For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/de/articles/meta-muse-wonder-explained-active-memory-ec6c8869.md.
Meta hat **Muse Wonder** und **Muse Wonder Full** vorgestellt, die bislang leistungsfähigsten Modelle des Unternehmens für agentische Aufgab...
Meta hat Muse Wonder und Muse Wonder Full vorgestellt, die bislang leistungsfähigsten Modelle des Unternehmens für agentische Aufgaben im privaten und beruflichen Umfeld.
Die beiden Modelle sind für Aufgaben konzipiert, die über die Beantwortung eines einzelnen Prompts hinausgehen. Sie können wichtigen Kontext bewahren, mehrstufige Ziele bearbeiten, Tools und Software einsetzen und sich weiter anpassen, wenn eine Aufgabe schwierig wird oder sich die Umgebung verändert.
Im Zentrum der Veröffentlichung stehen zwei Konzepte, die Meta Active Memory und Active Focus nennt.
Bei Active Memory geht es darum, sich über Gespräche hinweg an Wichtiges zu erinnern und diese Informationen abzurufen, wenn sie relevant werden. Active Focus beschreibt die Fähigkeit, bei längeren Workflows auf die Aufgabe fokussiert zu bleiben: Alternativen auszuprobieren, Hindernisse zu überwinden, sich an neue Informationen anzupassen und vor folgenreichen Handlungen um Klärung zu bitten.
Muse Wonder ist über die Meta Model API und Muse Code verfügbar. Muse Wonder Full steht Abonnenten von Muse Code zur Verfügung. Meta erklärt, dass Muse Wonder auch Erlebnisse innerhalb von Muse unterstützen wird, zunächst für Abonnenten.
Die offizielle Model Card nennt ein Kontextfenster von 1 Million Tokens, multimodale Eingaben über Text, Bilder, Video und Audio sowie Textausgabe.
| Spezifikation | Muse Wonder / Wonder Full |
|---|---|
| Veröffentlichungsdatum | 12. Oktober 2026 |
| Kontextfenster | 1 Mio. Tokens |
| Eingabemodalitäten | Text, Bild, Video, Audio |
| Ausgabemodalität | Text |
| Primärer Fokus | Agentische Aufgaben im privaten und beruflichen Umfeld |
| Zugang zu Muse Wonder | Meta Model API und Muse Code |
| Zugang zu Muse Wonder Full | Muse-Code-Abonnement |
Für API-Nutzer listet Meta Muse Wonder derzeit mit 4 US-Dollar pro Million Input-Tokens, 0,20 US-Dollar pro Million gecachter Input-Tokens und 20 US-Dollar pro Million Output-Tokens.
Meta erklärt, dass die Veröffentlichung von Muse Wonder der jüngste Schritt eines umfassenderen Neuaufbaus seines KI-Stacks ist.
Vierzehn Monate vor dem Launch begann das Unternehmen mit einer von Grund auf erfolgenden Überarbeitung seiner Bemühungen im Bereich künstliche Intelligenz. Dieser Prozess führte zunächst zur Muse-Spark-Familie und nun zu den größeren Muse-Wonder-Modellen.
Während Muse Spark Effizienz und zunehmend leistungsfähiges agentisches Verhalten betonte, steigt Muse Wonder auf Metas Skalierungsleiter weiter nach oben.
Meta erklärt, dass die Modelle in seinem Prometheus-Rechenzentrum im Gigawatt-Maßstab trainiert wurden und Fortschritte beim Pretraining und beim Reinforcement Learning kombinieren.
Das erklärte Ziel des Unternehmens ist persönliche Superintelligenz: KI-Systeme, die Ziele und Kontext einer Person verstehen, über Tools und Anwendungen hinweg arbeiten und bei komplexen Aufgaben sowohl im beruflichen als auch im alltäglichen Umfeld helfen können.
Das ist eine ambitionierte Einordnung, doch die konkretere Veränderung bei Muse Wonder lässt sich einfacher beschreiben: Meta entwickelt Modelle, von denen erwartet wird, dass sie Arbeit über längere Zeiträume hinweg fortsetzen, mehr Kontext bewahren und als Agenten zuverlässiger agieren.
Meta bewertet Muse Wonder und Muse Wonder Full in den Bereichen persönliche und berufliche Agenten, Gedächtnis, Coding, Computernutzung und allgemeines Schlussfolgern.
