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/ko/articles/meta-muse-wonder-explained-active-memory-ec6c8869.md.
Meta는 개인 및 전문 업무용 에이전트 작업을 위해 현재까지 자사가 선보인 가장 유능한 모델인 **Muse Wonder**와 **Muse Wonder Full**을 공개했습니다.
Meta는 개인 및 전문 업무용 에이전트 작업을 위해 현재까지 자사가 선보인 가장 유능한 모델인 Muse Wonder와 Muse Wonder Full을 공개했습니다.
두 모델은 하나의 프롬프트에 답하는 수준을 넘어서는 작업을 위해 설계되었습니다. 중요한 맥락을 유지하고, 여러 단계로 이루어진 목표를 수행하며, 도구와 소프트웨어를 사용하고, 작업이 어려워지거나 환경이 바뀔 때도 계속 적응할 수 있습니다.
이번 출시의 중심에는 Meta가 Active Memory와 Active Focus라고 부르는 두 가지 개념이 있습니다.
Active Memory는 대화 전반에서 중요한 내용을 기억하고, 관련성이 생겼을 때 그 정보를 다시 찾아오는 기능입니다. Active Focus는 더 긴 워크플로에서 작업에 집중하는 기능입니다. 즉, 대안을 시도하고, 방해 요소를 극복하며, 새 정보에 적응하고, 중요한 행동을 수행하기 전에 명확한 설명을 요청하는 역량을 뜻합니다.
Muse Wonder는 Meta Model API와 Muse Code를 통해 이용할 수 있습니다. Muse Wonder Full은 Muse Code 구독자에게 제공됩니다. Meta는 Muse Wonder가 구독자를 시작으로 Muse 내부 경험에도 탑재되기 시작할 것이라고 밝혔습니다.
공식 모델 카드는 100만 토큰 컨텍스트 윈도우, 텍스트·이미지·비디오·오디오의 멀티모달 입력, 그리고 텍스트 출력을 명시합니다.
| 사양 | Muse Wonder / Wonder Full |
|---|---|
| 출시일 | 2026년 10월 12일 |
| 컨텍스트 윈도우 | 100만 토큰 |
| 입력 모달리티 | 텍스트, 이미지, 비디오, 오디오 |
| 출력 모달리티 | 텍스트 |
| 주요 초점 | 개인 및 전문 업무용 에이전트 작업 |
| Muse Wonder 이용 방법 | Meta Model API 및 Muse Code |
| Muse Wonder Full 이용 방법 | Muse Code 구독 |
API 사용자를 위해 Meta는 현재 Muse Wonder의 가격을 입력 토큰 100만 개당 4달러, 캐시된 입력 토큰 100만 개당 0.20달러, 출력 토큰 100만 개당 20달러로 제시하고 있습니다.
Meta는 Muse Wonder 출시가 자사의 AI 스택을 전반적으로 재구축하는 과정에서 나온 최신 단계라고 설명합니다.
출시 14개월 전, 회사는 인공지능 역량을 처음부터 전면 개편하기 시작했습니다. 이 과정은 먼저 Muse Spark 제품군으로 이어졌고, 이제 더 큰 Muse Wonder 모델로 이어졌습니다.
Muse Spark가 효율성과 점점 더 유능해지는 에이전트 행동을 강조했다면, Muse Wonder는 Meta의 스케일링 단계에서 한층 더 높은 위치로 나아갑니다.
Meta는 이 모델들이 사전 학습과 강화 학습의 발전을 결합해 자사의 기가와트급 Prometheus 데이터센터에서 학습되었다고 밝혔습니다.
회사가 제시한 목표는 개인 초지능입니다. 이는 개인의 목표와 맥락을 이해하고, 여러 도구와 애플리케이션을 넘나들며, 전문 업무와 일상 환경 모두에서 복잡한 작업을 도울 수 있는 AI 시스템을 의미합니다.
이는 야심 찬 표현이지만, Muse Wonder의 더 구체적인 변화는 설명하기 쉽습니다. Meta는 더 오랜 시간 동안 작업을 지속하고, 더 많은 맥락을 보존하며, 에이전트로서 더 안정적으로 작동할 것으로 기대되는 모델을 구축하고 있습니다.
