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/ru/articles/meta-muse-wonder-explained-active-memory-ec6c8869.md.
Meta представила **Muse Wonder** и **Muse Wonder Full** — самые мощные на сегодняшний день модели компании для персональной и профессиональн...
Meta представила Muse Wonder и Muse Wonder Full — самые мощные на сегодняшний день модели компании для персональной и профессиональной агентной работы.
Две модели предназначены для задач, выходящих за рамки ответа на один запрос. Они могут сохранять важный контекст, работать с многошаговыми целями, использовать инструменты и программное обеспечение, а также продолжать адаптироваться, когда задача усложняется или меняется среда.
В центре релиза находятся две идеи, которые Meta называет Active Memory и Active Focus.
Active Memory — это запоминание важной информации между разговорами и извлечение этой информации, когда она становится релевантной. Active Focus — это способность не терять фокус на задаче в ходе длительных рабочих процессов: пробовать альтернативы, преодолевать препятствия, адаптироваться к новой информации и запрашивать уточнения перед значимыми действиями.
Muse Wonder доступна через Meta Model API и Muse Code. Muse Wonder Full доступна подписчикам Muse Code. Meta заявляет, что Muse Wonder также начнёт поддерживать функции внутри Muse, начиная с подписчиков.
Официальная модельная карта указывает контекстное окно в 1 миллион токенов, мультимодальный ввод текста, изображений, видео и аудио, а также текстовый вывод.
| Спецификация | Muse Wonder / Wonder Full |
|---|---|
| Дата выпуска | 12 октября 2026 года |
| Контекстное окно | 1 млн токенов |
| Входные модальности | Текст, изображение, видео, аудио |
| Выходная модальность | Текст |
| Основная направленность | Персональные и профессиональные агентные задачи |
| Доступ к Muse Wonder | Meta Model API и Muse Code |
| Доступ к Muse Wonder Full | Подписка Muse Code |
Для пользователей API Meta в настоящее время указывает стоимость Muse Wonder: 4 доллара за миллион входных токенов, 0,20 доллара за миллион кэшированных входных токенов и 20 долларов за миллион выходных токенов.
Meta заявляет, что релиз Muse Wonder — это очередной шаг в более масштабной перестройке её AI-стека.
За четырнадцать месяцев до запуска компания начала то, что описывает как фундаментальную переработку своих усилий в области искусственного интеллекта. Этот процесс сначала привёл к семейству Muse Spark, а теперь — к более крупным моделям Muse Wonder.
Если Muse Spark делала акцент на эффективности и всё более развитом агентном поведении, то Muse Wonder поднимается выше по лестнице масштабирования Meta.
Meta сообщает, что модели обучались в её дата-центре Prometheus гигаваттного масштаба, объединяя достижения в предварительном обучении и обучении с подкреплением.
Заявленная цель компании — персональный суперинтеллект: AI-системы, способные понимать цели и контекст человека, работать с инструментами и приложениями и помогать со сложными задачами как в профессиональных, так и в повседневных ситуациях.
Это амбициозная формулировка, однако более конкретное изменение в Muse Wonder описать проще: Meta создаёт модели, от которых ожидают способности поддерживать работу на протяжении более длительных периодов, сохранять больше контекста и надёжнее действовать как агенты.
Meta оценивает Muse Wonder и Muse Wonder Full по направлениям персональных и профессиональных агентов, памяти, программирования, использования компьютера и общего рассуждения.
Модельная карта компании сравнивает две модели с системами, включая GPT-6 Astra, Claude Fable 5.1 и Claude Opus 5.5 при максимальных усилиях рассуждения.
Ниже приведены несколько показательных результатов из опубликованной Meta таблицы оценок.
| Бенчмарк | 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 |
Эти результаты требуют контекста.
Таблица Meta объединяет несколько типов данных: оценки, проведённые Meta, результаты третьих сторон, официальные таблицы лидеров и показатели, заявленные поставщиками. Модельная карта прямо отмечает, что запуски конкурирующих моделей выполнялись в меру возможного, а запросы, инструменты, среды тестирования и конфигурации времени выполнения не всегда могут быть одинаково оптимизированы для каждой проприетарной модели.
