Michael Johnson複数段階のタスクを担うAIエージェントには、目標を維持し、過去のコンテキストから必要な情報を取り出し、エラーの後も作業を続ける能力が求められます。2026年10月12日、MetaはMuse WonderとMuse Wonder Fullを発表し、こうした用途を想定していると説明しました。Muse WonderはMeta Model APIとMuse Codeを通じて開発者に提供され、Muse Wonder FullはMuse Codeの加入者向けです。またMetaによると、Muse Wonderは後日、まず加入者向けにMuseの機能に対応する予定です。
今回の発表の主な意義は、個人向けアシスタントのデモから開発者向けモデルへと軸足を移した点にあります。Metaは、文書や金融情報の理解から複数段階のプログラミングまでを想定したタスクとして挙げています。エージェントモデルを評価するチーム向けに、テストの説明と、比較条件やリスク評価を記載したモデルカードが公開されています。
Metaが説明するActive MemoryとActive Focus
Metaの説明では、Active Memoryは、会話をまたいで重要な情報を保持し、現在のタスクに役立つときに取り出す能力です。Active Focusは、長時間にわたる作業に関するもので、別の方法を試し、障害に対処し、必要に応じて確認を求めます。同社はさらに、重要な操作の前にモデルがユーザーに確認するとしています。
こうした特性は、文書からの情報検索、計画、ソフトウェアプロジェクトの変更など、複数の手順を経て回答や成果を生み出すタスクを想定しています。Metaは、安定した作業能力の評価にFocusBenchとSWE-Marathonを用いています。モデルカードによると、SWE-Marathonはテストの通過状況を通じて大規模プロジェクトを評価し、FocusBenchは一連のやり取りの中で、エージェントが障害を乗り越え、変化する環境に適応できるかを検証します。
テストについて分かっていること
Metaは、評価項目、手法、デプロイ条件を記載したMuse Wonderのモデルカードを公開しました。カードによると、モデルはテキスト、画像、動画、音声を入力として扱い、推論時のコンテキストウィンドウは100万トークンとされています。エージェントタスク、プログラミング、文書処理、安全性に関する評価も記載されています。
比較条件はテストによって異なります。プログラミングに関する社内の管理された比較では、Metaは共通のテスト環境を使用しました。一方、ほかの結果には外部評価者によるものや、モデル提供元の報告に基づくものがあります。たとえばSWE-Marathonの結果はAbundant AIのデータに基づき、GPT‑6 AstraはCodex経由で、Claude Fable 5.1はClaude Code経由で評価されました。したがって、この項目は全モデルを同一環境で比較したものではありません。
Metaによると、Muse Wonder FullはExploitGymで92件のフラグを記録しました。モデルカードでは、確認時に21件が想定されていた脆弱性に該当し、残りの71件は意図されていない脆弱性を通じて得られたと説明しています。公開ランキングでカウントされるのは前者のみです。これは、評価手法によって最終的な数値の意味が変わることを示す例です。
導入前に確認すべきこと
実用的なパイロットでは、開発者はまず自社製品で一般的なタスクから始めるとよいでしょう。エージェントが使えるツールを限定し、結果を検証できるように定義したうえで、シナリオの完了率、エラー数、人による介入の必要性を測定します。データの不整合、ツールの障害、取り消せない操作を実行しようとした場合の挙動も、別途確認が必要です。
Metaのモデルカードは、具体的な用途に合わせてモデルを評価し、取り消せない操作には人の確認を求めるなど、追加の安全策を設けるよう推奨しています。また、品質はサービス構成、プロンプト、ツール、エージェントの実行環境に左右されるとも記されています。そのため、公称のコンテキストウィンドウは、対象タスクでの評価結果と合わせて捉えるべきです。
2026年10月13日時点で確認されているのは、両モデルの発表、示された提供経路、そしてMetaが公開したテスト資料です。Museを通じた加入者向けの提供は今後の予定であり、すでに全ユーザー向けに開始されたものではありません。今回の発表は開発者に独自のパイロットを行う基盤を提供しますが、導入の判断は、対象システムでのタスク評価と安全性の検証結果に基づいて行うべきです。