Die Model Card des Unternehmens vergleicht die beiden Modelle mit Systemen wie GPT-6 Astra, Claude Fable 5.1 und Claude Opus 5.5 bei maximalem Reasoning-Aufwand.
Einige repräsentative Ergebnisse aus Metas veröffentlichter Scorecard sind nachfolgend aufgeführt.
| Benchmark | Muse Wonder Full | Muse Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|
| Harvey LAB-AA | 13,1 | 10,0 | 8,6 | 4,2 |
| AutomationBench-AA | 45,4 | 39,1 | 41,6 | 41,2 |
| JobBench | 75,3 | 70,5 | 66,1 | 75,4 |
| OSWorld V2.1 partial | 78,4 | 72,6 | 75,8 | 81,8 |
| MemoryBench | 85,5 | 85,6 | 81,4 | 81,5 |
| Terminal-Bench 4.0-AA | 57,1 | 52,0 | 59,1 | 59,6 |
| DeepSWE 1.1 | 79,0 | 78,8 | 74,1 | 74,2 |
| SWE-Marathon | 57,5 | 53,1 | 42,5 | 46,3 |
| Artificial Analysis Index | 56 | 52 | 53 | 58 |
Diese Ergebnisse benötigen Kontext.
Metas Scorecard kombiniert mehrere Arten von Nachweisen: von Meta durchgeführte Bewertungen, Ergebnisse Dritter, offizielle Leaderboards und von Anbietern berichtete Werte. Die Model Card weist ausdrücklich darauf hin, dass die Ausführungen für Wettbewerber nach bestem Bemühen erfolgen und Prompts, Tools, Harnesses und Laufzeitkonfigurationen möglicherweise nicht für jedes proprietäre Modell gleichermaßen optimiert sind.
Die Tabelle ist daher nützlich, um zu verstehen, wo Meta die Muse-Wonder-Familie als wettbewerbsfähig ansieht. Sie sollte jedoch nicht als ein einziges universelles Ranking gelesen werden.
Muse Wonder wurde entwickelt, um spezialisiertes Wissen auf reale berufliche Aufgaben anzuwenden.
Meta hebt insbesondere drei Bereiche hervor:
Das Ziel besteht nicht lediglich darin, Fachfragen aus dem Gedächtnis zu beantworten. Viele der Bewertungen verlangen, dass das Modell mit Quellenmaterial arbeitet, detaillierte Anweisungen befolgt und ein nutzbares Arbeitsergebnis erstellt.
Zum Beispiel bewertet Harvey's Legal Agent Benchmark juristische Arbeit anhand bereitgestellter Falldokumente und detaillierter Aufgabenanforderungen.
Vals Finance Agent V2 konzentriert sich auf Workflows von Finanzanalysten, die Recherche über Unternehmensberichte und Marktinformationen erfordern.
HealthBench Pro testet Gesundheitsfragen auf professionellem Niveau mithilfe von Bewertungsrastern, die von Ärzten erstellt wurden.
Diese Benchmarks spiegeln eine breitere Entwicklung bei agentischer KI wider: Vom Modell wird zunehmend erwartet, Fachwissen mit Dokumentenverarbeitung, Recherche und Aufgabenausführung zu kombinieren.
Dies ersetzt dennoch nicht die Notwendigkeit einer fachlichen Prüfung. Metas Model Card warnt ausdrücklich, dass Muse Wonder ungenaue, voreingenommene oder anstößige Antworten erzeugen kann und Nutzer das Modell für ihre konkrete Anwendung validieren sollten.
Gedächtnis ist eines der zentralen Themen von Muse Wonder.
Meta bezeichnet seinen Ansatz als Active Memory.
Die Idee dahinter: Ein nützlicher persönlicher oder beruflicher Agent sollte nicht nur Informationen aus früheren Interaktionen speichern. Er muss auch erkennen, wann ein altes Detail wieder relevant wird, und es in die aktuelle Aufgabe einbringen.
Das ist in Workflows wie den folgenden wichtig:
Meta bewertet dieses Verhalten mit MemoryBench, einem internen Benchmark für lange, komplexe Gespräche mit ungefähr 64.000 bis 100.000 Tokens.
Die Gespräche enthalten mehrere Fakten, Ablenkungen, widersprüchliche Informationen und spätere Aktualisierungen. Das Modell muss erkennen, welche Informationen weiterhin gültig sind, und auf Nachfrage das richtige Detail abrufen.