Meta는 개인 및 전문 업무용 에이전트, 메모리, 코딩, 컴퓨터 사용, 일반 추론 전반에서 Muse Wonder와 Muse Wonder Full을 평가합니다.
회사의 모델 카드는 두 모델을 최대 추론 노력 설정의 GPT-6 Astra, Claude Fable 5.1, Claude Opus 5.5를 포함한 시스템과 비교합니다.
Meta가 공개한 점수표의 대표적 결과 일부는 아래와 같습니다.
| 벤치마크 | 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 |
이 결과에는 맥락이 필요합니다.
Meta의 점수표는 Meta가 수행한 평가, 제3자 결과, 공식 리더보드, 제공업체가 보고한 점수 등 여러 종류의 근거를 결합합니다. 모델 카드는 경쟁 모델 실행이 최선의 노력에 따른 것이며, 프롬프트, 도구, 하니스, 런타임 구성은 모든 독점 모델에 대해 항상 동일하게 최적화되어 있지는 않을 수 있다고 명시합니다.
따라서 이 표는 Meta가 Muse Wonder 제품군이 어디에서 경쟁력이 있다고 보는지 이해하는 데 유용하지만, 하나의 보편적인 순위로 읽어서는 안 됩니다.
Muse Wonder는 실제 전문 업무에 특화 지식을 적용하도록 설계되었습니다.
Meta는 특히 다음 세 영역을 강조합니다.
목표는 단순히 기억에 기반해 도메인 질문에 답하는 것이 아닙니다. 많은 평가는 모델이 소스 자료를 다루고, 상세한 지시를 따르며, 실무에 사용할 수 있는 결과물을 만들어야 한다고 요구합니다.
예를 들어 Harvey's Legal Agent Benchmark는 제공된 사건 문서와 상세한 작업 요건을 바탕으로 법률 업무를 평가합니다.
Vals Finance Agent V2는 기업 공시와 시장 정보 전반에 걸친 조사가 필요한 금융 분석가 워크플로에 초점을 맞춥니다.
HealthBench Pro는 의사가 작성한 루브릭을 사용해 전문 수준의 건강 관련 질문을 테스트합니다.
이러한 벤치마크는 에이전트형 AI의 더 넓은 방향을 보여 줍니다. 모델은 점점 더 도메인 지식에 문서 처리, 조사, 작업 실행을 결합할 것으로 기대됩니다.
그렇다고 전문가 검토가 필요 없어지는 것은 아닙니다. Meta의 모델 카드는 Muse Wonder가 부정확하거나 편향되거나 부적절한 응답을 생성할 수 있음을 명시적으로 경고하며, 사용자가 자신의 구체적 애플리케이션에 맞춰 모델을 검증해야 한다고 안내합니다.
메모리는 Muse Wonder의 핵심 주제 중 하나입니다.
Meta는 이 접근 방식을 Active Memory라고 부릅니다.
유용한 개인 또는 전문 업무용 에이전트는 이전 상호작용의 정보를 단지 보유하는 데 그쳐서는 안 된다는 것이 핵심입니다. 과거의 세부 사항이 다시 관련성을 갖는 시점을 인식하고, 현재 작업에 이를 가져올 수 있어야 합니다.
이는 다음과 같은 워크플로에서 중요합니다.
Meta는 약 64K에서 100K 토큰에 이르는 길고 복잡한 대화를 기반으로 구축된 내부 벤치마크인 MemoryBench로 이러한 행동을 평가합니다.
이 대화에는 여러 사실, 주의를 분산시키는 정보, 상충하는 정보, 이후 업데이트가 포함됩니다. 모델은 어떤 정보가 여전히 유효한지 식별하고, 요청받았을 때 올바른 세부 사항을 찾아야 합니다.
Meta는 공개 비교에서 Muse Wonder는 85.6, Muse Wonder Full은 85.5의 MemoryBench 점수를 기록했다고 보고합니다.
이는 더 큰 모델이 모든 개별 벤치마크에서 반드시 앞서는 것은 아니라는 점을 보여 줍니다.
유용한 에이전트에 필요한 것은 맥락을 기억하는 것만이 아닙니다.
모델은 또한 사용자의 목표를 향해 계속 작업해야 합니다.
