della generazione di artifact. Il rilascio ha raccolto attenzione anche sulla discussione Hacker News, con 456 punti al momento della stesura.
Cosa cambia
Due concetti danno il tono all'annuncio:
- Active Memory: il modello mantiene il contesto su di te attraverso conversazioni distinte e recupera attivamente i dettagli rilevanti per il task corrente. L'enfasi è sul recupero selettivo più che sul volume di contesto: la capacità di riconoscere quando un'informazione passata torna utile.
- Active Focus: lavoro sostenuto verso un obiettivo difficile, con tentativi di approcci alternativi, gestione dei blocchi e adattamento alle informazioni nuove. Il modello chiede chiarimenti quando servono e verifica prima delle azioni importanti — dettaglio tutt'altro che secondario per un agente che, secondo quanto descritto, può avere accesso a messaggi, calendario e documenti privati.
Sulle valutazioni, Meta dichiara risultati state-of-the-art su agenti, memoria e coding. I benchmark citati sono il Legal Agent Benchmark di Harvey (LAB) per il dominio legale, FocusBench per la capacità di focus e SWE-Marathon per il lavoro su progetti software long-running. Due precisazioni doverose: l'estratto dell'annuncio non include i punteggi numerici, e si tratta di valutazioni auto-dichiarate dal produttore. Il report completo con le valutazioni di sicurezza è annunciato ma non ancora disponibile.
La parte tecnicamente più interessante riguarda la generalizzazione. Meta confronta Muse Spark 1.3 e Muse Wonder Full misurando come le prestazioni sui task visti in post-training si riflettono su task mai visti, al crescere del test-time compute. La conclusione: a parità di punteggio in-distribution, Muse Wonder Full ottiene risultati migliori sul fuori-distribuzione rispetto al trend del modello precedente, e la causa indicata è una base model più forte su cui i guadagni del post-training si trasferiscono meglio. È l'argomento anti-benchmaxxing che l'annuncio stesso evoca. Se costruisci agenti, la questione ti tocca da vicino: le combinazioni di obiettivi, strumenti e vincoli che un agente personale incontra non sono tutte prevedibili in fase di training, quindi la generalizzazione pesa più del punteggio secco.
Le demo mostrano l'agente al lavoro nel browser e tra le app: un piano di corsa costruito su preferenze personali, ordine di materiale personalizzato a partire da foto del proprio profilo Instagram, un tabellone di posti per un matrimonio con vincoli complessi, un gioco 3D generato da immagini di input.
Sul fronte sicurezza, l'annuncio presenta Muse Wonder come il modello più allineato finora per Meta, con salvaguardie contro l'uso improprio CBRN e cyber, mantenendo però capacità cyber di frontiera per usi difensivi secondo il Meta Superintelligence Scaling Framework. Le verifiche arrivano con il report: oggi restano affermazioni.
A chi serve davvero
- Sviluppi agenti destinati a durare nel tempo — memoria tra sessioni, task che si estendono per ore — le due proprietà vendute puntano esattamente lì, e la presenza di SWE-Marathon indica che il coding su progetti esistenti è un caso d'uso dichiarato.
- Usi già Muse Code: Muse Wonder Full è incluso nell'abbonamento, quindi confrontarlo con il modello che usi oggi non costa nulla.
- Lavori con un altro provider di frontiera: l'annuncio non fornisce ancora gli elementi decisivi — prezzi, finestra di contesto, latenza, report di sicurezza completo — per valutare una migrazione.
- Cerchi modelli self-hosted o pesi aperti: la fonte non menziona né l'una né l'altra possibilità.
Alternative
L'estratto non nomina i modelli con cui Meta confronta i propri («other frontier models»), quindi dal materiale fornito non si possono trarre paragoni di prestazioni. Gli equivalenti funzionali sono di dominio pubblico: le linee agentiche e di coding di Anthropic (Claude), OpenAI e Google (Gemini). Senza numeri verificati indipendentemente, la scelta tra questi e Muse Wonder si riduce a ecosistema, accesso API e condizioni commerciali.
Lascia un commento