Meta berichtet in seinem veröffentlichten Vergleich einen MemoryBench-Wert von 85,6 für Muse Wonder und 85,5 für Muse Wonder Full.
Das erinnert daran, dass das größere Modell nicht zwangsläufig in jedem einzelnen Benchmark führt.
Sich an Kontext zu erinnern, ist nur ein Teil eines nützlichen Agenten.
Das Modell muss auch weiter auf das Ziel des Nutzers hinarbeiten.
Meta nennt dies Active Focus.
In der Praxis bedeutet das, dass Muse Wonder darauf trainiert ist:
Meta bewertet dieses Verhalten mit FocusBench, einem internen Benchmark für Aufgaben persönlicher Agenten in Bereichen wie Wohnen, Reisen, IT und Finanzen.
Für Softwarearbeit wird nachhaltige Ausführung zudem durch SWE-Marathon getestet, der langfristige Engineering-Projekte bewertet.
Der wichtige Unterschied besteht darin, dass Active Focus nicht einfach „mehr Reasoning-Tokens“ bedeutet. Es ist ein Verhaltensziel: über einen langen Verlauf auf die tatsächliche Aufgabe ausgerichtet zu bleiben.
Software Engineering führt Gedächtnis und Fokus zusammen.
Ein Coding-Agent muss Anforderungen erinnern, eine Codebasis verstehen, Änderungen über mehrere Dateien hinweg vornehmen, Tests ausführen, Fehler untersuchen und weiter iterieren, ohne das ursprüngliche Ziel aus den Augen zu verlieren.
Meta erklärt, dass beide Muse-Wonder-Modelle aus genau diesem Grund auf vielfältigen, langfristigen Softwareaufgaben trainiert wurden.
Die stärksten veröffentlichten Coding-Ergebnisse umfassen:
Die Ergebnisse von DeepSWE und SWE-Marathon sind besonders wichtig, weil sie sich auf Software Engineering mit längerem Horizont statt auf isolierte Codevervollständigung konzentrieren.
Die offizielle Modellseite von Meta beschreibt Muse Wonder außerdem als fähig, lange Aufgaben zu planen, Arbeit an Subagenten zu delegieren, Tools parallel aufzurufen und sich von Fehlern zu erholen.
Das Unternehmen demonstriert diese umfassendere Coding-Fähigkeit mit einem spielbaren 3D-Küchenspiel, das aus anpassbaren Bildeingaben generiert wurde.
Dieses Beispiel ist visuell beeindruckend, doch die Model Card ergänzt eine wichtige Einschränkung: Präzises visuelles und räumliches Schlussfolgern, insbesondere bei 3D-Aufgaben, bleibt eine bekannte Schwäche. Entwickler, die Anwendungen bauen, welche von exaktem räumlichem Verständnis abhängen, sollten das Modell sorgfältig validieren.
Ein hoher Benchmark-Wert bedeutet nicht immer, dass ein Modell bei unbekannten Aufgaben gleichermaßen gut abschneidet.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Meta verwendet den Begriff „benchmaxxing“, um die Sorge zu beschreiben, dass ein Modell stark für bekannte Bewertungen optimiert werden kann, ohne die breitere Fähigkeit zu entwickeln, die für den Umgang mit neuen Situationen erforderlich ist.
Um dies zu untersuchen, vergleicht Meta die Leistung bei zwei Aufgabengruppen:
Das Unternehmen vergleicht Muse Spark 1.3 mit Muse Wonder Full bei mehreren Stufen des Reasoning-Aufwands.
Laut Meta verbessern sich beide Modelle bei unbekannten Aufgaben, wenn die Testzeit-Rechenleistung steigt. Wonder Full schneidet bei Out-of-Distribution-Aufgaben jedoch besser ab, als es der Trend des älteren Spark allein auf Basis seiner In-Distribution-Leistung vorhersagen würde.
Meta führt diese Verschiebung auf ein stärkeres zugrunde liegendes Basismodell zurück.
Das praktische Argument ist einfach: Ein persönlicher Agent kann nicht für jede künftige Kombination aus Zielen, Tools, Anwendungen, Einschränkungen und unerwarteten Ereignissen trainiert werden.
Er muss daher über die Aufgaben hinaus verallgemeinern, die während des Post-Trainings ausdrücklich betont wurden.
