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/fr/articles/meta-muse-wonder-explained-active-memory-ec6c8869.md.
Meta a présenté **Muse Wonder** et **Muse Wonder Full**, les modèles les plus capables de l’entreprise à ce jour pour le travail agentique p...
Meta a présenté Muse Wonder et Muse Wonder Full, les modèles les plus capables de l’entreprise à ce jour pour le travail agentique personnel et professionnel.
Ces deux modèles sont conçus pour des tâches qui vont au-delà de la réponse à une seule invite. Ils peuvent conserver un contexte important, progresser vers des objectifs en plusieurs étapes, utiliser des outils et des logiciels, et continuer à s’adapter lorsqu’une tâche devient difficile ou que l’environnement évolue.
Au cœur de cette annonce figurent deux concepts que Meta appelle Active Memory et Active Focus.
La mémoire active concerne la capacité à retenir ce qui est important au fil des conversations et à retrouver ces informations lorsqu’elles redeviennent pertinentes. La concentration active concerne la capacité à rester concentré sur une tâche tout au long de workflows plus longs : essayer des alternatives, surmonter les blocages, s’adapter aux nouvelles informations et demander des précisions avant des actions importantes.
Muse Wonder est disponible via la Meta Model API et Muse Code. Muse Wonder Full est disponible pour les abonnés de Muse Code. Meta indique que Muse Wonder commencera également à alimenter des expériences au sein de Muse, d’abord pour les abonnés.
La fiche modèle officielle indique une fenêtre de contexte de 1 million de tokens, des entrées multimodales couvrant le texte, l’image, la vidéo et l’audio, ainsi qu’une sortie texte.
| Spécification | Muse Wonder / Wonder Full |
|---|---|
| Date de sortie | 12 octobre 2026 |
| Fenêtre de contexte | 1 M de tokens |
| Modalités d’entrée | Texte, image, vidéo, audio |
| Modalité de sortie | Texte |
| Objectif principal | Tâches agentiques personnelles et professionnelles |
| Accès à Muse Wonder | Meta Model API et Muse Code |
| Accès à Muse Wonder Full | Abonnement à Muse Code |
Pour les utilisateurs de l’API, Meta affiche actuellement Muse Wonder à 4 $ par million de tokens d’entrée, 0,20 $ par million de tokens d’entrée mis en cache et 20 $ par million de tokens de sortie.
Meta indique que le lancement de Muse Wonder constitue la dernière étape d’une reconstruction plus large de sa pile d’IA.
Quatorze mois avant le lancement, l’entreprise a entamé ce qu’elle décrit comme une refonte complète de ses efforts en intelligence artificielle. Ce processus a d’abord mené à la famille Muse Spark, puis aux modèles Muse Wonder, plus grands.
Alors que Muse Spark mettait l’accent sur l’efficacité et des comportements agentiques de plus en plus capables, Muse Wonder progresse davantage dans l’échelle de montée en puissance de Meta.
Meta affirme que les modèles ont été entraînés dans son centre de données Prometheus à l’échelle du gigawatt, en combinant des avancées dans le préentraînement et l’apprentissage par renforcement.
L’objectif déclaré de l’entreprise est la superintelligence personnelle : des systèmes d’IA capables de comprendre les objectifs et le contexte d’une personne, de travailler à travers des outils et des applications, et d’aider à accomplir des tâches complexes aussi bien dans un cadre professionnel que quotidien.
Il s’agit d’un positionnement ambitieux, mais l’évolution plus concrète de Muse Wonder est plus simple à décrire : Meta construit des modèles censés soutenir le travail sur des périodes plus longues, préserver davantage de contexte et fonctionner de manière plus fiable en tant qu’agents.
Meta évalue Muse Wonder et Muse Wonder Full sur les agents personnels et professionnels, la mémoire, la programmation, l’utilisation d’ordinateurs et le raisonnement général.
La fiche modèle de l’entreprise compare les deux modèles à des systèmes tels que GPT-6 Astra, Claude Fable 5.1 et Claude Opus 5.5 avec un effort de raisonnement maximal.
Quelques résultats représentatifs du tableau de scores publié par Meta figurent ci-dessous.
| 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 partiel | 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 |
Ces résultats nécessitent du contexte.
Le tableau de scores de Meta combine plusieurs types de preuves : des évaluations menées par Meta, des résultats tiers, des classements officiels et des scores communiqués par les fournisseurs. La fiche modèle précise explicitement que les exécutions des concurrents sont réalisées au mieux des possibilités et que les invites, outils, harnais d’évaluation et configurations d’exécution ne sont pas toujours optimisés de manière égale pour chaque modèle propriétaire.
