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/es/articles/meta-muse-wonder-explained-active-memory-ec6c8869.md.
Meta ha presentado **Muse Wonder** y **Muse Wonder Full**, los modelos más capaces de la compañía hasta la fecha para el trabajo agéntico pe...
Meta ha presentado Muse Wonder y Muse Wonder Full, los modelos más capaces de la compañía hasta la fecha para el trabajo agéntico personal y profesional.
Los dos modelos están diseñados para tareas que van más allá de responder a una única instrucción. Pueden mantener contexto importante, avanzar en objetivos de varios pasos, usar herramientas y software, y seguir adaptándose cuando una tarea se vuelve difícil o el entorno cambia.
En el centro del lanzamiento hay dos ideas que Meta denomina Memoria Activa y Enfoque Activo.
La Memoria Activa consiste en recordar lo que importa entre conversaciones y recuperar esa información cuando se vuelve relevante. El Enfoque Activo consiste en mantenerse en la tarea durante flujos de trabajo más largos: probar alternativas, recuperarse de bloqueos, adaptarse a información nueva y pedir aclaraciones antes de realizar acciones importantes.
Muse Wonder está disponible a través de la Meta Model API y Muse Code. Muse Wonder Full está disponible para los suscriptores de Muse Code. Meta afirma que Muse Wonder también comenzará a potenciar experiencias dentro de Muse, inicialmente para los suscriptores.
La tarjeta oficial del modelo indica una ventana de contexto de 1 millón de tokens, entrada multimodal de texto, imagen, vídeo y audio, y salida de texto.
| Especificación | Muse Wonder / Wonder Full |
|---|---|
| Fecha de lanzamiento | 12 de octubre de 2026 |
| Ventana de contexto | 1 millón de tokens |
| Modalidades de entrada | Texto, imagen, vídeo, audio |
| Modalidad de salida | Texto |
| Enfoque principal | Tareas agénticas personales y profesionales |
| Acceso a Muse Wonder | Meta Model API y Muse Code |
| Acceso a Muse Wonder Full | Suscripción a Muse Code |
Para los usuarios de la API, Meta actualmente indica un precio de 4 USD por millón de tokens de entrada, 0,20 USD por millón de tokens de entrada en caché y 20 USD por millón de tokens de salida para Muse Wonder.
Meta afirma que el lanzamiento de Muse Wonder es el paso más reciente de una reconstrucción más amplia de su plataforma de IA.
Catorce meses antes del lanzamiento, la empresa inició lo que describe como una revisión integral de sus esfuerzos de inteligencia artificial. Ese proceso condujo primero a la familia Muse Spark y ahora a los modelos Muse Wonder de mayor tamaño.
Mientras que Muse Spark enfatizaba la eficiencia y un comportamiento agéntico cada vez más capaz, Muse Wonder asciende un peldaño más en la escala de Meta.
Meta afirma que los modelos se entrenaron en su centro de datos Prometheus a escala de gigavatios, combinando avances en preentrenamiento y aprendizaje por refuerzo.
El objetivo declarado de la empresa es la superinteligencia personal: sistemas de IA que puedan comprender los objetivos y el contexto de una persona, trabajar entre herramientas y aplicaciones, y ayudar con tareas complejas tanto en entornos profesionales como cotidianos.
Este es un planteamiento ambicioso, pero el cambio más concreto de Muse Wonder es más fácil de describir: Meta está creando modelos que se espera que sostengan el trabajo durante períodos más largos, conserven más contexto y operen de forma más fiable como agentes.
Meta evalúa Muse Wonder y Muse Wonder Full en agentes personales y profesionales, memoria, programación, uso de ordenadores y razonamiento general.
La tarjeta del modelo de la compañía compara ambos modelos con sistemas como GPT-6 Astra, Claude Fable 5.1 y Claude Opus 5.5 con el máximo esfuerzo de razonamiento.
A continuación se muestran algunos resultados representativos de la tarjeta de puntuaciones publicada por Meta.
| 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 parcial | 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 |
Estos resultados requieren contexto.
La tarjeta de puntuaciones de Meta combina varios tipos de evidencia: evaluaciones realizadas por Meta, resultados de terceros, clasificaciones oficiales y puntuaciones reportadas por proveedores. La tarjeta del modelo señala explícitamente que las ejecuciones de competidores se realizan con el mejor esfuerzo y que las instrucciones, herramientas, arneses de evaluación y configuraciones de ejecución pueden no estar optimizados por igual para todos los modelos propietarios.