Meta demonstriert diese Idee mit mehreren Szenarien für persönliche Agenten.
Muse Wonder kann in einem Browser und über Anwendungen hinweg arbeiten, um auf Grundlage persönlicher Präferenzen und aktueller Umstände einen Laufplan zu erstellen.
Das Beispiel kombiniert persönlichen Kontext mit externen Karten- und Webinformationen, statt die Routenplanung als einzelne isolierte Anfrage zu behandeln.
Eine weitere Demonstration verwendet echte Fotos aus einem persönlichen Instagram-Profil, um individualisierte Produkte zu gestalten und zu bestellen.
Dies ist die Art von Workflow, bei dem Gedächtnis, multimodales Verständnis, Browsernutzung und Handlungsfähigkeit zusammenwirken müssen.
Muse Wonder wird außerdem beim Erstellen eines Sitzplans aus einer komplexen Liste von Zuordnungs- und Platzierungsanforderungen gezeigt.
Dies ist ein nützliches Beispiel für Planungen mit vielen Einschränkungen: Das Modell muss zahlreiche Beziehungen und Präferenzen gleichzeitig bewahren und zugleich eine endgültige Anordnung erstellen.
Die ursprüngliche Meta-Seite zeigt diese Szenarien als interaktive Videos statt als statische Screenshots. Da die Demo-Medien keine stabilen eigenständigen Bild-URLs bereitstellen, die sich für eine Markdown-Einbettung eignen, werden diese interaktiven Beispiele hier beschrieben, ohne Ersatzbilder zu erfinden.
Leistungsfähigere Agenten schaffen auch ein schwierigeres Sicherheitsproblem.
Ein persönlicher Agent kann Zugriff haben auf:
Das bedeutet, dass Sicherheit nicht nur davon abhängt, ob das Modell eine gefährliche Frage beantwortet. Das System muss private Informationen auch sorgfältig verarbeiten und bösartigen Anweisungen widerstehen, die in den von ihm gelesenen Inhalten vorkommen können.
Meta erklärt, dass Muse Wonder seine bislang am stärksten auf Alignment ausgerichtete Modellfamilie ist und dass die Modelle sowohl für datenschutzsensibles Verhalten als auch für Robustheit gegenüber Angriffen trainiert wurden.
Meta bewertet Wonder Full – das leistungsfähigere Familienmitglied – gemäß seinem Meta Superintelligence Scaling Framework.
Das Framework konzentriert sich auf drei Bereiche katastrophaler Risiken:
Die Muse-Wonder-Model-Card erklärt, dass das nicht mitigierte Modell bei Cybersicherheit und Kontrollverlustrisiko als moderat oder niedriger eingestuft wird.
Bei chemischen und biologischen Risiken schließt Meta nicht aus, dass das nicht mitigierte Modell die Hochrisikoschwelle erreichen könnte. Deshalb wendet das Unternehmen zusätzliches Sicherheits-Post-Training und systemseitige Klassifikatoren an.
Mit implementierten Mitigierungen wird das verbleibende Risiko laut Meta in allen drei Bereichen als moderat oder niedriger eingestuft.
Die Model Card berichtet für Muse Wonder Full folgende Fähigkeitsergebnisse:
| Cyber-Bewertung | Muse Wonder Full |
|---|---|
| CyberGym | 88,4 % |
| ExploitBench | 58,9 % |
| ExploitGym | 92 erfasste Flags* |
Die ExploitGym-Zahl benötigt eine wichtige Fußnote.
Meta erklärt, dass nur 21 der 92 erfassten Flags die beabsichtigte Schwachstelle nutzten. Die anderen 71 wurden über unbeabsichtigte Schwachstellen erlangt. Da das veröffentlichte ExploitGym-Leaderboard Ausnutzungen beabsichtigter Schwachstellen zählt, ist 21 die für Ranking-Zwecke vergleichbare Zahl.
Dies ist ein gutes Beispiel dafür, warum die Benchmark-Methodik ebenso wichtig ist wie der Schlagzeilenwert.
Metas breitere Muse-Architektur ergänzt das Modell zudem durch Schutzmaßnahmen auf Systemebene.
Muse führt Agenten-Workloads in isolierter Infrastruktur aus, hält Zugangsdaten für verbundene Dienste von der Agentenumgebung getrennt und leitet externe Interaktionen durch zusätzliche Sicherheitskontrollen.
