«Личная суперинтеллектуальность для всех»: Meta выпустила Muse Wonder и Muse Wonder Full — фронтирные модели для агентских задач

Что именно представили

Muse Wonder и Muse Wonder Full — две модели одной серии, и Meta называет их самыми способными из выпущенных компанией. Провайдером в карточке указаны Meta Platforms, Inc. или Meta Platforms Ireland Limited, дата релиза — 12 октября 2026 года, сайт — dev.meta.ai. Назначение — коммерческое и исследовательское использование с упором на личные и профессиональные агентские задачи; заявленный набор применений включает общую помощь и рассуждение, код и разработку ПО, работу агентов с инструментами и приложениями, доменные знания в праве, финансах и медицине, мультимодальное понимание документов, скриншотов, графиков, изображений и видео, а также поддержку научных исследований.

Различие между вариантами Meta описывает не архитектурой, а доступом: Muse Wonder доступна разработчикам и сборщикам продуктов через Meta Model API и Muse Code, тогда как Muse Wonder Full доступна подписчикам Muse Code. В самом приложении Muse новые модели появятся позже, и первыми их получат подписчики; Muse Wonder также будет отвечать за генерацию артефактов и за процессы, которым нужно больше интеллекта, а в будущем на её основе компания собирается делать специализированные модели для всех пользователей Muse.

Из технических характеристик в карточке есть четыре: модальности входа — текст, изображение, видео и аудио, выход — только текст; контекст на инференсе — 1 млн токенов; обучение на многоязычных данных; модель не предназначена для использования людьми младше 18 лет. Размер, число параметров, цена и лимиты API в опубликованных материалах не указаны.

Две возможности Meta выносит в отдельные понятия. Active Memory — способность переносить важный контекст о пользователе между разговорами и активно подтягивать детали, релевантные текущей задаче. Active Focus — способность продолжать работу над целью, когда задача упирается: пробовать другие подходы, восстанавливаться после ошибок и доводить дело до конца, при этом спрашивать уточнения, когда это нужно, и сверяться с человеком перед важными действиями.

К релизу приложены демонстрации: сборка играбельной трёхмерной игры про кухню из настраиваемых изображений, планирование субботней пробежки с учётом личных предпочтений прямо в браузере и между приложениями, заказ кастомного мерча по реальным фотографиям из личного профиля в Instagram и схема рассадки на свадьбе по сложному набору условий.

Как их строили

Meta описывает четырнадцать месяцев перестройки своих ИИ-усилий: от пересборки основ до выхода на фронтир. Нынешний релиз, по её словам, продолжает работу по предсказуемому и строгому масштабированию, начатую с Muse Spark, и опирается на улучшения сразу в предобучении и в обучении с подкреплением. Обе модели обучены в дата-центре Prometheus гигаваттного класса.

Устройство замеров в карточке описано подробно, и это важная часть релиза. Результаты Muse Wonder и Muse Wonder Full получены при максимальном усилии рассуждения, и с ними сравниваются GPT-6 Astra, Claude Fable 5.1 и Claude Opus 5.5 — тоже в режиме максимального усилия. Для внутренних сравнений по коду все модели прогоняются в одинаковом для конкретного бенчмарка harness, а во внешних результатах по коду сохраняется harness или продукт агента, которым пользовался отчитывающийся вендор или провайдер модели. Отказы модели получают нулевой балл и остаются в знаменателе, а не выбрасываются из подсчёта.

Отдельная часть исследования в блоге посвящена тому, что там называют «бенчмаксмингом». Meta сравнивает Muse Wonder Full с Muse Spark 1.3 по двум осям: результат на составном наборе задач, на которые делался упор в постобучении, и средний результат на задачах, которые в постобучении не адресовались, — при разном усилии рассуждения. Обе модели улучшаются на незнакомых задачах по мере роста тестовых вычислений, но Muse Wonder Full показывает на них результат лучше, чем предсказывает тренд Muse Spark 1.3 при том же результате на «знакомых» задачах. Объяснение в блоге — более сильная базовая модель, чьи улучшения от постобучения переносятся на незнакомые задачи эффективнее.