Meta는 이를 Active Focus라고 부릅니다.
실제로 이는 Muse Wonder가 다음을 수행하도록 학습되었다는 뜻입니다.
Meta는 주거, 여행, IT, 금융 등 도메인에 걸친 개인 에이전트 작업을 다루는 내부 벤치마크 FocusBench로 이러한 행동을 평가합니다.
소프트웨어 작업에서는 SWE-Marathon을 통해 지속적 실행 능력도 테스트하며, 이 벤치마크는 장기간 진행되는 엔지니어링 프로젝트를 평가합니다.
중요한 차이는 Active Focus가 단순히 "더 많은 추론 토큰"이 아니라는 점입니다. 이는 긴 실행 경로에서도 실제 작업의 목표에 계속 정렬된 상태를 유지하는 행동적 목표입니다.
소프트웨어 엔지니어링은 메모리와 집중력을 함께 요구합니다.
코딩 에이전트는 요구사항을 기억하고, 코드베이스를 이해하며, 여러 파일에 걸쳐 변경을 적용하고, 테스트를 실행하고, 실패를 점검한 뒤, 원래 목표를 잃지 않은 채 계속 반복해야 합니다.
Meta는 두 Muse Wonder 모델이 바로 이러한 이유로 다양하고 장기간 지속되는 소프트웨어 작업으로 학습되었다고 밝혔습니다.
공개된 주요 코딩 결과는 다음과 같습니다.
DeepSWE와 SWE-Marathon 결과는 고립된 코드 완성이 아닌 장기 범위의 소프트웨어 엔지니어링에 초점을 맞추기 때문에 특히 중요합니다.
Meta의 공식 모델 페이지는 Muse Wonder가 긴 작업을 계획하고, 하위 에이전트에 작업을 위임하며, 병렬로 도구를 호출하고, 오류에서 복구할 수 있다고도 설명합니다.
회사는 사용자 지정 가능한 이미지 입력을 바탕으로 생성된 플레이 가능한 3D 주방 게임을 통해 이러한 광범위한 코딩 역량을 시연합니다.
이 사례는 시각적으로 인상적이지만, 모델 카드는 유용한 한계를 덧붙입니다. 정밀한 시각 및 공간 추론, 특히 3D 작업은 여전히 알려진 약점입니다. 정확한 공간 이해에 의존하는 애플리케이션을 구축하는 개발자는 모델을 신중하게 검증해야 합니다.
높은 벤치마크 점수가 항상 모델이 낯선 작업에서도 동일하게 잘 수행한다는 뜻은 아닙니다.
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
Meta는 모델이 더 넓은 역량을 갖추지 못한 채 알려진 평가에 과도하게 최적화될 수 있다는 우려를 설명하기 위해 "benchmaxxing"이라는 용어를 사용합니다.
이를 연구하기 위해 Meta는 두 그룹의 작업에서 성능을 비교합니다.
회사는 여러 추론 노력 수준에서 Muse Spark 1.3과 Muse Wonder Full을 비교합니다.
Meta에 따르면, 두 모델 모두 테스트 시점 연산량이 늘어날수록 낯선 작업에서 개선됩니다. 그러나 Wonder Full은 분포 내 성능만을 기준으로 이전 Spark의 추세가 예측하는 것보다 분포 외 작업에서 더 우수한 성능을 보입니다.
Meta는 이러한 변화가 더 강력한 기반 모델에서 비롯되었다고 설명합니다.
실무적 주장은 명확합니다. 개인 에이전트는 미래에 등장할 모든 목표, 도구, 애플리케이션, 제약 조건, 예기치 못한 사건의 조합에 맞춰 학습될 수 없습니다.
따라서 사후 학습에서 명시적으로 강조된 작업을 넘어 일반화할 수 있어야 합니다.
Meta는 여러 개인 에이전트 시나리오로 이 개념을 시연합니다.
Muse Wonder는 브라우저와 여러 애플리케이션에서 작동하며, 개인 선호도와 현재 상황을 활용해 러닝 계획을 수립할 수 있습니다.
이 사례는 경로 계획을 하나의 고립된 질의로 취급하지 않고, 개인 맥락을 외부 지도 및 웹 정보와 결합합니다.
