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/pt/articles/meta-muse-wonder-explained-active-memory-ec6c8869.md.
A Meta apresentou o **Muse Wonder** e o **Muse Wonder Full**, os modelos mais capazes da empresa até agora para trabalho agêntico pessoal e ...
A Meta apresentou o Muse Wonder e o Muse Wonder Full, os modelos mais capazes da empresa até agora para trabalho agêntico pessoal e profissional.
Os dois modelos foram projetados para tarefas que vão além de responder a um único prompt. Eles podem manter contexto importante, executar objetivos de várias etapas, usar ferramentas e software e continuar se adaptando quando uma tarefa se torna difícil ou o ambiente muda.
No centro do lançamento estão duas ideias que a Meta chama de Active Memory e Active Focus.
Active Memory refere-se a lembrar o que importa ao longo das conversas e recuperar essas informações quando elas se tornam relevantes. Active Focus refere-se a permanecer na tarefa em fluxos de trabalho mais longos: testar alternativas, superar bloqueios, adaptar-se a novas informações e pedir esclarecimentos antes de ações com consequências relevantes.
O Muse Wonder está disponível por meio da Meta Model API e do Muse Code. O Muse Wonder Full está disponível para assinantes do Muse Code. A Meta afirma que o Muse Wonder também começará a impulsionar experiências dentro do Muse, inicialmente para assinantes.
O cartão oficial do modelo lista uma janela de contexto de 1 milhão de tokens, entrada multimodal em texto, imagem, vídeo e áudio, e saída de texto.
| Especificação | Muse Wonder / Wonder Full |
|---|---|
| Data de lançamento | 12 de outubro de 2026 |
| Janela de contexto | 1 milhão de tokens |
| Modalidades de entrada | Texto, imagem, vídeo, áudio |
| Modalidade de saída | Texto |
| Foco principal | Tarefas agênticas pessoais e profissionais |
| Acesso ao Muse Wonder | Meta Model API e Muse Code |
| Acesso ao Muse Wonder Full | Assinatura do Muse Code |
Para usuários de API, a Meta atualmente lista o Muse Wonder a US$ 4 por milhão de tokens de entrada, US$ 0,20 por milhão de tokens de entrada em cache e US$ 20 por milhão de tokens de saída.
A Meta afirma que o lançamento do Muse Wonder é o passo mais recente em uma reconstrução mais ampla de sua stack de IA.
Catorze meses antes do lançamento, a empresa iniciou o que descreve como uma reformulação completa de seus esforços de inteligência artificial. Esse processo levou primeiro à família Muse Spark e agora aos modelos maiores Muse Wonder.
Enquanto o Muse Spark enfatizava eficiência e comportamento agêntico cada vez mais capaz, o Muse Wonder avança mais um nível na trajetória de escalonamento da Meta.
A Meta afirma que os modelos foram treinados em seu data center Prometheus em escala de gigawatt, combinando avanços em pré-treinamento e aprendizado por reforço.
O objetivo declarado da empresa é a superinteligência pessoal: sistemas de IA que possam compreender os objetivos e o contexto de uma pessoa, trabalhar com ferramentas e aplicativos e ajudar em tarefas complexas tanto profissionais quanto cotidianas.
Esse é um enquadramento ambicioso, mas a mudança mais concreta do Muse Wonder é mais fácil de descrever: a Meta está desenvolvendo modelos que devem sustentar o trabalho por períodos mais longos, preservar mais contexto e operar de forma mais confiável como agentes.
A Meta avalia o Muse Wonder e o Muse Wonder Full em agentes pessoais e profissionais, memória, programação, uso de computadores e raciocínio geral.
O cartão do modelo da empresa compara os dois modelos com sistemas que incluem GPT-6 Astra, Claude Fable 5.1 e Claude Opus 5.5 com o máximo esforço de raciocínio.
Alguns resultados representativos do placar publicado pela Meta são apresentados abaixo.
| 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 |
Esses resultados exigem contexto.
O placar da Meta combina vários tipos de evidência: avaliações conduzidas pela Meta, resultados de terceiros, rankings oficiais e pontuações relatadas pelos provedores. O cartão do modelo observa explicitamente que as execuções dos concorrentes seguem uma abordagem de melhor esforço e que prompts, ferramentas, harnesses e configurações de execução podem não estar igualmente otimizados para todos os modelos proprietários.