Поэтому таблица полезна для понимания областей, в которых Meta считает семейство Muse Wonder конкурентоспособным, но её не следует воспринимать как единый универсальный рейтинг.
Muse Wonder разработана для применения специализированных знаний в реальных профессиональных задачах.
Meta особенно выделяет три области:
Цель заключается не просто в ответах на отраслевые вопросы по памяти. Многие оценки требуют от модели работы с исходными материалами, следования подробным инструкциям и создания применимого рабочего результата.
Например, Harvey's Legal Agent Benchmark оценивает юридическую работу на основе предоставленных документов по делу и детальных требований к задаче.
Vals Finance Agent V2 сосредоточен на процессах работы финансового аналитика, требующих исследований по корпоративной отчётности и рыночной информации.
HealthBench Pro тестирует профессиональные медицинские вопросы с использованием критериев, составленных врачами.
Эти бенчмарки отражают более широкое направление развития агентного ИИ: от модели всё чаще ожидают объединения отраслевых знаний с обработкой документов, исследованиями и выполнением задач.
Это всё равно не отменяет необходимости профессиональной проверки. Модельная карта Meta прямо предупреждает, что Muse Wonder может выдавать неточные, предвзятые или нежелательные ответы и что пользователям следует валидировать модель для своего конкретного приложения.
Память — одна из центральных тем Muse Wonder.
Meta называет свой подход Active Memory.
Идея заключается в том, что полезный персональный или профессиональный агент должен не только хранить информацию из прежних взаимодействий. Он также должен распознавать, когда старый факт снова становится релевантным, и возвращать его в текущую задачу.
Это важно в таких рабочих процессах, как:
Meta оценивает это поведение с помощью MemoryBench — внутреннего бенчмарка, построенного вокруг длинных, сложных разговоров объёмом примерно от 64K до 100K токенов.
Разговоры содержат множество фактов, отвлекающие сведения, противоречивую информацию и поздние обновления. Модель должна определить, какая информация остаётся актуальной, и извлечь нужную деталь по запросу.
В опубликованном сравнении Meta сообщает оценку MemoryBench 85,6 для Muse Wonder и 85,5 для Muse Wonder Full.
Это полезное напоминание о том, что более крупная модель не обязательно лидирует в каждом отдельном бенчмарке.
Запоминание контекста — лишь часть полезного агента.
Модель также должна продолжать работать для достижения цели пользователя.
Meta называет это Active Focus.
На практике это означает, что Muse Wonder обучена:
Meta оценивает это поведение с помощью FocusBench — внутреннего бенчмарка, охватывающего задачи персональных агентов в таких областях, как жильё, путешествия, IT и финансы.
Для работы с программным обеспечением устойчивое выполнение также тестируется через SWE-Marathon, который оценивает длительные инженерные проекты.
Важное различие состоит в том, что Active Focus — это не просто «больше токенов на рассуждение». Это поведенческая цель: сохранять ориентацию на фактическую задачу на протяжении долгой траектории работы.
Разработка программного обеспечения объединяет память и фокус.
Агент для программирования должен помнить требования, понимать кодовую базу, вносить изменения в несколько файлов, запускать тесты, изучать сбои и продолжать итерации, не теряя исходную цель.
Meta заявляет, что обе модели Muse Wonder были обучены на разнообразных длительных программных задачах именно по этой причине.
Наиболее сильные опубликованные результаты в программировании включают:
Результаты DeepSWE и SWE-Marathon особенно важны, поскольку они посвящены более длительной программной инженерии, а не изолированному автодополнению кода.
Официальная страница модели Meta также описывает Muse Wonder как способную планировать длинные задачи, делегировать работу субагентам, параллельно вызывать инструменты и восстанавливаться после ошибок.
Компания демонстрирует эту более широкую способность к программированию на примере игровой 3D-сцены кухни, сгенерированной из настраиваемых изображений.