Le tableau est donc utile pour comprendre les domaines dans lesquels Meta considère la famille Muse Wonder compétitive, mais il ne doit pas être lu comme un classement universel unique.
Muse Wonder est conçu pour appliquer des connaissances spécialisées à des tâches professionnelles réelles.
Meta met particulièrement en avant trois domaines :
L’objectif n’est pas simplement de répondre à des questions sectorielles à partir de la mémoire du modèle. De nombreuses évaluations demandent au modèle de travailler avec des documents sources, de suivre des instructions détaillées et de produire un livrable utilisable.
Par exemple, le Harvey's Legal Agent Benchmark évalue le travail juridique sur la base de documents fournis relatifs à une affaire et d’exigences détaillées pour la tâche.
Vals Finance Agent V2 se concentre sur des workflows d’analyste financier qui nécessitent des recherches dans les dépôts réglementaires d’entreprises et les informations de marché.
HealthBench Pro teste des questions de santé de niveau professionnel à l’aide de grilles d’évaluation rédigées par des médecins.
Ces benchmarks reflètent une direction plus large de l’IA agentique : le modèle doit de plus en plus combiner connaissances sectorielles, traitement de documents, recherche et exécution de tâches.
Cela ne supprime pas le besoin de validation professionnelle. La fiche modèle de Meta avertit explicitement que Muse Wonder peut produire des réponses inexactes, biaisées ou contestables, et que les utilisateurs doivent valider le modèle pour leur application spécifique.
La mémoire est l’un des thèmes centraux de Muse Wonder.
Meta appelle son approche Active Memory.
L’idée est qu’un agent personnel ou professionnel utile ne doit pas uniquement conserver des informations issues d’interactions antérieures. Il doit aussi reconnaître lorsqu’un ancien détail redevient pertinent et le réintroduire dans la tâche en cours.
Cela compte dans des workflows tels que :
Meta évalue ce comportement avec MemoryBench, un benchmark interne fondé sur des conversations longues et complexes couvrant environ 64 K à 100 K tokens.
Ces conversations contiennent de multiples faits, des distractions, des informations contradictoires et des mises à jour ultérieures. Le modèle doit identifier quelles informations restent valides et retrouver le bon détail lorsqu’il est sollicité.
Meta indique un score MemoryBench de 85,6 pour Muse Wonder et de 85,5 pour Muse Wonder Full dans sa comparaison publiée.
C’est un rappel utile : le modèle le plus grand ne domine pas nécessairement chaque benchmark individuel.
Se souvenir du contexte ne constitue qu’une partie de ce qui rend un agent utile.
Le modèle doit également continuer à travailler vers l’objectif de l’utilisateur.
Meta appelle cela Active Focus.
En pratique, cela signifie que Muse Wonder est entraîné à :
Meta évalue ce comportement avec FocusBench, un benchmark interne qui couvre des tâches d’agent personnel dans des domaines tels que le logement, les voyages, l’informatique et la finance.
Pour le travail logiciel, l’exécution durable est aussi testée via SWE-Marathon, qui évalue des projets d’ingénierie de longue durée.
La distinction importante est que la concentration active ne correspond pas seulement à « davantage de tokens de raisonnement ». C’est un objectif comportemental : rester orienté vers la tâche réelle sur une longue trajectoire.
L’ingénierie logicielle réunit mémoire et concentration.
Un agent de programmation doit mémoriser les exigences, comprendre une base de code, modifier plusieurs fichiers, lancer des tests, examiner les échecs et poursuivre les itérations sans perdre l’objectif initial.
Meta indique que les deux modèles Muse Wonder ont été entraînés sur des tâches logicielles diverses et de longue durée précisément pour cette raison.
Les résultats publiés les plus solides en programmation comprennent :
Les résultats de DeepSWE et de SWE-Marathon sont particulièrement importants, car ils se concentrent sur l’ingénierie logicielle à horizon long plutôt que sur la simple complétion de code isolée.
La page officielle du modèle de Meta décrit également Muse Wonder comme capable de planifier de longues tâches, de déléguer du travail à des sous-agents, d’appeler des outils en parallèle et de se remettre d’erreurs.
L’entreprise démontre cette capacité de programmation plus large avec un jeu de cuisine 3D jouable généré à partir d’entrées d’images personnalisables.