Portanto, a tabela é útil para entender onde a Meta considera a família Muse Wonder competitiva, mas não deve ser interpretada como um ranking universal único.
O Muse Wonder foi projetado para aplicar conhecimento especializado a tarefas profissionais do mundo real.
A Meta destaca três áreas em particular:
O objetivo não é apenas responder a perguntas de domínio com base na memória. Muitas das avaliações exigem que o modelo trabalhe com materiais-fonte, siga instruções detalhadas e produza um resultado de trabalho utilizável.
Por exemplo, o Harvey's Legal Agent Benchmark avalia trabalho jurídico com base em documentos do caso fornecidos e requisitos detalhados da tarefa.
O Vals Finance Agent V2 se concentra em fluxos de trabalho de analistas financeiros que exigem pesquisa em registros corporativos e informações de mercado.
O HealthBench Pro testa perguntas de saúde de nível profissional usando rubricas escritas por médicos.
Esses benchmarks refletem uma direção mais ampla na IA agêntica: espera-se cada vez mais que o modelo combine conhecimento de domínio com manipulação de documentos, pesquisa e execução de tarefas.
Isso ainda não elimina a necessidade de revisão profissional. O cartão do modelo da Meta alerta explicitamente que o Muse Wonder pode produzir respostas imprecisas, tendenciosas ou questionáveis e que os usuários devem validar o modelo para sua aplicação específica.
A memória é um dos temas centrais do Muse Wonder.
A Meta chama sua abordagem de Active Memory.
A ideia é que um agente pessoal ou profissional útil não deve apenas reter informações de interações anteriores. Ele também precisa reconhecer quando um detalhe antigo volta a ser relevante e trazê-lo para a tarefa atual.
Isso é importante em fluxos de trabalho como:
A Meta avalia esse comportamento com o MemoryBench, um benchmark interno construído em torno de conversas longas e complexas que abrangem aproximadamente 64K a 100K tokens.
As conversas contêm múltiplos fatos, distrações, informações conflitantes e atualizações posteriores. O modelo deve identificar quais informações continuam válidas e recuperar o detalhe certo quando solicitado.
A Meta informa uma pontuação no MemoryBench de 85,6 para o Muse Wonder e 85,5 para o Muse Wonder Full em sua comparação publicada.
Esse resultado é um lembrete útil de que o modelo maior não necessariamente lidera todos os benchmarks individuais.
Lembrar o contexto é apenas parte do que torna um agente útil.
O modelo também precisa continuar trabalhando em direção ao objetivo do usuário.
A Meta chama isso de Active Focus.
Na prática, isso significa que o Muse Wonder é treinado para:
A Meta avalia esse comportamento com o FocusBench, um benchmark interno que cobre tarefas de agentes pessoais em domínios como moradia, viagens, TI e finanças.
Para trabalho de software, a execução sustentada também é testada por meio do SWE-Marathon, que avalia projetos de engenharia de longa duração.
A distinção importante é que Active Focus não é apenas "mais tokens de raciocínio". É um objetivo comportamental: manter-se orientado para a tarefa real ao longo de uma trajetória extensa.
A engenharia de software reúne memória e foco.
Um agente de programação precisa lembrar requisitos, entender uma base de código, fazer alterações em vários arquivos, executar testes, inspecionar falhas e continuar iterando sem perder o objetivo original.
A Meta afirma que ambos os modelos Muse Wonder foram treinados em tarefas de software diversificadas e de longa duração exatamente por esse motivo.
Os resultados de programação publicados mais fortes incluem:
Os resultados do DeepSWE e do SWE-Marathon são particularmente importantes porque se concentram em engenharia de software de horizonte mais longo, e não em conclusão de código isolada.
A página oficial do modelo da Meta também descreve o Muse Wonder como capaz de planejar tarefas longas, delegar trabalho a subagentes, chamar ferramentas em paralelo e recuperar-se de erros.
A empresa demonstra essa capacidade de programação mais ampla com um jogo 3D de cozinha jogável, gerado a partir de entradas de imagem personalizáveis.
