原始来源:2026-10-12;发布状态:Muse Wonder 已可通过 Meta Model API 与 Muse Code 使用,Muse Wonder Full 面向 Muse Code 订阅者开放。Meta 将两款模型定位为个人与专业 Agent 的前沿系列,并称未来会把 Muse Wonder 用于 Muse 产品中的体验、制品生成和需要更高智能的流程。官方文章没有宣布开放模型权重,也没有给出可供本地部署的许可证。
产品层面的核心概念是 Active Memory 与 Active Focus。前者强调跨对话保留重要用户上下文,并在当前任务中主动检索相关信息;后者描述模型面对复杂目标时尝试替代路径、处理阻塞和适应新信息,同时在需要澄清或执行重要动作前与用户确认。Meta 把这些能力用于浏览器和应用间操作、长期软件项目以及个人规划示例。
训练方面,Meta 只披露模型在 Prometheus 吉瓦级数据中心训练,并建立在预训练与强化学习扩展之上,未公开参数规模、训练数据组成、计算量或体系结构细节。官方声称模型在个人/专业 Agent、记忆和编码评测中取得领先结果,并用 FocusBench、SWE-Marathon及法律、金融、健康任务说明能力,但这些数据首先是厂商自评,不能替代第三方复测。
官方还讨论了“分布内”与“分布外”任务随测试时计算增加的关系,并主张更强基础模型让后训练收益更能迁移到陌生任务。这是 Meta 对模型泛化机制的解释,不是独立研究结论。对开发者而言,当前最可核实的边界是 API 与 Muse Code 的可用性;文章提到更完整评测报告入口,但安全部分的“完整报告”仍标注稍后提供。
安全方面,Meta 称模型针对私密信息处理、对抗指令、CBRN 与网络滥用进行了强化,并依据其扩展框架保留防御性网络能力。文章没有披露 Agent 误操作率、长程任务失控案例、提示注入测试细节或生产回滚机制。因此,能够调用模型并不等于其主动记忆和跨应用操作已经通过外部安全验证,敏感动作仍需要权限隔离和人工确认。
量仔观察
本站判断,Muse Wonder 的看点不只是基准分数,而是把记忆、持续执行和重要动作确认组合成 Agent 产品接口。不过官方目前公开的是能力叙事和自评,权重、训练细节与完整安全报告都不足。团队试用时应分别测量记忆命中、错误记忆、长程偏航和工具副作用,不能用一次漂亮演示替代真实工作流验证。
