Meta 发布 Muse Wonder 系列（包括 Muse Wonder 和 Muse Wonder Full），定位为面向长期个人与专业智能体任务的前沿模型，强调跨对话的 Active Memory 和在受阻时继续推进的 Active Focus 能力。Meta 已通过 Model API 和 Muse Code 有限提供 Muse Wonder，Muse Wonder Full 暂仅向订阅者开放，外部复测与广泛可用性仍需观察。
Meta于10月12日发布Muse Wonder和Muse Wonder Full，称这是其Superintelligence Lab推出的首个前沿模型系列。两款模型的重点并不只是提高通用基准分数，而是让模型能够在更长时间内记住用户相关信息、处理复杂工作，并在任务受阻时调整路径继续推进。
Meta在官方新闻稿中称，Muse Wonder系列面向个人和专业智能体任务，应用场景包括处理保险理赔、理解租约、分析财务和健康信息，以及从零开始构建应用程序。Meta AI Research在研究博客中则把这次发布描述为迈向“个人超级智能”的一步。
两款模型对应不同的开放范围
目前，Muse Wonder已经通过Meta Model API和Muse Code向开发者与构建者提供；Muse Wonder Full则仅面向Muse Code订阅者开放。Meta表示，Muse Wonder未来还将用于其Muse个人智能体，并将优先向订阅用户推出。
这一安排意味着，发布日所展示的两款模型并没有面向所有开发者提供相同的访问路径。通过API可以调用的是Muse Wonder，而能力更强、名称中带有“Full”的版本暂时不通过API提供。Meta没有在新闻稿中公布Muse Wonder Full的独立价格或完整的公共服务计划。
据TechCrunch报道，通过Meta Model API调用Muse Wonder的价格为每百万输入Token 4美元、每百万输出Token 20美元。TechCrunch援引Meta模型卡称，Muse Wonder和Muse Wonder Full在部分测试中取得了可与GPT-6 Astra和Fable 5.1相比的成绩；这些结果来自Meta的测试，不能直接等同于独立机构的复测结论。
Active Memory试图解决“记住什么”的问题
Meta为这组模型强调的第一个新概念是Active Memory，即跨对话保存与用户有关的重要上下文，并在后续任务中主动找回相关信息。
这和简单地扩大上下文窗口并不完全相同。长上下文能够让模型一次看到更多材料，但个人智能体需要判断哪些信息值得保留、哪些内容与当前任务有关，以及何时重新调用过去的细节。Meta没有把Active Memory描述成一种独立的长期记忆数据库产品，而是把它作为模型处理个人和专业任务的一项能力来介绍。
在Meta的示例中，这类能力可以用于理解长期项目背景、持续跟进工作任务，或在不同对话之间保留用户已经提供过的偏好和约束。实际效果仍取决于记忆写入、检索和删除机制，以及用户是否能够查看和控制被保留的信息。
Active Focus强调遇到阻碍后继续推进
第二个核心概念是Active Focus。Meta将其定义为模型在任务变得困难时继续朝目标推进的能力，包括尝试替代路径、处理错误、适应新信息，并在需要时向用户请求澄清。
这一定位反映出AI产品竞争重点的变化。传统聊天模型往往在一次回答中完成任务，或者在无法继续时等待用户重新提示；而智能体需要跨越多个步骤，调用工具，修改中间结果，并在失败后决定下一步行动。模型能否维持目标、避免重复错误，往往比一次回答是否流畅更接近真实工作中的价值。
Meta还表示，Muse Wonder会在执行重要操作前进行确认。这意味着它的长期自主运行并不是无限授权，而是试图在持续执行和关键节点的人类控制之间建立边界。不过，Meta目前披露的内容主要是产品设计和公司测试结果，外部用户仍需观察这些机制在复杂任务中的稳定性。
从Muse Spark到更大规模的模型
Muse Wonder并不是Meta突然出现的一条产品线。Meta此前发布的Muse Spark 1.3已经把重点放在智能体工作流和编程任务上，强调较长时间的任务执行、用户协作、工具调用和在遇到困难时主动求助。Muse Wonder则是在这一方向上进一步扩大模型规模和任务范围。
Meta称，Muse Wonder和Muse Wonder Full是在其Prometheus数据中心训练的，并结合了预训练和强化学习方面的工作。Meta AI Research把这次发布称为其“规模化阶梯”的下一步；TechCrunch则将其视为Meta在经历AI部门重组、推出轻量级Muse Spark之后，首次正式尝试进入前沿模型竞争。
Meta希望通过这一系列模型，将模型能力直接嵌入个人智能体、代码开发和其他需要连续执行的产品中。对于开发者而言，这意味着评价一个模型的标准可能不再只是代码生成或问答基准，而是它能否理解代码库、保持任务状态、处理工具反馈并交付可用结果。类似的工作流转向，也出现在此前AI编程代理接入模型分层和规范驱动开发的尝试中，例如GPT-5.6接入AWS Kiro的软件开发代理，其关注点就从单次生成代码扩展到需求、设计、实现、测试和审查的完整流程。
公司基准结果与现实可用性之间仍有距离
Meta在研究博客中公布了涉及个人与专业智能体、记忆、持续执行和编程的多组评测，并称Muse Wonder系列在关键基准上达到“state-of-the-art”水平。Meta还强调了法律、金融、健康等领域的任务，以及长时间软件项目中的表现。
但这些结论应当保留其归属。现阶段，公开材料主要呈现Meta自行设计或参与的评测结果，外部研究者尚未完成广泛、统一条件下的复测。不同模型在工具权限、推理时间、提示模板、测试任务和计算预算上的差异，也会影响最终成绩。即使模型在基准上领先，也不代表它已经在真实保险理赔、财务判断或软件交付中稳定达到相同水平。
安全方面，Meta表示，Muse Wonder经过训练和评估，以减少未经许可分享私人信息、协助有害行为和网络攻击的风险，同时保留用于防御性安全工作的能力。Meta称，完整的安全评估报告将在稍后发布。在报告公开前，这些内容应被理解为Meta对模型训练和安全目标的说明，而不是独立安全审计的结论。
Meta押注的不是一次问答，而是持续工作的智能体
Muse Wonder系列的真正意义，可能不在于它是否在发布当天赢下某一项基准，而在于Meta试图把前沿模型直接放进需要长期运行的个人和专业智能体中。
如果Active Memory能够可靠地保存并调用有效信息，Active Focus能够在错误和阻碍出现时让任务继续推进，那么模型就可能从“回答问题的工具”转向“围绕目标工作的系统”。但这也会带来更高的权限、隐私和责任要求：模型记住什么、能够访问哪些文件和账户、何时必须征得用户同意，以及错误行动能否被及时发现和撤销，都将决定这种产品能否真正进入日常工作。
Meta已经给出了模型名称、初步能力定位和有限的访问路径，但Muse Wonder在Muse个人智能体中的具体上线时间、Muse Wonder Full的更广泛可用范围，以及公司所称能力能否在独立测试和真实工作流中得到复现，仍有待后续披露。