Esse exemplo é visualmente impressionante, mas o cartão do modelo acrescenta uma limitação útil: o raciocínio visual e espacial preciso, especialmente em tarefas 3D, continua sendo uma fraqueza conhecida. Desenvolvedores que criam aplicações dependentes de compreensão espacial exata devem validar cuidadosamente o modelo.
Uma pontuação alta em um benchmark nem sempre significa que um modelo tenha desempenho igualmente bom em tarefas desconhecidas.
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
A Meta usa o termo "benchmaxxing" para descrever a preocupação de que um modelo possa ser fortemente otimizado para avaliações conhecidas sem desenvolver a capacidade mais ampla necessária para lidar com novas situações.
Para estudar isso, a Meta compara o desempenho em dois grupos de tarefas:
A empresa compara o Muse Spark 1.3 ao Muse Wonder Full em múltiplos níveis de esforço de raciocínio.
Segundo a Meta, ambos os modelos melhoram em tarefas desconhecidas à medida que o poder computacional em tempo de teste aumenta. Mas o Wonder Full apresenta desempenho melhor em tarefas fora da distribuição do que a tendência do Spark mais antigo preveria com base apenas em seu desempenho dentro da distribuição.
A Meta atribui essa mudança a um modelo-base subjacente mais forte.
O argumento prático é simples: um agente pessoal não pode ser treinado para todas as combinações futuras de objetivos, ferramentas, aplicativos, restrições e eventos inesperados.
Portanto, ele precisa se generalizar além das tarefas explicitamente enfatizadas durante o pós-treinamento.
A Meta demonstra essa ideia com vários cenários de agentes pessoais.
O Muse Wonder pode trabalhar em um navegador e entre aplicativos para montar um plano de corrida usando preferências pessoais e circunstâncias atuais.
O exemplo combina contexto pessoal com informações externas de mapas e da web, em vez de tratar o planejamento de rota como uma única consulta isolada.
Outra demonstração usa fotos reais de um perfil pessoal do Instagram para criar e encomendar produtos personalizados.
Esse é o tipo de fluxo de trabalho em que memória, compreensão multimodal, uso do navegador e tomada de ação precisam funcionar juntos.
O Muse Wonder também é mostrado preparando um mapa de assentos a partir de uma lista complexa de requisitos de compatibilidade e posicionamento.
Este é um exemplo útil de planejamento com muitas restrições: o modelo precisa preservar simultaneamente muitas relações e preferências ao gerar uma organização final.
A página original da Meta apresenta esses cenários como vídeos interativos, e não como capturas de tela estáticas. Como a mídia de demonstração não expõe URLs independentes estáveis adequadas para incorporação em Markdown, esses exemplos interativos são descritos aqui sem inventar imagens substitutas.
Agentes mais capazes também criam um problema de segurança mais difícil.
Um agente pessoal pode ter acesso a:
Isso significa que a segurança não se limita a verificar se o modelo responde a uma pergunta perigosa. O sistema também precisa tratar informações privadas com cuidado e resistir a instruções maliciosas que possam aparecer no conteúdo que ele lê.
A Meta afirma que o Muse Wonder é sua família de modelos mais alinhada até o momento e que os modelos são treinados tanto para comportamento sensível à privacidade quanto para robustez adversarial.
A Meta avalia o Wonder Full — o membro mais capaz da família — sob seu Meta Superintelligence Scaling Framework.
A estrutura se concentra em três domínios de risco catastrófico:
O cartão do modelo Muse Wonder afirma que o modelo sem mitigações é avaliado como moderado ou inferior em risco de cibersegurança e perda de controle.
Para risco químico e biológico, a Meta afirma que não descarta que o modelo sem mitigações atinja o limiar de alto risco. Por isso, a empresa aplica pós-treinamento adicional de segurança e classificadores em nível de sistema.
Com as mitigações implementadas, a Meta afirma que o risco residual é avaliado como moderado ou inferior nos três domínios.
O cartão do modelo relata os seguintes resultados de capacidade para o Muse Wonder Full:
| Avaliação cibernética | Muse Wonder Full |
|---|---|
| CyberGym | 88,4% |
| ExploitBench | 58,9% |
| ExploitGym | 92 flags capturadas* |
O número do ExploitGym exige uma nota importante.
