Con Muse Wonder e Muse Wonder Full, Meta rafforza la propria posizione nella competizione sui modelli di intelligenza artificiale più avanzati, concentrando lo sviluppo sulle capacità che consentono agli agenti di affrontare attività complesse e prolungate: conservare informazioni tra conversazioni differenti, utilizzare strumenti e applicazioni, correggere gli errori e proseguire autonomamente nell’esecuzione. I due modelli, sviluppati da ccccccccccferrrdddcccccc, si confrontano con le soluzioni di OpenAI, Anthropic e Google, con risultati particolarmente significativi nella programmazione e nell’automazione dei processi professionali.
La nuova famiglia prosegue il lavoro avviato con Muse Spark, sviluppato dopo la riorganizzazione delle attività di ricerca sull’intelligenza artificiale dell’azienda. A quattordici mesi dall’avvio di questo percorso, Meta dispone di modelli di base più potenti e di tecniche di addestramento aggiornate, che combinano pretraining e reinforcement learning per migliorare il ragionamento e l’esecuzione di compiti articolati.
Muse Wonder è disponibile attraverso la Meta Model API e Muse Code, mentre Muse Wonder Full, la versione più avanzata, è accessibile agli abbonati a Muse Code. La tecnologia sarà progressivamente integrata anche nell’assistente personale Muse, inizialmente per gli abbonati, con successive versioni specializzate destinate a una distribuzione più ampia.
Active Memory e Active Focus permettono agli agenti di lavorare nel tempo
La continuità delle informazioni e la capacità di affrontare gli imprevisti sono al centro di Active Memory e Active Focus, le due funzionalità sulle quali Meta ha concentrato una parte significativa dello sviluppo della famiglia Wonder.
Con Active Memory, il modello conserva le informazioni rilevanti emerse durante le conversazioni e le recupera quando diventano utili per un’attività successiva, costruendo progressivamente una conoscenza delle esigenze, delle preferenze e dei progetti dell’utente. La selezione delle informazioni pertinenti assume particolare importanza nei processi che si sviluppano nell’arco di giorni o settimane, coinvolgendo documenti, applicazioni e decisioni successive.
Active Focus interviene sulla capacità di mantenere l’attenzione sull’obiettivo durante l’esecuzione. Quando incontra un ostacolo, l’agente può modificare il proprio approccio, utilizzare strumenti alternativi e correggere gli errori, adattando il piano operativo alle informazioni raccolte. La possibilità di chiedere chiarimenti e ottenere conferme prima delle azioni più importanti permette inoltre di mantenere il controllo dell’utente sulle decisioni sensibili.
La combinazione delle due capacità interessa soprattutto gli agenti personali e professionali, chiamati a coordinare strumenti differenti e a completare procedure nelle quali il risultato dipende da una successione di operazioni. La memoria consente di recuperare il contesto necessario, mentre la persistenza nell’esecuzione riduce le interruzioni e gli interventi manuali richiesti per superare le difficoltà.
Le competenze professionali si estendono dal diritto alla programmazione
Le applicazioni considerate da Meta comprendono il diritto, la finanza e la salute, settori nei quali l’intelligenza artificiale deve interpretare documenti specialistici, individuare informazioni pertinenti e applicare regole a circostanze specifiche. Tra gli esempi figurano la gestione di una pratica assicurativa, l’analisi di un contratto di locazione e l’esame di informazioni finanziarie personali, attività che richiedono di collegare dati provenienti da fonti differenti e sviluppare una sequenza coerente di operazioni.
La programmazione è un altro ambito centrale per Muse Wonder, con capacità che comprendono la generazione di applicazioni, la modifica di progetti esistenti e la gestione di attività di sviluppo prolungate. I modelli possono lavorare su più componenti di uno stesso progetto, tenere traccia dei requisiti, eseguire modifiche e affrontare cicli successivi di test e revisione.
La disponibilità attraverso Muse Code inserisce Wonder nel mercato degli strumenti AI per lo sviluppo software, dove la competizione si concentra sempre più sulla capacità di gestire interi progetti e di coordinare attività che richiedono numerosi passaggi. Le dimostrazioni di Meta comprendono anche la realizzazione di un videogioco tridimensionale giocabile a partire da immagini personalizzabili.
Le capacità agentiche si estendono all’interazione con browser e applicazioni desktop e mobili, permettendo di utilizzare informazioni e strumenti distribuiti tra servizi differenti. Gli agenti possono inoltre pianificare attività che durano diverse ore, distribuirne alcune parti tra sottoagenti ed eseguire operazioni parallele, intervenendo sugli errori durante l’esecuzione.