Por tanto, la tabla es útil para entender en qué ámbitos Meta considera competitiva a la familia Muse Wonder, pero no debe interpretarse como una clasificación universal única.
Muse Wonder está diseñado para aplicar conocimiento especializado a tareas profesionales del mundo real.
Meta destaca en particular tres áreas:
El objetivo no es simplemente responder preguntas de un dominio a partir de la memoria. Muchas evaluaciones requieren que el modelo trabaje con material fuente, siga instrucciones detalladas y produzca un resultado de trabajo utilizable.
Por ejemplo, el Harvey's Legal Agent Benchmark evalúa trabajo jurídico basándose en documentos aportados sobre el asunto y requisitos detallados de la tarea.
Vals Finance Agent V2 se centra en flujos de trabajo de analistas financieros que requieren investigación en presentaciones corporativas e información de mercado.
HealthBench Pro prueba preguntas de salud de nivel profesional mediante rúbricas redactadas por médicos.
Estos benchmarks reflejan una dirección más amplia en la IA agéntica: se espera cada vez más que el modelo combine conocimiento de dominio con gestión de documentos, investigación y ejecución de tareas.
Esto no elimina la necesidad de revisión profesional. La tarjeta del modelo de Meta advierte explícitamente que Muse Wonder puede producir respuestas inexactas, sesgadas u objetables, y que los usuarios deben validar el modelo para su aplicación específica.
La memoria es uno de los temas centrales de Muse Wonder.
Meta denomina Memoria Activa a su enfoque.
La idea es que un agente personal o profesional útil no solo debe conservar información de interacciones anteriores. También necesita reconocer cuándo un detalle antiguo vuelve a ser relevante y recuperarlo para la tarea actual.
Esto importa en flujos de trabajo como los siguientes:
Meta evalúa este comportamiento con MemoryBench, un benchmark interno construido en torno a conversaciones largas y complejas de aproximadamente 64K a 100K tokens.
Las conversaciones contienen múltiples hechos, distracciones, información contradictoria y actualizaciones posteriores. El modelo debe identificar qué información sigue siendo válida y recuperar el detalle correcto cuando se le solicita.
Meta informa una puntuación de MemoryBench de 85,6 para Muse Wonder y 85,5 para Muse Wonder Full en su comparación publicada.
Esto es un recordatorio útil de que el modelo de mayor tamaño no necesariamente lidera cada benchmark individual.
Recordar el contexto es solo una parte de un agente útil.
El modelo también debe seguir trabajando hacia el objetivo del usuario.
Meta denomina esto Enfoque Activo.
En la práctica, significa que Muse Wonder está entrenado para:
Meta evalúa este comportamiento con FocusBench, un benchmark interno que cubre tareas de agentes personales en ámbitos como vivienda, viajes, TI y finanzas.
Para el trabajo de software, la ejecución sostenida también se prueba mediante SWE-Marathon, que evalúa proyectos de ingeniería de larga duración.
La distinción importante es que el Enfoque Activo no consiste únicamente en «más tokens de razonamiento». Es un objetivo de comportamiento: mantenerse orientado hacia la tarea real durante una trayectoria prolongada.
La ingeniería de software reúne memoria y enfoque.
Un agente de programación debe recordar requisitos, comprender una base de código, realizar cambios en múltiples archivos, ejecutar pruebas, inspeccionar fallos y continuar iterando sin perder el objetivo original.
Meta afirma que ambos modelos Muse Wonder fueron entrenados con tareas de software diversas y de larga duración precisamente por este motivo.
Los resultados de programación publicados más destacados incluyen:
Los resultados de DeepSWE y SWE-Marathon son especialmente importantes porque se centran en ingeniería de software de horizonte largo, en lugar de completado de código aislado.
La página oficial del modelo de Meta también describe Muse Wonder como capaz de planificar tareas largas, delegar trabajo en subagentes, llamar herramientas en paralelo y recuperarse de errores.
La empresa demuestra esta capacidad de programación más amplia con un juego 3D de cocina interactivo generado a partir de entradas de imagen personalizables.