또 다른 시연에서는 개인 Instagram 프로필의 실제 사진을 사용해 맞춤형 상품을 디자인하고 주문합니다.
이는 메모리, 멀티모달 이해, 브라우저 사용, 행동 실행이 모두 함께 작동해야 하는 워크플로 유형입니다.
Muse Wonder는 복잡한 매칭 및 배치 요구사항 목록을 바탕으로 좌석표를 준비하는 모습도 보여 줍니다.
이는 제약 조건이 많은 계획의 유용한 사례입니다. 모델은 최종 배치를 생성하면서 다수의 관계와 선호도를 동시에 보존해야 합니다.
원래 Meta 페이지는 이러한 시나리오를 정적 스크린샷이 아닌 인터랙티브 영상으로 제공합니다. 데모 미디어가 Markdown 임베드에 적합한 안정적인 독립 이미지 URL을 제공하지 않기 때문에, 대체 이미지를 임의로 만들지 않고 여기서는 이러한 인터랙티브 사례를 설명으로만 다룹니다.
더 유능한 에이전트는 더 어려운 안전성 문제도 만듭니다.
개인 에이전트는 다음에 접근할 수 있습니다.
즉, 안전성은 모델이 위험한 질문에 답하는지 여부만의 문제가 아닙니다. 시스템은 비공개 정보를 신중하게 처리하고, 읽는 콘텐츠 안에 포함될 수 있는 악의적 지시에도 저항해야 합니다.
Meta는 Muse Wonder가 현재까지 자사의 가장 정렬된 모델 제품군이며, 개인정보에 민감한 행동과 적대적 공격에 대한 강건성을 모두 고려해 학습되었다고 밝혔습니다.
Meta는 제품군 중 더 강력한 구성원인 Wonder Full을 Meta Superintelligence Scaling Framework에 따라 평가합니다.
이 프레임워크는 세 가지 재앙적 위험 영역에 초점을 맞춥니다.
Muse Wonder 모델 카드는 완화 조치가 적용되지 않은 모델이 사이버보안과 통제 상실 위험에서 중간 또는 그 이하로 평가된다고 설명합니다.
화학 및 생물학적 위험에 대해 Meta는 완화되지 않은 모델이 고위험 임계값에 도달할 가능성을 배제하지 않는다고 밝혔습니다. 이에 따라 회사는 추가적인 안전성 사후 학습과 시스템 수준 분류기를 적용합니다.
완화 조치가 적용된 상태에서 Meta는 세 영역 모두에서 잔여 위험이 중간 또는 그 이하로 평가된다고 설명합니다.
모델 카드는 Muse Wonder Full의 다음 역량 결과를 보고합니다.
| 사이버 평가 | Muse Wonder Full |
|---|---|
| CyberGym | 88.4% |
| ExploitBench | 58.9% |
| ExploitGym | 92개 플래그 획득* |
ExploitGym 수치에는 중요한 각주가 필요합니다.
Meta에 따르면 획득한 92개 플래그 중 의도된 취약점을 사용한 것은 21개뿐입니다. 나머지 71개는 의도하지 않은 취약점을 통해 획득되었습니다. 공개된 ExploitGym 리더보드는 의도된 취약점의 익스플로잇만 집계하므로, 순위 비교를 위한 수치는 21개입니다.
이는 벤치마크 방법론이 헤드라인 점수만큼 중요하다는 점을 보여 주는 좋은 사례입니다.
Meta의 광범위한 Muse 아키텍처는 모델 주변에 시스템 수준 보호 조치도 추가합니다.
Muse는 격리된 인프라에서 에이전트 워크로드를 실행하고, 연결된 서비스의 자격 증명을 에이전트 환경과 분리하며, 추가 보안 제어를 통해 외부 상호작용을 라우팅합니다.
Meta는 되돌릴 수 없는 행동에 대해 사람의 확인을 권장하며, 개발자가 자체 애플리케이션에 맞는 가드레일을 추가해야 한다고 안내합니다.
Muse Wonder 모델 카드는 다음 사항도 명시적으로 언급합니다.
행동할 수 있는 에이전트는 텍스트만 생성하는 모델보다 결과에 더 큰 영향을 미치므로, 이러한 한계는 중요합니다.