I benchmark evidenziano i progressi nelle capacità agentiche e nella programmazione
I risultati dei benchmark collocano Muse Wonder Full tra i modelli AI di frontiera, con prestazioni particolarmente competitive nelle attività che richiedono ragionamento specialistico, programmazione ed esecuzione di processi articolati. Il confronto con Claude Opus 5.5 e GPT-6 Astra mostra un quadro differenziato, nel quale Meta ottiene i risultati più significativi nei compiti agentici di lunga durata, mentre i concorrenti mantengono un vantaggio in alcune categorie specialistiche.
La programmazione e l’automazione dei processi professionali sono gli ambiti nei quali emerge maggiormente il progresso della famiglia Wonder. I risultati di SWE-Marathon, DeepSWE e AutomationBench indicano una maggiore efficacia nella gestione di attività che richiedono numerose operazioni successive, dall’analisi del problema alla modifica del codice, fino alla verifica del risultato. Anche nelle prove dedicate al settore legale, Wonder Full raggiunge prestazioni superiori a quelle dei principali concorrenti considerati.
Le capacità agentiche vengono esaminate attraverso benchmark che valutano aspetti complementari: MemoryBench misura la conservazione e il recupero delle informazioni tra interazioni successive, OSWorld l’utilizzo autonomo del computer, mentre JobBench e GDP.pdf verificano l’esecuzione di attività professionali. FocusBench approfondisce invece la capacità di mantenere l’attenzione sull’obiettivo e superare gli ostacoli durante l’esecuzione.
Il quadro complessivo evidenzia una crescente specializzazione dei modelli nelle attività che richiedono autonomia operativa, mentre le prestazioni nei compiti sanitari e nell’utilizzo degli strumenti da riga di comando confermano la competitività delle soluzioni di Anthropic e OpenAI. I risultati combinano valutazioni indipendenti, test condotti da Meta e dati pubblicati dagli sviluppatori dei modelli concorrenti, con metodologie che richiedono attenzione nella comparazione diretta.
I modelli più grandi migliorano la capacità di affrontare problemi nuovi
Le prestazioni nei benchmark descrivono soltanto una parte delle capacità di un modello, soprattutto quando l’impiego previsto comprende attività nuove, combinazioni imprevedibili di strumenti e processi che si sviluppano nel tempo. Per approfondire questo aspetto, Meta ha confrontato Muse Wonder Full con Muse Spark 1.3, analizzando la relazione tra i risultati ottenuti sui compiti utilizzati durante il post-training e quelli raggiunti su attività differenti.
L’analisi considera diversi livelli di risorse computazionali dedicate al ragionamento e mostra che entrambi i modelli migliorano quando aumenta il tempo di elaborazione. Wonder Full raggiunge tuttavia prestazioni superiori sulle attività nuove rispetto a quelle prevedibili sulla base dell’andamento osservato con Spark 1.3, anche quando i due modelli ottengono risultati equivalenti sui compiti utilizzati durante l’ottimizzazione.
Meta attribuisce questo miglioramento alla maggiore capacità dei modelli di base, che consente di trasferire più efficacemente i benefici del post-training a problemi differenti. Per gli agenti personali e professionali, la generalizzazione è particolarmente importante perché le attività reali combinano obiettivi, strumenti e vincoli che cambiano continuamente, richiedendo capacità di adattamento oltre a quelle misurate dai benchmark.
Muse Wonder e Wonder Full sono stati addestrati utilizzando Prometheus, il data center di Meta progettato per operare su scala gigawatt, attraverso un processo che combina miglioramenti nel pretraining e tecniche di reinforcement learning. L’infrastruttura rientra negli investimenti con cui l’azienda ha riorganizzato le proprie attività di ricerca sull’intelligenza artificiale negli ultimi quattordici mesi, rafforzando i team scientifici e la capacità di calcolo dedicata allo sviluppo dei modelli. Meta AI Research
Muse Wonder è disponibile attraverso API, Wonder Full con gli abbonamenti
Muse Wonder e Wonder Full dispongono di una finestra di contesto di circa un milione di token, che permette di elaborare grandi quantità di documentazione e mantenere informazioni durante attività articolate. La famiglia supporta inoltre l’interpretazione di immagini, documenti, schermate e contenuti audiovisivi, con funzionalità utili agli agenti che devono interagire con applicazioni e ambienti software differenti.
L’accesso attraverso la Meta Model API prevede un prezzo di 4 dollari per milione di token in ingresso e 20 dollari per milione di token in uscita, con una tariffa ridotta a 0,20 dollari per milione per i token in ingresso recuperati dalla cache. Meta applica gli stessi prezzi anche quando viene utilizzata una parte molto ampia della finestra di contesto, mentre le interrogazioni attraverso lo strumento di ricerca web hanno un costo aggiuntivo di 2,50 dollari ogni mille richieste.
