Michael JohnsonEn AI-agent som arbeider med oppgaver i flere trinn, må holde fast ved målet, hente ut relevante opplysninger fra tidligere kontekst og fortsette arbeidet etter en feil. 12. oktober 2026 presenterte Meta modellene Muse Wonder og Muse Wonder Full, som selskapet har utviklet for slike scenarioer. Muse Wonder er tilgjengelig for utviklere via Meta Model API og Muse Code; Muse Wonder Full er tilgjengelig for Muse Code-abonnenter. Meta opplyser også at Muse Wonder senere skal støtte Muse-funksjoner, først for abonnenter.
Lanseringen er først og fremst viktig fordi den markerer et skifte fra demonstrasjoner av personlige assistenter til modeller for utviklere. Meta beskriver bruksområder fra forståelse av dokumenter og finansiell informasjon til programmering i flere trinn. Team som vurderer agentmodeller, kan se beskrivelsen av testene og et eget modellkort med sammenligningsvilkår og risikovurdering.
Dette mener Meta med Active Memory og Active Focus
I Metas beskrivelse er Active Memory evnen til å ta med viktig informasjon mellom samtaler og hente den fram når den er nyttig for den aktuelle oppgaven. Active Focus handler om langvarig arbeid: Modellen prøver alternative tilnærminger, håndterer hindringer og ber om avklaringer når det trengs. Selskapet sier også at modellen sjekker med brukeren før viktige handlinger.
Disse egenskapene er rettet mot oppgaver der svaret krever flere handlinger, for eksempel å finne informasjon i dokumenter, planlegging eller endringer i et programvareprosjekt. Meta knytter evalueringen av robust arbeid til FocusBench og SWE-Marathon. Modellkortet presiserer at SWE-Marathon evaluerer store prosjekter ut fra om testene bestås, mens FocusBench undersøker hvordan en agent overvinner hindringer og tilpasser seg et miljø i endring gjennom en serie samhandlinger.
Dette vet vi om testingen
Meta har publisert modellkortet for Muse Wonder, med en oversikt over evalueringer, metodikk og utrullingsvilkår. Ifølge kortet tar modellene imot tekst, bilder, video og lyd, og det oppgitte kontekstvinduet ved inferens er på én million tokener. Kortet beskriver tester av agentscenarioer, programmering, dokumenthåndtering og sikkerhet.
Forholdene for sammenligning varierer mellom testene. I kontrollerte interne programmeringssammenligninger brukte Meta et felles testoppsett; enkelte andre resultater er hentet fra eksterne evaluatorer eller modellleverandørenes rapporter. Resultatene fra SWE-Marathon bygger for eksempel på data fra Abundant AI: GPT‑6 Astra ble testet via Codex, mens Claude Fable 5.1 ble testet via Claude Code. Denne raden er derfor ikke en sammenligning av alle modellene i ett felles testoppsett.
Meta rapporterer at Muse Wonder Full fikk 92 flagg i ExploitGym. Modellkortet presiserer at 21 av flaggene samsvarte med en antatt sårbarhet, mens de resterende 71 ble utløst gjennom utilsiktede sårbarheter. Bare de førstnevnte teller med i den publiserte rangeringen. Dette viser hvordan evalueringsmetoden påvirker betydningen av sluttresultatet.
Dette bør du undersøke før innføring
I en praktisk pilot bør utviklere begynne med typiske oppgaver i produktet sitt: Gi agenten et begrenset sett med verktøy, definer et resultat som kan kontrolleres, og mål andelen fullførte scenarioer, antall feil og behovet for menneskelig inngripen. Undersøk også særskilt hva som skjer ved motstridende data, verktøyfeil og forsøk på å utføre en irreversibel handling.
Metas modellkort anbefaler å evaluere modellen for den aktuelle bruken og innføre ekstra sikkerhetstiltak, blant annet menneskelig bekreftelse før irreversibel handling. Kortet påpeker også at kvaliteten avhenger av driftskonfigurasjon, prompter, verktøy og agentoppsett. Det oppgitte kontekstvinduet bør derfor vurderes sammen med resultatene på de aktuelle oppgavene.
Per 13. oktober 2026 er lanseringen av begge modellene, de oppgitte tilgangskanalene og Metas publiserte testmateriale bekreftet. Tilgang via Muse for abonnenter er et framtidig trinn, ikke en lansering som allerede er gjennomført for alle brukere. For utviklere gir lanseringen et utgangspunkt for en egen pilot; beslutningen om innføring bør baseres på resultater fra relevante oppgaver og sikkerhetstester i målsystemet.