Michael JohnsonMonivaiheisen tekoälyagentin on pidettävä tavoitteensa mielessä, poimittava tarvittavat tiedot aiemmasta kontekstista ja jatkettava työtä virheen jälkeen. Meta esitteli 12. lokakuuta 2026 Muse Wonder- ja Muse Wonder Full -mallit, jotka yhtiön mukaan on suunniteltu tällaisiin käyttötapauksiin. Muse Wonder on kehittäjien saatavilla Meta Model API:n ja Muse Coden kautta; Muse Wonder Full on Muse Coden tilaajille. Meta kertoo myös, että Muse Wonderiin lisätään myöhemmin Muse-ominaisuuksia, aluksi tilaajille.
Julkaisu on merkittävä ennen kaikkea siksi, että painopiste siirtyy henkilökohtaisen avustajan esittelystä kehittäjille tarkoitettuihin malleihin. Meta kuvaa käyttökohteita dokumenttien ja taloustietojen ymmärtämisestä monivaiheiseen ohjelmointiin. Agenttimalleja arvioiville tiimeille on tarjolla testien kuvaukset sekä erillinen mallikortti, jossa kerrotaan vertailujen ehdoista ja riskiarvioinnista.
Mitä Meta tarkoittaa aktiivisella muistilla ja aktiivisella keskittymisellä?
Metan kuvauksessa aktiivinen muisti tarkoittaa kykyä siirtää olennaista tietoa keskustelusta toiseen ja palauttaa se käyttöön, kun siitä on hyötyä nykyisessä tehtävässä. Aktiivinen keskittyminen liittyy pitkäkestoiseen työskentelyyn: malli kokeilee vaihtoehtoisia lähestymistapoja, selvittää esteitä ja pyytää tarkennusta tarvittaessa. Yhtiön mukaan malli varmistaa käyttäjältä ennen tärkeitä toimia.
Nämä ominaisuudet on suunnattu tehtäviin, joissa vastaus muodostuu useista toimista, kuten tietojen etsimisestä dokumenteista, suunnittelusta tai ohjelmistoprojektin muokkaamisesta. Meta kertoo arvioivansa pitkäjänteistä toimintaa FocusBench- ja SWE-Marathon-testeillä. Mallikortin mukaan SWE-Marathon arvioi suuria projekteja testien läpäisyn perusteella, kun taas FocusBench mittaa, miten agentti selviytyy esteistä ja mukautuu muuttuvaan ympäristöön vuorovaikutussarjan aikana.
Mitä testauksesta tiedetään?
Meta julkaisi Muse Wonder -mallikortin, jossa luetellaan arvioinnit, menetelmät ja käyttöönoton ehdot. Kortin mukaan mallit ottavat vastaan tekstiä, kuvia, videota ja ääntä, ja niille ilmoitettu päättelyn aikainen konteksti-ikkuna on miljoona tokenia. Siinä kuvataan agenttikäyttöjen, ohjelmoinnin, dokumenttien käsittelyn ja turvallisuuden testejä.
Vertailujen ehdot vaihtelevat testistä toiseen. Metan sisäisissä, kontrolloiduissa ohjelmointivertailuissa käytettiin yhteistä testausympäristöä; osa muista tuloksista on peräisin ulkoisilta arvioijilta tai mallitoimittajien raporteista. SWE-Marathonin tulokset perustuvat esimerkiksi Abundant AI:n tietoihin: GPT‑6 Astraa testattiin Codexin kautta ja Claude Fable 5.1:tä Claude Coden kautta. Siksi kyseinen vertailu ei ole kaikkien mallien testaamista samassa ympäristössä.
Meta kertoo Muse Wonder Fullin saaneen ExploitGymissä 92 lippua. Mallikortin mukaan 21 lipuista vastasi oletettua haavoittuvuutta, kun taas loput 71 saatiin esiin odottamattomien haavoittuvuuksien kautta. Julkaistussa pistetaulukossa lasketaan mukaan vain ensimmäiset. Tämä havainnollistaa, miten arviointimenetelmä vaikuttaa lopullisen luvun merkitykseen.
Mitä kannattaa tarkistaa ennen käyttöönottoa?
Kehittäjien kannattaa aloittaa käytännön kokeilu tuotteen tyypillisistä tehtävistä: antaa agentille rajattu joukko työkaluja, määritellä todennettava tulos ja mitata valmiiksi saatujen työnkulkujen osuutta, virheiden määrää sekä ihmisen väliintulon tarvetta. Erikseen on testattava, mitä tapahtuu ristiriitaisten tietojen, työkalun toimintahäiriön ja peruuttamattoman toiminnon yrityksen yhteydessä.
Metan mallikortti suosittelee arvioimaan mallia käyttötarkoituskohtaisesti ja ottamaan käyttöön lisäsuojauksia, kuten ihmisen vahvistuksen peruuttamattomille toimille. Kortissa huomautetaan myös, että laatu riippuu palvelukokoonpanosta, kehotteista, työkaluista ja agentin työnkulusta. Siksi ilmoitettua konteksti-ikkunaa kannattaa tarkastella yhdessä kohdetehtävissä saatujen tulosten kanssa.
13. lokakuuta 2026 mennessä vahvistettuja tietoja ovat molempien mallien julkaisu, ilmoitetut käyttökanavat ja Metan julkaisemat testausmateriaalit. Muse-käyttö tilaajille on tuleva vaihe, ei vielä kaikille käyttäjille toteutunut julkaisu. Kehittäjille julkaisu tarjoaa pohjan omalle kokeilulle; käyttöönotosta kannattaa päättää kohdejärjestelmässä tehtyjen tehtävä- ja turvallisuustestien tulosten perusteella.