Muse Wonder는 개인 및 전문 업무용 에이전트 작업을 위해 설계된 Meta의 프런티어 AI 모델입니다. 장기 워크플로, 코딩, 컴퓨터 사용, Active Memory, Active Focus에 중점을 둡니다.
Muse Wonder는 Meta Model API와 Muse Code를 통해 제공되며, Muse Wonder Full은 Muse Code 구독을 통해 제공되는 더 높은 역량의 버전입니다. Wonder Full은 Meta가 공개한 에이전트 및 코딩 벤치마크에서 더 많은 항목을 앞서지만, 표준 Wonder는 API로 직접 제공되는 모델입니다.
Meta의 모델 카드는 Muse Wonder와 Muse Wonder Full 모두에 100만 토큰 컨텍스트 윈도우를 명시합니다. 모델은 텍스트, 이미지, 비디오, 오디오 입력을 받고 텍스트를 출력합니다.
Meta는 현재 Muse Wonder의 가격을 입력 토큰 100만 개당 4달러, 캐시된 입력 토큰 100만 개당 0.20달러, 출력 토큰 100만 개당 20달러로 제시하고 있습니다. Muse Wonder Full은 현재 Muse Code 구독 요금제로 배포되므로 토큰당 API 가격이 공개되어 있지 않습니다.
Active Memory는 중요한 사용자 맥락을 대화 전반에 걸쳐 유지하고, 관련성이 생겼을 때 이를 다시 가져오는 기능을 뜻하는 Meta의 용어입니다. 이는 개인 및 전문 업무용 에이전트가 장기간 상호작용에서 더 일관되게 작동하도록 설계되었습니다.
Active Focus는 어려운 목표를 향해 계속 작업하고, 대안을 시도하며, 방해 요소에서 복구하고, 새 정보가 나타날 때 적응하는 모델의 능력입니다. 또한 명확한 설명을 요청하고 중요한 행동 전 사용자 확인을 받는 것도 포함합니다.
모든 측면에서 그렇지는 않습니다. Meta의 점수표는 Muse Wonder 모델이 일부 벤치마크에서 앞서고 Claude Opus 5.5와 GPT-6 Astra가 다른 항목에서 앞선다는 점을 보여 줍니다. 또한 이 비교에는 내부 평가, 제3자 평가, 제공업체 보고 결과가 혼합되어 있습니다.
Meta의 출시는 Muse Wonder를 오픈 웨이트 모델로 설명하기보다 Meta Model API와 Muse Code를 통해 제공한다고 설명합니다. 개발자는 최신 이용 가능 여부 및 라이선스 조건을 Meta의 공식 모델 페이지에서 확인해야 합니다.
Muse Wonder와 Muse Wonder Full은 개인 및 전문 업무용 에이전트를 위한 Meta의 최신 프런티어 모델입니다. 주요 설계 주제는 Active Memory, Active Focus, 도메인 전문성, 장기 코딩, 컴퓨터 사용, 사후 학습에서 강조된 작업을 넘어서는 더 나은 일반화입니다.
이 모델들은 에이전트 벤치마크를 신중하게 해석해야 하는 이유도 보여 줍니다. Meta가 공개한 결과에는 내부, 제3자, 제공업체 보고 평가가 결합되어 있으며, 모델 카드는 하니스와 런타임 설정의 차이를 명확히 언급합니다. 이 제품군은 높은 경쟁력을 보이지만, 하나의 모델이 모든 벤치마크에서 승리하지는 않습니다.
더 큰 변화는 제품 수준의 아키텍처에 있습니다. Meta는 중요한 것을 기억하고, 긴 실행 경로에서 집중력을 유지하며, 실제 애플리케이션 전반에서 안전하게 행동할 수 있는 에이전트를 구축하려 하고 있습니다.
Muse Wonder의 핵심은 단순히 더 강력한 챗봇이 아닙니다. 맥락을 유지하고, 계속 작업하며, 지속적인 개인 또는 전문 업무용 에이전트로 행동하도록 설계된 모델입니다.
한 문장에서 시작해 몇 분 안에 완전한 웹사이트를 받아보세요.