Ese ejemplo es visualmente impresionante, pero la tarjeta del modelo añade una limitación útil: el razonamiento visual y espacial preciso, especialmente en tareas 3D, sigue siendo una debilidad conocida. Los desarrolladores que creen aplicaciones que dependan de una comprensión espacial exacta deben validar cuidadosamente el modelo.
Una puntuación alta en un benchmark no siempre implica que un modelo rinda igual de bien en tareas desconocidas.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
Meta usa el término «benchmaxxing» para describir la preocupación de que un modelo pueda optimizarse intensivamente para evaluaciones conocidas sin desarrollar la capacidad más amplia necesaria para manejar situaciones nuevas.
Para estudiar esto, Meta compara el rendimiento en dos grupos de tareas:
La empresa compara Muse Spark 1.3 con Muse Wonder Full en varios niveles de esfuerzo de razonamiento.
Según Meta, ambos modelos mejoran en tareas desconocidas a medida que aumenta el cómputo en tiempo de prueba. Sin embargo, Wonder Full tiene un rendimiento mejor en tareas fuera de la distribución de lo que la tendencia de Spark más antiguo predeciría basándose únicamente en su desempeño dentro de la distribución.
Meta atribuye ese cambio a un modelo base subyacente más sólido.
El argumento práctico es sencillo: un agente personal no puede entrenarse para cada combinación futura de objetivos, herramientas, aplicaciones, restricciones y eventos inesperados.
Por lo tanto, necesita generalizar más allá de las tareas enfatizadas explícitamente durante el posentrenamiento.
Meta demuestra esta idea con varios escenarios de agentes personales.
Muse Wonder puede trabajar en un navegador y entre aplicaciones para crear un plan de carrera utilizando preferencias personales y circunstancias actuales.
El ejemplo combina contexto personal con información externa de mapas y de la web, en lugar de tratar la planificación de una ruta como una única consulta aislada.
Otra demostración utiliza fotos reales de un perfil personal de Instagram para diseñar y pedir productos personalizados.
Este es el tipo de flujo de trabajo en el que la memoria, la comprensión multimodal, el uso del navegador y la realización de acciones deben funcionar conjuntamente.
También se muestra a Muse Wonder preparando un plano de mesas a partir de una lista compleja de requisitos de compatibilidad y ubicación.
Es un ejemplo útil de planificación con muchas restricciones: el modelo debe conservar numerosas relaciones y preferencias al mismo tiempo que genera una disposición final.
La página original de Meta presenta estos escenarios como vídeos interactivos en lugar de capturas de pantalla estáticas. Dado que los medios de demostración no exponen URL independientes y estables adecuadas para insertarlas en Markdown, esos ejemplos interactivos se describen aquí sin inventar imágenes de sustitución.
Los agentes más capaces también crean un problema de seguridad más difícil.
Un agente personal puede tener acceso a:
Esto significa que la seguridad no depende solo de si el modelo responde a una pregunta peligrosa. El sistema también debe manejar cuidadosamente la información privada y resistir instrucciones maliciosas que puedan aparecer dentro del contenido que lee.
Meta afirma que Muse Wonder es su familia de modelos más alineada hasta la fecha y que los modelos están entrenados tanto para un comportamiento sensible a la privacidad como para la robustez frente a adversarios.
Meta evalúa Wonder Full —el miembro más capaz de la familia— bajo su Meta Superintelligence Scaling Framework.
El marco se centra en tres ámbitos de riesgo catastrófico:
La tarjeta del modelo Muse Wonder indica que el modelo sin mitigaciones se evalúa como de riesgo moderado o inferior en ciberseguridad y pérdida de control.
En cuanto al riesgo químico y biológico, Meta afirma que no descarta que el modelo sin mitigaciones alcance el umbral de alto riesgo. Por ello, la empresa aplica posentrenamiento de seguridad adicional y clasificadores a nivel de sistema.
Con las mitigaciones implementadas, Meta afirma que el riesgo residual se evalúa como moderado o inferior en los tres ámbitos.
La tarjeta del modelo informa los siguientes resultados de capacidad para Muse Wonder Full:
| Evaluación cibernética | Muse Wonder Full |
|---|---|
| CyberGym | 88,4 % |
| ExploitBench | 58,9 % |
| ExploitGym | 92 indicadores capturados* |
La cifra de ExploitGym requiere una nota importante.
