Michael JohnsonÇok aşamalı bir yapay zekâ ajanının hedefini koruması, önceki bağlamdan gerekli bilgileri çıkarması ve bir hata sonrasında çalışmayı sürdürmesi gerekir. Meta, 12 Ekim 2026’da şirketin bu senaryolar için tasarladığı Muse Wonder ve Muse Wonder Full modellerini tanıttı. Muse Wonder, Meta Model API ve Muse Code üzerinden geliştiricilerin kullanımına açık; Muse Wonder Full ise Muse Code abonelerine sunuluyor. Meta ayrıca Muse Wonder’ın ileride, önce abonelere sunulmak üzere, Muse özelliklerini desteklemeye başlayacağını belirtiyor.
Sürüm, öncelikle kişisel asistan gösterimlerinden geliştiricilere yönelik modellere geçişiyle önem taşıyor. Meta, belge ve finansal bilgileri anlamaktan çok adımlı programlamaya kadar uzanan görevleri tanımlıyor. Ajan modellerini değerlendiren ekipler, test açıklamasına ve karşılaştırma koşullarıyla risk değerlendirmesini içeren ayrı bir model kartına erişebiliyor.
Meta’nın Active Memory ve Active Focus ile kastettikleri
Meta’nın açıklamasına göre Active Memory, anlamlı bilgileri konuşmalar arasında taşıma ve mevcut göreve yardımcı olduğunda bu bilgileri geri çağırma becerisi. Active Focus ise uzun süreli çalışmayla ilgili: model alternatif yaklaşımlar deniyor, engelleri aşmaya çalışıyor ve gerektiğinde açıklama istiyor. Şirket ayrıca modelin önemli eylemlerden önce kullanıcıya danıştığını söylüyor.
Bu özellikler, yanıtın birden fazla eylemle oluşturulduğu görevleri hedefliyor: örneğin belgelerde bilgi arama, planlama veya bir yazılım projesinde değişiklik yapma. Meta, istikrarlı çalışmayı değerlendirmek için FocusBench ve SWE-Marathon ile bağlantı kuruyor. Model kartı, SWE-Marathon’un büyük projeleri testlerin geçilmesine göre değerlendirdiğini; FocusBench’in ise bir dizi etkileşim boyunca ajanın engelleri nasıl aştığını ve değişen ortama nasıl uyum sağladığını ölçtüğünü açıklıyor.
Testler hakkında bilinenler
Meta, değerlendirmelerin listesini, yöntemi ve dağıtım koşullarını içeren Muse Wonder model kartını yayımladı. Karta göre modeller metin, görüntü, video ve ses alabiliyor; çıkarım sırasında belirtilen bağlam penceresi bir milyon token. Kartta ajan senaryoları, programlama, belgelerle çalışma ve güvenlik testleri açıklanıyor.
Karşılaştırma koşulları testten teste değişiyor. Meta, kontrollü şirket içi programlama karşılaştırmalarında ortak bir test ortamı kullandı; diğer bazı sonuçlar dış değerlendiricilerden veya model sağlayıcılarının raporlarından alındı. Örneğin SWE-Marathon sonuçları Abundant AI verilerine dayanıyor: GPT‑6 Astra Codex üzerinden, Claude Fable 5.1 ise Claude Code üzerinden test edildi. Dolayısıyla bu satır, tüm modellerin aynı ortamda karşılaştırıldığı anlamına gelmiyor.
Meta, ExploitGym’de Muse Wonder Full’ın 92 bayrak sonucu elde ettiğini bildiriyor. Model kartı, incelemede 21 bayrağın varsayılan bir güvenlik açığına karşılık geldiğini, kalan 71’inin ise amaçlanmamış güvenlik açıkları üzerinden elde edildiğini belirtiyor. Yayımlanan sıralamada yalnızca ilk gruptakiler sayılıyor. Bu, değerlendirme yönteminin nihai sayının anlamını nasıl değiştirdiğine bir örnek.
Uygulamaya almadan önce neler kontrol edilmeli?
Geliştiriciler, uygulamalı bir pilot çalışmaya ürünlerinde sık karşılaşılan görevlerle başlayabilir: ajana sınırlı sayıda araç sunmak, doğrulanabilir bir sonuç tanımlamak ve tamamlanan senaryoların oranını, hata sayısını ve insan müdahalesi ihtiyacını ölçmek. Çelişkili veriler, araç arızası ve geri alınamaz bir eylem girişimi durumunda ne olduğunu da ayrıca kontrol etmek gerekir.
Meta’nın model kartı, modelin belirli bir kullanım için değerlendirilmesini ve geri alınamaz eylemlerde insan onayı dâhil ek koruma önlemleri alınmasını öneriyor. Kartta ayrıca performansın sunum yapılandırmasına, istemlere, araçlara ve ajan ortamına bağlı olduğu belirtiliyor. Bu nedenle açıklanan bağlam penceresi, hedef görevlerdeki sonuçlarla birlikte değerlendirilmelidir.
13 Ekim 2026 itibarıyla iki modelin yayımlandığı, belirtilen erişim kanalları ve Meta’nın testlere ilişkin yayımladığı materyaller doğrulanmış durumda. Abonelere Muse üzerinden erişim ise tüm kullanıcılar için gerçekleşmiş bir lansman değil, sonraki bir aşama. Bu sürüm geliştiricilere kendi pilot çalışmalarını yürütmek için bir temel sunuyor; uygulamaya alma kararı hedef sistemdeki görev ve güvenlik testlerinin sonuçlarına göre verilmelidir.