Этот пример визуально впечатляет, однако модельная карта добавляет важное ограничение: точное визуальное и пространственное рассуждение, особенно в 3D-задачах, остаётся известной слабостью. Разработчикам, создающим приложения, которые зависят от точного пространственного понимания, следует тщательно валидировать модель.
Высокий балл в бенчмарке не всегда означает, что модель одинаково хорошо справляется с незнакомыми задачами.
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
Meta использует термин «benchmaxxing» для описания опасения, что модель может быть сильно оптимизирована под известные оценки, не развивая более широкую способность, необходимую для работы в новых ситуациях.
Чтобы изучить это, Meta сравнивает производительность на двух группах задач:
Компания сравнивает Muse Spark 1.3 с Muse Wonder Full при нескольких уровнях усилий рассуждения.
Согласно Meta, обе модели улучшаются на незнакомых задачах по мере увеличения вычислений на этапе тестирования. Однако Wonder Full показывает лучшие результаты на задачах вне распределения, чем можно было бы предсказать по тренду более старой Spark, опираясь только на её производительность на задачах из распределения.
Meta связывает это изменение с более сильной базовой моделью.
Практический аргумент прост: персональный агент не может быть обучен для каждой будущей комбинации целей, инструментов, приложений, ограничений и непредвиденных событий.
Поэтому он должен уметь обобщать за пределы задач, на которых явно делался акцент при дообучении.
Meta демонстрирует эту идею на нескольких сценариях для персонального агента.
Muse Wonder может работать в браузере и разных приложениях, чтобы составить план пробежки с учётом личных предпочтений и текущих обстоятельств.
Пример объединяет личный контекст с внешними картографическими и веб-данными, а не рассматривает планирование маршрута как один изолированный запрос.
В другой демонстрации используются реальные фотографии из личного профиля Instagram для создания и заказа персонализированного мерча.
Это тип рабочего процесса, в котором память, мультимодальное понимание, использование браузера и выполнение действий должны работать совместно.
Также показано, как Muse Wonder готовит схему рассадки на основе сложного списка требований к сочетанию и размещению гостей.
Это полезный пример планирования с множеством ограничений: модель должна одновременно сохранять большое количество связей и предпочтений, формируя итоговую схему.
Оригинальная страница Meta представляет эти сценарии в виде интерактивных видео, а не статичных скриншотов. Поскольку медиа демонстраций не предоставляют стабильных самостоятельных URL изображений, подходящих для встраивания в Markdown, эти интерактивные примеры описаны здесь без создания вымышленных изображений-замен.
Более способные агенты также создают более сложную проблему безопасности.
Персональный агент может иметь доступ к:
Это означает, что безопасность касается не только того, отвечает ли модель на опасный вопрос. Система также должна бережно обращаться с личной информацией и противостоять вредоносным инструкциям, которые могут появиться в читаемом ею контенте.
Meta сообщает, что Muse Wonder — её наиболее выровненное семейство моделей на сегодня и что модели обучены как поведению, чувствительному к приватности, так и устойчивости к состязательным атакам.
Meta оценивает Wonder Full — более способную модель семейства — в соответствии со своей Meta Superintelligence Scaling Framework.
Фреймворк сосредоточен на трёх областях катастрофических рисков:
В модельной карте Muse Wonder говорится, что незащищённая модель оценивается как имеющая умеренный или более низкий риск в областях кибербезопасности и потери контроля.
Что касается химических и биологических рисков, Meta заявляет, что не исключает достижения незащищённой моделью порога высокого риска. Поэтому компания применяет дополнительное дообучение по безопасности и системные классификаторы.
При наличии мер смягчения Meta оценивает остаточный риск как умеренный или более низкий по всем трём областям.
Модельная карта сообщает следующие результаты оценки возможностей Muse Wonder Full:
| Кибернетическая оценка | Muse Wonder Full |
|---|---|
| CyberGym | 88.4% |
| ExploitBench | 58.9% |
| ExploitGym | 92 захваченных флага* |
Показатель ExploitGym требует важного пояснения.
Meta сообщает, что только 21 из 92 захваченных флагов использовал предусмотренную уязвимость. Остальные 71 были получены через непредусмотренные уязвимости. Поскольку опубликованная таблица лидеров ExploitGym учитывает эксплуатации предусмотренных уязвимостей, 21 — это сопоставимое число для целей ранжирования.
