Michael JohnsonUm agente de IA que executa tarefas em várias etapas precisa manter o objetivo em vista, extrair informações relevantes do contexto anterior e continuar trabalhando após um erro. Em 12 de outubro de 2026, a Meta apresentou os modelos Muse Wonder e Muse Wonder Full, projetados pela empresa para esses cenários. Muse Wonder está disponível para desenvolvedores pela Meta Model API e pelo Muse Code; Muse Wonder Full, para assinantes do Muse Code. A Meta também informa que, posteriormente, Muse Wonder passará a oferecer suporte aos recursos do Muse, inicialmente para assinantes.
O lançamento é importante sobretudo por representar a transição da demonstração de um assistente pessoal para modelos voltados a desenvolvedores. A Meta descreve tarefas que vão da compreensão de documentos e informações financeiras à programação em várias etapas. Equipes que avaliam modelos agênticos podem consultar a descrição dos testes e uma ficha específica dos modelos, com condições de comparação e avaliação de riscos.
O que a Meta chama de Active Memory e Active Focus
Na descrição da Meta, Active Memory é a capacidade de levar informações relevantes de uma conversa para outra e recuperá-las quando forem úteis para a tarefa em andamento. Active Focus diz respeito ao trabalho prolongado: o modelo tenta abordagens alternativas, lida com obstáculos e pede esclarecimentos quando necessário. A empresa também afirma que o modelo consulta o usuário antes de ações importantes.
Esses recursos são voltados a tarefas cuja resposta depende de várias ações, como buscar informações em documentos, planejar ou fazer alterações em um projeto de software. A Meta associa a avaliação do desempenho consistente ao FocusBench e ao SWE-Marathon. A ficha explica que o SWE-Marathon avalia projetos grandes por meio da aprovação em testes, enquanto o FocusBench verifica como o agente supera obstáculos e se adapta a um ambiente em mudança ao longo de uma série de interações.
O que se sabe sobre os testes
A Meta publicou a ficha do modelo Muse Wonder, com uma lista de avaliações, a metodologia e as condições de implantação. Segundo a ficha, os modelos aceitam texto, imagens, vídeo e áudio, e a janela de contexto declarada para inferência é de um milhão de tokens. O documento descreve avaliações de cenários agênticos, programação, trabalho com documentos e segurança.
As condições de comparação variam entre os testes. Em comparações internas controladas de programação, a Meta usou um ambiente de testes comum; alguns outros resultados vieram de avaliadores externos ou de relatórios de fornecedores de modelos. Por exemplo, os resultados do SWE-Marathon se baseiam em dados da Abundant AI: o GPT‑6 Astra foi avaliado pelo Codex, e o Claude Fable 5.1, pelo Claude Code. Portanto, essa linha não é uma comparação de todos os modelos em um mesmo ambiente.
A Meta informa que Muse Wonder Full obteve 92 sinalizações no ExploitGym. A ficha esclarece que, na avaliação, 21 sinalizações correspondiam a uma vulnerabilidade presumida, enquanto as outras 71 foram obtidas por meio de vulnerabilidades não previstas. O ranking publicado contabiliza apenas as primeiras. Esse exemplo mostra como a metodologia de avaliação muda o significado do número final.
O que verificar antes da implantação
Para um piloto prático, os desenvolvedores devem começar pelas tarefas típicas do próprio produto: fornecer ao agente um conjunto limitado de ferramentas, definir um resultado verificável e medir a proporção de cenários concluídos, o número de erros e a necessidade de intervenção humana. Também é importante verificar separadamente o que acontece diante de dados conflitantes, falhas de ferramentas e tentativas de executar ações irreversíveis.
A ficha do modelo da Meta recomenda avaliar o modelo para cada aplicação específica e prever medidas de proteção adicionais, incluindo confirmação humana para ações irreversíveis. O documento também observa que a qualidade depende da configuração de serviço, dos prompts, das ferramentas e do fluxo agêntico. Por isso, a janela de contexto declarada deve ser considerada em conjunto com os resultados nas tarefas-alvo.
Em 13 de outubro de 2026, estavam confirmados o lançamento dos dois modelos, os canais de acesso indicados e os materiais da Meta publicados sobre os testes. A disponibilidade pelo Muse para assinantes é uma etapa futura, não um lançamento já realizado para todos os usuários. Para desenvolvedores, o lançamento oferece uma base para um piloto próprio; a decisão de implantação deve considerar os resultados nas tarefas e nas verificações de segurança do sistema-alvo.