Michael JohnsonUn agent d’IA chargé d’une tâche en plusieurs étapes doit garder son objectif à l’esprit, extraire les informations utiles du contexte précédent et poursuivre son travail après une erreur. Le 12 octobre 2026, Meta a présenté les modèles Muse Wonder et Muse Wonder Full, conçus par l’entreprise pour de tels scénarios. Muse Wonder est accessible aux développeurs via Meta Model API et Muse Code ; Muse Wonder Full est réservé aux abonnés de Muse Code. Meta indique également que Muse Wonder prendra ultérieurement en charge les fonctionnalités de Muse, d’abord pour les abonnés.
Cette sortie marque avant tout le passage de la démonstration d’un assistant personnel à des modèles destinés aux développeurs. Meta décrit des tâches allant de la compréhension de documents et d’informations financières à la programmation en plusieurs étapes. Les équipes qui évaluent des modèles agentiques peuvent consulter la description des tests et une fiche de modèle distincte présentant les conditions de comparaison et l’évaluation des risques.
Ce que Meta entend par Active Memory et Active Focus
Dans la description de Meta, Active Memory désigne la capacité à conserver des informations importantes d’une conversation à l’autre et à les retrouver lorsqu’elles sont utiles à la tâche en cours. Active Focus concerne le travail prolongé : le modèle essaie d’autres approches, surmonte les obstacles et demande des précisions lorsque c’est nécessaire. L’entreprise indique aussi que le modèle consulte l’utilisateur avant d’effectuer des actions importantes.
Ces capacités visent les tâches dont la réponse repose sur plusieurs actions : rechercher des informations dans des documents, planifier ou modifier un projet logiciel, par exemple. Meta associe l’évaluation du fonctionnement durable à FocusBench et SWE-Marathon. La fiche précise que SWE-Marathon évalue de grands projets en vérifiant la réussite des tests, tandis que FocusBench mesure la capacité d’un agent à surmonter des obstacles et à s’adapter à un environnement changeant au fil d’une série d’interactions.
Ce que l’on sait des tests
Meta a publié la fiche de modèle de Muse Wonder, qui répertorie les évaluations, la méthodologie et les conditions de déploiement. Selon cette fiche, les modèles acceptent du texte, des images, des vidéos et de l’audio, et leur fenêtre de contexte déclarée à l’inférence est d’un million de jetons. Elle décrit des évaluations portant sur les scénarios agentiques, la programmation, le traitement de documents et la sécurité.
Les conditions de comparaison varient selon les tests. Pour ses comparaisons internes contrôlées en programmation, Meta a utilisé un protocole de test commun ; certains autres résultats proviennent d’évaluateurs externes ou de rapports de fournisseurs de modèles. Par exemple, les résultats de SWE-Marathon reposent sur des données d’Abundant AI : GPT‑6 Astra a été évalué via Codex, et Claude Fable 5.1 via Claude Code. Cette ligne ne constitue donc pas une comparaison de tous les modèles dans un protocole commun.
Meta fait état de 92 drapeaux pour Muse Wonder Full dans ExploitGym. La fiche précise que, lors de l’évaluation, 21 drapeaux correspondaient à une vulnérabilité présumée, tandis que les 71 autres résultaient de vulnérabilités inattendues. Seuls les premiers sont comptabilisés dans le classement publié. Cet exemple montre comment la méthodologie d’évaluation peut modifier le sens du chiffre final.
Points à vérifier avant le déploiement
Pour un projet pilote pratique, les développeurs devraient commencer par les tâches typiques de leur produit : fournir à l’agent un ensemble limité d’outils, définir un résultat vérifiable et mesurer la proportion de scénarios menés à bien, le nombre d’erreurs et le besoin d’intervention humaine. Il faut également tester ce qui se passe en cas de données contradictoires, de panne d’un outil ou de tentative d’effectuer une action irréversible.
La fiche de modèle de Meta recommande d’évaluer le modèle pour chaque usage spécifique et de prévoir des mesures de protection supplémentaires, notamment une confirmation humaine pour les actions irréversibles. Elle souligne également que la qualité dépend de la configuration du service, des prompts, des outils et du dispositif agentique. La fenêtre de contexte annoncée doit donc être considérée en parallèle des résultats obtenus sur les tâches visées.
Au 13 octobre 2026, la sortie des deux modèles, les voies d’accès indiquées et les documents de Meta sur les tests sont confirmés. L’accès via Muse pour les abonnés est une étape à venir, et non un lancement déjà effectué pour l’ensemble des utilisateurs. Pour les développeurs, cette sortie fournit une base pour mener leur propre projet pilote ; la décision de déploiement devrait s’appuyer sur les résultats obtenus sur les tâches ciblées et sur les vérifications de sécurité du système concerné.