Wonder Full è invece accessibile attraverso gli abbonamenti Muse Code Power Usage e Maximum Usage, rispettivamente da 50 e 200 dollari al mese. Il primo offre una capacità di utilizzo pari a venti volte quella del piano Everyday Usage, mentre il secondo arriva a ottanta volte, con limiti che si rinnovano su base quinquioraria e settimanale.
La Meta Model API supporta client compatibili con gli SDK di OpenAI, consentendo agli sviluppatori di integrare Muse Wonder nelle applicazioni esistenti attraverso la configurazione dell’endpoint e dell’identificativo muse-wonder-1.0. Le possibilità di utilizzo comprendono l’orchestrazione di più agenti, l’automazione di GitHub, l’interazione con il computer e l’accesso a informazioni aggiornate attraverso strumenti di ricerca web.
La distribuzione attraverso API e servizi proprietari segna un’evoluzione rispetto alla strategia seguita da Meta con Llama, basata sulla pubblicazione dei pesi dei modelli. La ricerca sui modelli aperti prosegue parallelamente, con iniziative come Muse Glimmer, destinato all’esecuzione locale sui dispositivi. Meta Model API
La sicurezza degli agenti richiede protezioni sui modelli e sulle applicazioni
La possibilità di accedere a messaggi, calendari, documenti e applicazioni personali attribuisce agli agenti AI responsabilità che riguardano sia la riservatezza delle informazioni sia il controllo delle operazioni eseguite per conto dell’utente. Per la famiglia Wonder, Meta ha concentrato una parte dell’addestramento sulla protezione dei dati privati, sulla resistenza alle istruzioni malevole e sulla prevenzione degli utilizzi dannosi, mantenendo le capacità necessarie alle attività legittime di sicurezza informatica, come l’individuazione delle vulnerabilità nel software.
Le valutazioni comprendono i rischi connessi all’impiego offensivo delle capacità cyber e quelli relativi agli ambiti chimico, biologico, radiologico e nucleare (CBRN), seguendo i criteri del Meta Superintelligence Scaling Framework. Il framework definisce le soglie di rischio e le misure di mitigazione da applicare ai modelli più avanzati, considerando sia le capacità acquisite durante l’addestramento sia le protezioni introdotte prima della distribuzione.
Meta considera Muse Wonder il proprio modello finora più avanzato sotto il profilo dell’allineamento, inteso come capacità di rispettare le istruzioni legittime e i vincoli di sicurezza durante l’esecuzione delle attività. L’azienda prevede di pubblicare un rapporto più dettagliato con ulteriori risultati delle valutazioni di sicurezza.
La protezione delle informazioni personali coinvolge anche l’architettura dell’assistente Muse, che utilizza Muse Secure VM, una macchina virtuale dedicata all’esecuzione delle attività autorizzate dall’utente. Il sistema Sentinel interviene nel controllo delle comunicazioni con servizi esterni e delle azioni sensibili, affiancando le protezioni integrate nei modelli.
L’isolamento dell’ambiente operativo e il controllo delle autorizzazioni consentono di separare l’accesso ai dati personali dalle capacità di ragionamento dell’intelligenza artificiale, mentre l’utente mantiene il controllo sulle applicazioni collegate e sulle operazioni che richiedono una conferma. About Facebook
Muse Wonder sarà integrato nell’assistente personale Muse
Le capacità sviluppate per Wonder saranno progressivamente integrate nell’assistente personale Muse, inizialmente per gli abbonati, ampliando le possibilità di eseguire attività che richiedono ragionamento specialistico, memoria e interazione con applicazioni differenti.
Tra le dimostrazioni pubblicate da Meta figurano la pianificazione di un allenamento attraverso browser e applicazioni, utilizzando preferenze e circostanze personali, la progettazione e l’ordinazione di prodotti personalizzati a partire da fotografie di Instagram e la definizione della disposizione degli invitati a un matrimonio sulla base di vincoli complessi. In ciascuno di questi casi, l’agente deve combinare informazioni provenienti da fonti differenti, individuare una sequenza di operazioni e adattarla alle condizioni incontrate durante l’esecuzione.
L’assistente Muse dispone già di strumenti per accedere ai servizi autorizzati dall’utente e continuare a lavorare anche quando l’applicazione viene chiusa. Con l’integrazione di Wonder, Meta estenderà queste capacità alle attività che richiedono una maggiore continuità operativa e un ragionamento più articolato, utilizzando Active Memory per recuperare informazioni dalle interazioni precedenti e Active Focus per affrontare ostacoli e imprevisti durante l’esecuzione.
Le successive versioni specializzate permetteranno di distribuire progressivamente le nuove funzionalità a una base di utenti più ampia. About Facebook