Cet exemple est visuellement impressionnant, mais la fiche modèle ajoute une limite utile : le raisonnement visuel et spatial précis, notamment pour les tâches 3D, demeure une faiblesse connue. Les développeurs qui construisent des applications dépendant d’une compréhension spatiale exacte doivent valider le modèle avec soin.
Un score élevé à un benchmark ne signifie pas toujours qu’un modèle fonctionne aussi bien sur des tâches inconnues.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Meta utilise le terme « benchmaxxing » pour décrire le risque qu’un modèle soit fortement optimisé pour des évaluations connues sans développer la capacité plus large nécessaire pour gérer de nouvelles situations.
Pour étudier ce phénomène, Meta compare les performances sur deux groupes de tâches :
L’entreprise compare Muse Spark 1.3 et Muse Wonder Full à plusieurs niveaux d’effort de raisonnement.
Selon Meta, les deux modèles s’améliorent sur des tâches inconnues à mesure que le calcul au moment du test augmente. Toutefois, Wonder Full obtient de meilleures performances sur les tâches hors distribution que ne le prédisait la tendance de l’ancien Spark sur la seule base de ses performances dans la distribution.
Meta attribue cette évolution à un modèle de base sous-jacent plus solide.
L’argument pratique est simple : un agent personnel ne peut pas être entraîné pour chaque combinaison future d’objectifs, d’outils, d’applications, de contraintes et d’événements inattendus.
Il doit donc généraliser au-delà des tâches explicitement mises en avant pendant le post-entraînement.
Meta illustre cette idée avec plusieurs scénarios d’agents personnels.
Muse Wonder peut travailler dans un navigateur et à travers des applications afin de créer un plan de course à pied à partir de préférences personnelles et de circonstances actuelles.
L’exemple combine un contexte personnel avec des données externes de cartographie et du web, plutôt que de traiter la planification d’un itinéraire comme une seule requête isolée.
Une autre démonstration utilise de vraies photos provenant d’un profil Instagram personnel pour concevoir et commander des produits personnalisés.
Il s’agit d’un type de workflow dans lequel mémoire, compréhension multimodale, utilisation du navigateur et capacité d’action doivent fonctionner ensemble.
Muse Wonder est également présenté en train de préparer un plan de table à partir d’une liste complexe de contraintes de compatibilité et de placement.
C’est un exemple utile de planification riche en contraintes : le modèle doit préserver simultanément de nombreuses relations et préférences tout en générant une disposition finale.
La page Meta originale présente ces scénarios sous forme de vidéos interactives plutôt que de captures d’écran statiques. Comme les médias de démonstration ne fournissent pas d’URL d’images autonomes et stables adaptées à une intégration Markdown, ces exemples interactifs sont décrits ici sans inventer d’images de remplacement.
Des agents plus capables créent également un problème de sécurité plus difficile.
Un agent personnel peut avoir accès à :
La sécurité ne concerne donc pas uniquement la capacité du modèle à répondre à une question dangereuse. Le système doit aussi gérer soigneusement les informations privées et résister aux instructions malveillantes qui peuvent apparaître dans les contenus qu’il lit.
Meta indique que Muse Wonder est sa famille de modèles la plus alignée à ce jour et que les modèles sont entraînés tant pour les comportements sensibles à la confidentialité que pour la robustesse face aux attaques adversariales.
Meta évalue Wonder Full — le membre le plus capable de la famille — dans le cadre de son Meta Superintelligence Scaling Framework.
Ce cadre se concentre sur trois domaines de risques catastrophiques :
La fiche modèle de Muse Wonder indique que le modèle sans mesures de mitigation est évalué comme présentant un risque modéré ou inférieur en cybersécurité et en perte de contrôle.
Pour les risques chimiques et biologiques, Meta indique ne pas exclure que le modèle sans mitigation atteigne le seuil de risque élevé. Pour cette raison, l’entreprise applique un post-entraînement de sécurité supplémentaire et des classificateurs au niveau du système.
Avec les mesures de mitigation en place, Meta indique que le risque résiduel est évalué comme modéré ou inférieur dans les trois domaines.
La fiche modèle indique les résultats de capacité suivants pour Muse Wonder Full :
| Évaluation cyber | Muse Wonder Full |
|---|---|
| CyberGym | 88,4 % |
| ExploitBench | 58,9 % |
| ExploitGym | 92 indicateurs capturés* |
Le chiffre ExploitGym nécessite une note importante.