A Meta afirma que apenas 21 das 92 flags capturadas usaram a vulnerabilidade pretendida. As outras 71 foram obtidas por vulnerabilidades não intencionais. Como o ranking publicado do ExploitGym contabiliza explorações da vulnerabilidade pretendida, 21 é o número comparável para fins de classificação.
Este é um bom exemplo de por que a metodologia de benchmark importa tanto quanto a pontuação de destaque.
A arquitetura mais ampla do Muse da Meta também adiciona proteções em nível de sistema ao redor do modelo.
O Muse executa cargas de trabalho de agentes em infraestrutura isolada, mantém as credenciais de serviços conectados separadas do ambiente do agente e encaminha interações externas por controles adicionais de segurança.
A Meta recomenda confirmação humana para ações irreversíveis e afirma que os desenvolvedores devem adicionar proteções adequadas à sua própria aplicação.
O cartão do modelo Muse Wonder também observa explicitamente que:
Essas limitações são importantes porque um agente capaz de agir tem consequências maiores do que um modelo que apenas produz texto.
O Muse Wonder é um modelo de IA de fronteira da Meta desenvolvido para tarefas agênticas pessoais e profissionais. Ele se concentra em fluxos de trabalho de longa duração, programação, uso de computadores, Active Memory e Active Focus.
O Muse Wonder está disponível por meio da Meta Model API e do Muse Code, enquanto o Muse Wonder Full é a versão de maior capacidade oferecida por assinaturas do Muse Code. O Wonder Full lidera mais benchmarks agênticos e de programação publicados pela Meta, mas o Wonder padrão é o modelo diretamente disponível por API.
O cartão do modelo da Meta lista uma janela de contexto de 1 milhão de tokens para o Muse Wonder e o Muse Wonder Full. Os modelos aceitam entradas de texto, imagem, vídeo e áudio e produzem saída de texto.
A Meta atualmente lista o Muse Wonder a US$ 4 por milhão de tokens de entrada, US$ 0,20 por milhão de tokens de entrada em cache e US$ 20 por milhão de tokens de saída. O Muse Wonder Full não é listado com preço de API por token porque, no momento, é distribuído por planos de assinatura do Muse Code.
Active Memory é o termo da Meta para transportar contexto importante do usuário entre conversas e recuperá-lo quando se torna relevante. A proposta é tornar agentes pessoais e profissionais mais consistentes em interações de longa duração.
Active Focus é a capacidade do modelo de continuar trabalhando em direção a um objetivo difícil, testar alternativas, recuperar-se de bloqueios e adaptar-se à medida que novas informações surgem. Também inclui pedir esclarecimentos e confirmar com o usuário antes de ações importantes.
Não de forma universal. O placar da Meta mostra os modelos Muse Wonder liderando em alguns benchmarks, enquanto Claude Opus 5.5 e GPT-6 Astra lideram em outros; além disso, a comparação combina resultados internos, de terceiros e relatados pelos provedores.
O lançamento da Meta descreve o Muse Wonder como disponível por meio da Meta Model API e do Muse Code, e não como um lançamento de pesos abertos. Os desenvolvedores devem consultar a página oficial do modelo da Meta para verificar a disponibilidade e os termos de licenciamento atuais.
Muse Wonder e Muse Wonder Full são os mais recentes modelos de fronteira da Meta para agentes pessoais e profissionais. Seus principais temas de design são Active Memory, Active Focus, especialização por domínio, programação de longa duração, uso de computadores e melhor generalização além das tarefas enfatizadas durante o pós-treinamento.
Os modelos também mostram por que os benchmarks de agentes precisam de interpretação cuidadosa. Os resultados publicados pela Meta combinam avaliações internas, de terceiros e relatadas por provedores, e o cartão do modelo é explícito sobre diferenças em harnesses e configurações de execução. A família é altamente competitiva, mas nenhum modelo vence todos os benchmarks.
A mudança maior é arquitetural no nível do produto: a Meta está tentando desenvolver agentes que lembrem o que importa, mantenham o foco em trajetórias longas e executem ações com segurança em aplicações reais.
A ideia central do Muse Wonder não é simplesmente um chatbot mais forte — é um modelo projetado para manter contexto, continuar trabalhando e atuar como um agente pessoal ou profissional persistente.
Comece com uma frase e tenha um site completo em minutos.