Что показали оценки безопасности

Оценки рисков в карточке относятся к Muse Wonder Full как к самой способной версии семейства. По логике Meta Superintelligence Scaling Framework модель достигает порога высокого риска, когда её развёртывание может существенно приблизить реализацию признанного тяжёлым сценария угрозы; сам framework сейчас покрывает три области — химико-биологическую, кибербезопасность и потерю контроля. Без митигаций Meta не исключает, что модель дотягивается до этого порога в химико-биологической области, и поэтому применяет защиты, специально предназначенные для неё, — безопасность в постобучении и системные классификаторы. По кибербезопасности и потере контроля нескрытая модель оценена как «умеренный риск или ниже» ещё до митигаций, а с митигациями и системными защитами этот уровень достигается по всем доменам, что и обосновывает решение о релизе.

Киберспособности Muse Wonder Full измерены тремя оценками: CyberGym — 88.4%, ExploitBench — 58.9%, ExploitGym — 92 захваченных флага. Последняя цифра требует пояснения, которое даёт сама карточка: при проверке с верификатором GPT-cyber и независимым подтверждением через Gemini 3.1 Pro выяснилось, что только 21 из этих 92 флагов взят через уязвимость, для которой задача и ставилась, а остальные 71 — через незапланированные. Публичный рейтинг ExploitGym считает только планировавшиеся уязвимости, поэтому с ним сопоставима цифра 21, а не 92.

Устойчивость к джейлбрейкам описана через Attack Success Rate, где меньше — лучше: CyberBench — 0.8% в одну попытку и 0.8% в многоходовом режиме, PolyGuard (киберподмножество) — 1.1% и 2.3%, RedCode — 9.0% и 8.0%. В химико-биологических прокси-оценках, которые измеряют способности двойного назначения, карточка приводит SecureBio MBCT 59.6%, HPCT 66.5%, VCT 55.9% при среднем 60.7%, Lab-Bench ProtocolQA 89.0%, SeqQA с инструментами 95.6%, Liquid Handling 100.0% и Meta BDT 79.4%. В задачах ABC Bench на дизайн фрагментов и обход скрининга карточка отмечает высокую долю отказов из-за обучения безопасности, и эти отказы снимаются с подсчёта балла.

По отказам на высокорисковые биологические и химические запросы результаты такие: BioTIER — 98.7% в английском, 98.7% многоязычно и 98.2% на состязательных промптах, а внутренний бенчмарк по химии даёт 100.0%, 100.0% и 99.8%. В домене потери контроля карточка приводит два замера: MASK — 87.3%, где выше лучше и означает склонность сохранять честность под давлением, и Agentic Misalignment — 0%, где ниже лучше.

В разделе о доверии и безопасности сказано, что с митигациями остаточный риск оценён на уровне «умеренный или ниже», а саму оценку рассмотрел внутренний процесс управления до решения о развёртывании. Там же перечислены работа с третьими сторонами по лицензированию бенчмарков для оценок катастрофических рисков, моделирование угроз с внешними экспертами, консультации с государственными структурами и программа защиты весов модели.

Что ограничивает и чего в релизе нет

Карточка перечисляет ограничения без смягчения: модель может выдавать неточные, предвзятые или нежелательные ответы; может ошибаться в многошаговых рассуждениях, особенно в новых сценариях, плохо представленных в обучающих данных; визуальное и пространственное рассуждение, особенно трёхмерные задачи, остаётся известным ограничением; модель не оценена на всех языках, представленных в предобучении, и на слабо поддерживаемых языках качество может падать; результат зависит от квантизации, конфигурации обслуживания, промптов, инструментов и агентского harness. Разработчикам рекомендуется добавлять собственные ограждения, включая подтверждение человеком необратимых действий.

Главное, чего в материалах нет, — самих чисел по способностям. В блоге сказано, что серия показывает передовые результаты по ключевым бенчмаркам для личных и профессиональных агентов, памяти и кода, но полная таблица результатов там подана графикой, а детали вынесены в отчёт, который на момент публикации не вышел. Meta обещает, что полный отчёт с дополнительными оценками безопасности «скоро будет доступен», — то есть цифры по безопасности сейчас опираются на карточку модели, а не на отдельный отчёт.

Ещё одна оговорка лежит в самой методике сравнения. В карточке сказано, что там, где существует сопоставимый сторонний или заявленный провайдером результат, используется он, а иначе берётся лучший из внутренне проверенных прогонов, самооценка или результат официального лидерборда. Внутренние прогоны конкурентов используют общие настройки там, где это практично, но остаются best-effort: промпты, инструменты и рантайм могли быть не оптимальны для проприетарных моделей. А строка SWE-Marathon, где результаты GPT-6 Astra и Claude Fable 5.1 получены в Codex и Claude Code соответственно, в карточке прямо названа не контролируемым сравнением в общем harness.