Meta précise que seuls 21 des 92 indicateurs capturés exploitaient la vulnérabilité prévue. Les 71 autres ont été obtenus via des vulnérabilités non intentionnelles. Puisque le classement ExploitGym publié compte les exploitations de vulnérabilités prévues, 21 est le nombre comparable à utiliser pour le classement.
C’est un bon exemple de la raison pour laquelle la méthodologie des benchmarks importe autant que le score mis en avant.
L’architecture Muse plus large de Meta ajoute également des protections au niveau du système autour du modèle.
Muse exécute les charges de travail des agents dans une infrastructure isolée, conserve les identifiants des services connectés séparés de l’environnement de l’agent et fait transiter les interactions externes par des contrôles de sécurité supplémentaires.
Meta recommande une confirmation humaine pour les actions irréversibles et indique que les développeurs doivent ajouter des garde-fous adaptés à leur propre application.
La fiche modèle de Muse Wonder souligne également explicitement que :
Ces limites importent, car un agent capable d’agir a davantage de conséquences qu’un modèle qui produit uniquement du texte.
Muse Wonder est un modèle d’IA de pointe de Meta conçu pour les tâches agentiques personnelles et professionnelles. Il se concentre sur les workflows de longue durée, la programmation, l’utilisation d’ordinateurs, la mémoire active et la concentration active.
Muse Wonder est disponible via la Meta Model API et Muse Code, tandis que Muse Wonder Full est la version aux capacités supérieures proposée via les abonnements Muse Code. Wonder Full est en tête sur davantage de benchmarks agentiques et de programmation publiés par Meta, mais Wonder standard est le modèle directement disponible par API.
La fiche modèle de Meta indique une fenêtre de contexte de 1 million de tokens pour Muse Wonder comme pour Muse Wonder Full. Les modèles acceptent des entrées texte, image, vidéo et audio, et produisent des sorties texte.
Meta affiche actuellement Muse Wonder à 4 $ par million de tokens d’entrée, 0,20 $ par million de tokens d’entrée mis en cache et 20 $ par million de tokens de sortie. Muse Wonder Full ne dispose pas d’un prix d’API par token, car il est actuellement distribué via les formules d’abonnement à Muse Code.
La mémoire active est le terme employé par Meta pour désigner le maintien d’un contexte utilisateur important à travers les conversations et sa récupération lorsqu’il redevient pertinent. Elle vise à rendre les agents personnels et professionnels plus cohérents lors d’interactions de longue durée.
La concentration active est la capacité du modèle à poursuivre le travail vers un objectif difficile, à essayer des alternatives, à surmonter les blocages et à s’adapter à l’apparition de nouvelles informations. Elle inclut aussi la demande de précisions et la vérification auprès de l’utilisateur avant des actions importantes.
Pas dans tous les cas. Le tableau de scores de Meta montre que les modèles Muse Wonder dominent sur certains benchmarks, tandis que Claude Opus 5.5 et GPT-6 Astra dominent sur d’autres ; la comparaison mélange par ailleurs des résultats internes, tiers et communiqués par les fournisseurs.
La présentation de Meta décrit Muse Wonder comme disponible via la Meta Model API et Muse Code, et non comme une publication en poids ouverts. Les développeurs doivent consulter la page officielle du modèle de Meta pour connaître les conditions actuelles de disponibilité et de licence.
Muse Wonder et Muse Wonder Full sont les derniers modèles de pointe de Meta pour les agents personnels et professionnels. Leurs principaux thèmes de conception sont la mémoire active, la concentration active, l’expertise sectorielle, la programmation de longue durée, l’utilisation d’ordinateurs et une meilleure généralisation au-delà des tâches mises en avant pendant le post-entraînement.
Les modèles montrent également pourquoi les benchmarks d’agents doivent être interprétés avec prudence. Les résultats publiés par Meta combinent des évaluations internes, tierces et communiquées par les fournisseurs, et la fiche modèle explicite les différences de harnais et de paramètres d’exécution. Cette famille est très compétitive, mais aucun modèle ne remporte tous les benchmarks.
Le changement le plus important est architectural au niveau du produit : Meta cherche à construire des agents qui retiennent ce qui compte, restent concentrés sur de longues trajectoires et agissent en toute sécurité à travers de véritables applications.
L’idée centrale de Muse Wonder n’est pas simplement un chatbot plus puissant : il s’agit d’un modèle conçu pour conserver le contexte, poursuivre le travail et agir comme un agent personnel ou professionnel persistant.
Partez d’une phrase et obtenez un site complet en quelques minutes.