Это хороший пример того, почему методология бенчмарка так же важна, как и итоговый показатель.
Более широкая архитектура Muse также добавляет системные меры защиты вокруг модели.
Muse запускает рабочие нагрузки агентов в изолированной инфраструктуре, хранит учётные данные подключённых сервисов отдельно от среды агента и направляет внешние взаимодействия через дополнительные средства контроля безопасности.
Meta рекомендует подтверждение человеком для необратимых действий и заявляет, что разработчикам следует добавлять защитные механизмы, соответствующие их собственному приложению.
Модельная карта Muse Wonder также прямо отмечает, что:
Эти ограничения важны, потому что агент, способный действовать, имеет более значимые последствия, чем модель, которая только создаёт текст.
Muse Wonder — это передовая AI-модель от Meta, предназначенная для персональных и профессиональных агентных задач. Она ориентирована на длительные рабочие процессы, программирование, использование компьютера, Active Memory и Active Focus.
Muse Wonder доступна через Meta Model API и Muse Code, тогда как Muse Wonder Full — это версия с более высокими возможностями, доступная по подписке Muse Code. Wonder Full лидирует в большем числе опубликованных Meta агентных и программных бенчмарков, но стандартная Wonder — это модель, доступная напрямую через API.
Модельная карта Meta указывает контекстное окно в 1 миллион токенов как для Muse Wonder, так и для Muse Wonder Full. Модели принимают текст, изображения, видео и аудио на вход и создают текст на выходе.
Meta в настоящее время указывает стоимость Muse Wonder: 4 доллара за миллион входных токенов, 0,20 доллара за миллион кэшированных входных токенов и 20 долларов за миллион выходных токенов. Для Muse Wonder Full не указана поточная API-цена, поскольку в настоящее время она распространяется через тарифы подписки Muse Code.
Active Memory — это термин Meta для переноса важного пользовательского контекста между разговорами и его извлечения, когда он становится релевантным. Это предназначено для повышения согласованности персональных и профессиональных агентов при длительных взаимодействиях.
Active Focus — это способность модели продолжать работу над сложной целью, пробовать альтернативы, преодолевать препятствия и адаптироваться при появлении новой информации. Она также включает запрос уточнений и согласование с пользователем важных действий.
Не во всех случаях. Таблица Meta показывает, что модели Muse Wonder лидируют в одних бенчмарках, тогда как Claude Opus 5.5 и GPT-6 Astra лидируют в других; кроме того, сравнение объединяет внутренние оценки, оценки третьих сторон и результаты, заявленные поставщиками.
В описании релиза Meta Muse Wonder указана как доступная через Meta Model API и Muse Code, а не как релиз с открытыми весами. Разработчикам следует обращаться к официальной странице модели Meta за актуальной информацией о доступности и условиях лицензирования.
Muse Wonder и Muse Wonder Full — новейшие передовые модели Meta для персональных и профессиональных агентов. Их ключевые темы проектирования — Active Memory, Active Focus, отраслевая экспертиза, длительное программирование, использование компьютера и более качественное обобщение за пределами задач, на которых делался акцент при дообучении.
Модели также показывают, почему агентные бенчмарки требуют осторожной интерпретации. Опубликованные Meta результаты объединяют внутренние оценки, данные третьих сторон и показатели, заявленные поставщиками, а модельная карта прямо указывает на различия в средах тестирования и настройках времени выполнения. Семейство является высококонкурентным, но ни одна модель не побеждает во всех бенчмарках.
Более масштабное изменение носит архитектурный характер на уровне продукта: Meta стремится создавать агентов, которые запоминают важное, сохраняют фокус на длинных траекториях работы и безопасно действуют в реальных приложениях.
Ключевая идея Muse Wonder — не просто более сильный чат-бот, а модель, предназначенная для сохранения контекста, продолжения работы и действий в роли постоянного персонального или профессионального агента.
Начните с одной фразы и получите полноценный сайт за считанные минуты.