Meta afirma que solo 21 de los 92 indicadores capturados utilizaron la vulnerabilidad prevista. Los otros 71 se obtuvieron mediante vulnerabilidades no previstas. Puesto que la clasificación publicada de ExploitGym contabiliza las explotaciones de vulnerabilidades previstas, 21 es la cifra comparable a efectos de clasificación.
Este es un buen ejemplo de por qué la metodología de los benchmarks importa tanto como la puntuación destacada.
La arquitectura más amplia de Muse de Meta también añade protecciones a nivel de sistema alrededor del modelo.
Muse ejecuta cargas de trabajo de agentes dentro de infraestructura aislada, mantiene las credenciales de servicios conectados separadas del entorno del agente y enruta las interacciones externas a través de controles de seguridad adicionales.
Meta recomienda confirmación humana para acciones irreversibles y afirma que los desarrolladores deben añadir las salvaguardas adecuadas para su propia aplicación.
La tarjeta del modelo Muse Wonder también señala explícitamente que:
Estas limitaciones importan porque un agente que puede actuar tiene consecuencias mayores que un modelo que solo genera texto.
Muse Wonder es un modelo de IA de frontera de Meta diseñado para tareas agénticas personales y profesionales. Se centra en flujos de trabajo de larga duración, programación, uso de ordenadores, Memoria Activa y Enfoque Activo.
Muse Wonder está disponible a través de la Meta Model API y Muse Code, mientras que Muse Wonder Full es la versión de mayor capacidad ofrecida mediante suscripciones a Muse Code. Wonder Full lidera más de los benchmarks agénticos y de programación publicados por Meta, pero Wonder estándar es el modelo disponible directamente mediante API.
La tarjeta del modelo de Meta indica una ventana de contexto de 1 millón de tokens para Muse Wonder y Muse Wonder Full. Los modelos aceptan entradas de texto, imagen, vídeo y audio, y producen salida de texto.
Meta actualmente indica un precio de 4 USD por millón de tokens de entrada, 0,20 USD por millón de tokens de entrada en caché y 20 USD por millón de tokens de salida para Muse Wonder. Muse Wonder Full no figura con precios de API por token porque actualmente se distribuye a través de planes de suscripción de Muse Code.
Memoria Activa es el término de Meta para conservar contexto importante del usuario entre conversaciones y recuperarlo cuando se vuelve relevante. Su objetivo es hacer que los agentes personales y profesionales sean más consistentes en interacciones de larga duración.
El Enfoque Activo es la capacidad del modelo de seguir trabajando hacia un objetivo difícil, probar alternativas, recuperarse de bloqueos y adaptarse a medida que aparece información nueva. También incluye pedir aclaraciones y consultar con el usuario antes de acciones importantes.
No de manera universal. La tarjeta de puntuaciones de Meta muestra que los modelos Muse Wonder lideran en algunos benchmarks, mientras que Claude Opus 5.5 y GPT-6 Astra lideran en otros; además, la comparación combina resultados internos, de terceros y reportados por proveedores.
El lanzamiento de Meta describe Muse Wonder como disponible mediante la Meta Model API y Muse Code, en lugar de como un lanzamiento de pesos abiertos. Los desarrolladores deben consultar la página oficial del modelo de Meta para conocer la disponibilidad y los términos de licencia actuales.
Muse Wonder y Muse Wonder Full son los modelos de frontera más recientes de Meta para agentes personales y profesionales. Sus principales temas de diseño son la Memoria Activa, el Enfoque Activo, la experiencia por dominio, la programación de larga duración, el uso de ordenadores y una mejor generalización más allá de las tareas enfatizadas durante el posentrenamiento.
Los modelos también muestran por qué los benchmarks de agentes requieren una interpretación cuidadosa. Los resultados publicados por Meta combinan evaluaciones internas, de terceros y reportadas por proveedores, y la tarjeta del modelo explica de forma explícita las diferencias entre arneses y configuraciones de ejecución. La familia es muy competitiva, pero ningún modelo gana todos los benchmarks.
El cambio mayor es arquitectónico a nivel de producto: Meta intenta crear agentes que recuerden lo importante, mantengan el enfoque durante trayectorias largas y actúen de forma segura en aplicaciones reales.
La idea central de Muse Wonder no es simplemente un chatbot más potente: es un modelo diseñado para conservar el contexto, seguir trabajando y actuar como un agente personal o profesional persistente.
Empieza con una sola frase y obtén un sitio completo en minutos.