Meta empfiehlt menschliche Bestätigung für irreversible Handlungen und erklärt, dass Entwickler Schutzmaßnahmen hinzufügen sollten, die für ihre eigene Anwendung angemessen sind.
Die Muse-Wonder-Model-Card weist außerdem ausdrücklich darauf hin, dass:
Diese Einschränkungen sind wichtig, weil ein Agent, der handeln kann, folgenreicher ist als ein Modell, das nur Text erzeugt.
Muse Wonder ist ein Frontier-KI-Modell von Meta, das für agentische Aufgaben im privaten und beruflichen Umfeld entwickelt wurde. Es konzentriert sich auf langfristige Workflows, Coding, Computernutzung, Active Memory und Active Focus.
Muse Wonder ist über die Meta Model API und Muse Code verfügbar, während Muse Wonder Full die leistungsstärkere Version ist, die über Muse-Code-Abonnements angeboten wird. Wonder Full führt bei mehr von Metas veröffentlichten agentischen und Coding-Benchmarks, während das Standardmodell Wonder direkt per API verfügbar ist.
Metas Model Card nennt ein Kontextfenster von 1 Million Tokens für Muse Wonder und Muse Wonder Full. Die Modelle akzeptieren Text-, Bild-, Video- und Audioeingaben und erzeugen Textausgaben.
Meta listet Muse Wonder derzeit mit 4 US-Dollar pro Million Input-Tokens, 0,20 US-Dollar pro Million gecachter Input-Tokens und 20 US-Dollar pro Million Output-Tokens. Muse Wonder Full ist nicht mit einer tokenbasierten API-Preisgestaltung gelistet, da es derzeit über Muse-Code-Abonnementpläne vertrieben wird.
Active Memory ist Metas Bezeichnung dafür, wichtigen Nutzerkontext über Gespräche hinweg mitzunehmen und ihn abzurufen, wenn er relevant wird. Es soll persönliche und berufliche Agenten bei langfristigen Interaktionen konsistenter machen.
Active Focus ist die Fähigkeit des Modells, weiter auf ein schwieriges Ziel hinzuarbeiten, Alternativen auszuprobieren, Hindernisse zu überwinden und sich anzupassen, wenn neue Informationen auftauchen. Dazu gehören auch das Einholen von Klarstellungen und die Rückfrage beim Nutzer vor wichtigen Handlungen.
Nicht in jedem Bereich. Metas Scorecard zeigt, dass Muse-Wonder-Modelle in einigen Benchmarks führen, während Claude Opus 5.5 und GPT-6 Astra in anderen führen. Der Vergleich vermischt zudem interne Ergebnisse, Ergebnisse Dritter und von Anbietern berichtete Werte.
Metas Veröffentlichung beschreibt Muse Wonder als über die Meta Model API und Muse Code verfügbar, nicht als Open-Weight-Release. Entwickler sollten für aktuelle Verfügbarkeit und Lizenzbedingungen die offizielle Modellseite von Meta nutzen.
Muse Wonder und Muse Wonder Full sind Metas neueste Frontier-Modelle für persönliche und berufliche Agenten. Ihre wichtigsten Designprinzipien sind Active Memory, Active Focus, Fachkompetenz, langfristiges Coding, Computernutzung und eine bessere Generalisierung über die beim Post-Training betonten Aufgaben hinaus.
Die Modelle zeigen zugleich, warum Agenten-Benchmarks sorgfältig interpretiert werden müssen. Metas veröffentlichte Ergebnisse kombinieren interne Bewertungen, Bewertungen Dritter und von Anbietern berichtete Ergebnisse, und die Model Card weist ausdrücklich auf Unterschiede bei Harnesses und Laufzeitumgebungen hin. Die Modellfamilie ist hochgradig wettbewerbsfähig, aber kein einzelnes Modell gewinnt jeden Benchmark.
Die größere Veränderung findet auf Produktebene in der Architektur statt: Meta versucht, Agenten zu entwickeln, die sich an Wichtiges erinnern, über lange Verläufe fokussiert bleiben und sicher über reale Anwendungen hinweg handeln.
Die Kernidee von Muse Wonder ist nicht einfach ein stärkerer Chatbot – sondern ein Modell, das Kontext bewahren, weiterarbeiten und als beständiger persönlicher oder beruflicher Agent agieren soll.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
