Meta 推出 Muse Wonder 前沿系列模型:主动记忆,遇阻换方法继续推进,Agent 编程媲美 Opus 5.5

跨会话记住背景,遇到变化接着推进任务;用对应评测和官方演示,看清两款模型的能力与差别。

作者:Meta Superintelligence Labs10-13 · 约 10 分钟

Meta 推出了 Muse Wonder 前沿系列模型。本次发布包含 Muse Wonder 与能力更强的 Muse Wonder Full 两款主力模型。两款模型拥有 100 万 token 的推理上下文窗口,支持文本、图像、音频与视频的多模态输入,输出则为纯文本,并在千兆瓦级规模的 Prometheus 数据中心完成训练。

主要功能特点包括:

  • Active Memory(主动记忆):跨会话保留重要背景,新任务中找回相关信息,并识别事实更新。
  • Active Focus(持续推进):遇到阻碍调整方案,跟进多步骤任务,必要时提问、重要操作前确认。
  • 专业领域知识(Domain Expertise):结合合同、财报和健康资料,分析问题并起草供审阅的文件。
  • 持续软件开发(Frontier Coding):跟踪需求、跨文件修改代码,反复测试和修错,支持长期项目。

Meta 将它定位为迈向“个人超级智能”的一步:让 AI 结合个人背景,持续完成生活事务和专业工作。

研究员介绍:主动记忆与持续推进

两个版本,现在分别在哪里用?

  • 现在:Muse Wonder 可通过 Meta Model API 和 Muse Code 使用;Full 仅向 Muse Code 订阅用户开放。
  • 后续:Wonder 将接入 Muse,订阅用户优先,用于生成交互应用等需要更强智能的功能。Meta 还计划基于它开发面向全体 Muse 用户的专用模型。
延伸阅读 · Muse 的运行环境 Meta 推出个人 AI Agent Muse:每人一台云端电脑,可持续在后台推进任务 了解模型如何与云端电脑、后台任务和独立权限系统配合。 阅读介绍文章 →

四项能力,分别解决什么问题?

长期任务需要把前面的背景、执行中的变化和最后的结果连起来。记住要求只是起点,过程中还要调整做法,交付前再检查是否做对。

1. 主动记忆:记住背景,按新要求更新

每次办新事情都重新交代背景,会让助理很难用。Active Memory 会跨会话保留重要信息,在相关任务出现时主动找回,并识别更新。例如,规划出差时沿用你说过的出行偏好,要求改变后采用新条件。

100 万 token 上下文对应一次推理能处理的材料量。跨会话记忆还要把有用背景带到后续会话,在需要时调取。

Meta 内部的 MemoryBench 用 64K–100K token 的长对话,加入无关谈话、冲突事实和后续更正,再由大模型按加权标准评分,检验模型能否从混杂信息中找回有效细节、识别事实更新。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
MemoryBench:记忆加权得分(%) 85.5 85.6 81.5 81.4 79.0

两款模型得分接近,且都高于所列对照,长对话记忆是共同强项。

MemoryBench:长对话中的记忆表现。普通 Wonder 为 85.6%,Full 为 85.5%,是加权评分
MemoryBench:长对话记忆得分

2. 持续推进:遇到阻碍,换方法接着做

任务做到一半,工具可能报错,资料可能缺失,用户也可能改变要求。Active Focus 会围绕目标尝试替代方案,根据新信息调整后续步骤;关键条件不明确时向用户提问,重要操作前先确认。计划需要随着执行结果更新,才能把任务继续推进。

FocusBench 是 Meta 内部的动态场景测试,覆盖住房、旅行、IT、金融等领域,考察受阻后的坚持与调整。AutomationBench-AA 则在模拟业务应用中检查最终状态,所有检查都通过才算一次成功。前者看能否应对变化,后者看整个流程是否做对。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
FocusBench:持续推进得分(%) 54.2 44.9 45.8 47.7 36.6
AutomationBench-AA:完整流程通过率(%) 45.4 39.1 41.2 41.6 32.1

Full 在两项中领先所列对照,比普通版分别高出 9.3 和 6.3 个百分点;普通版低于 Astra 和 Opus。与记忆得分接近相比,持续执行是 Full 更明显的提升所在。但 AutomationBench 的完整通过率仍为 45.4%,未达到半数。

FocusBench:动态阻碍下的持续执行。Full 为 54.2%,普通 Wonder 为 44.9%,是 Meta 内部测试
FocusBench:持续推进得分
AutomationBench-AA:所有终态检查通过的工作流比例,Full 为 45.4%,Wonder 为 39.1%
AutomationBench-AA:完整流程通过率

实际操作软件,还需要看 OSWorld 2.1。模型在 Ubuntu 桌面虚拟机中,通过截图、点击、输入和滚动完成 108 项工作流,分别报告部分得分与完整完成率。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
OSWorld 2.1:桌面任务部分得分(%) 78.4 72.6 81.8 75.8 80.7
OSWorld 2.1:桌面任务完整完成率(%) 39.4 34.3 — 34.3 43.1

部分做对也能得到分数,完整完成率只算整个任务达标。Full 的两项成绩分别为 78.4% 和 39.4%;Opus、Fable 的部分得分更高,Fable 的完整完成率也更高。

3. 专业知识:读懂材料,完成专业任务

Domain Expertise 用于处理合同、财报和健康资料:结合原始文件找依据,再按要求分析或起草成果。法律、金融和健康任务的要求不同,评测也分别进行。

法律:Harvey LAB-AA 1.1。 模型根据案件材料生成法律成果,评审系统逐项检查任务要求与编造信息问题,全部达标才算成功。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
Harvey LAB-AA:法律文件全部达标率(%) 13.1 10.0 4.2 8.6 6.4

两款模型领先所列对照,但 Full 的通过率仍是 13.1%,大多数成果未同时满足全部标准。

Harvey LAB-AA:法律交付物须满足全部标准并通过幻觉检查,Full 的通过率为 13.1%
Harvey LAB-AA:法律文书通过率

金融:Vals Finance Agent V2。 模型结合财报和市场资料完成分析,在 Vals AI 私有测试集上计算准确率。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
Vals Finance Agent V2:金融准确率(%) 59.1 56.6 58.6 53.5 58.9

Full 比 Fable 高 0.2 个百分点,与 Opus 的成绩也接近,优势很小。普通版的成绩低于这三款模型。

Vals Finance Agent V2:金融分析任务。Full 为 59.1%,普通 Wonder 为 56.6%
Vals Finance Agent V2:金融分析准确率

健康:HealthBench Pro。 模型不调用外部工具,回答 525 道专业健康问题,由大模型按医生制定的标准评分,并按回答长度调整。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
HealthBench Pro:健康回答加权得分(%) 62.3 60.5 65.6 65.3 62.1

两款 Wonder 都低于 Opus 和 Astra,健康问答尚未领先。

4. Agent 编程:跨文件修改,反复测试和修错

软件开发需要持续跟踪需求,理解代码库,修改相互依赖的文件,再用测试检查新功能和已有行为,根据报错继续修复。Frontier Coding 将记忆、专业知识和持续推进用到这一过程。Meta 用多样、长期开发任务训练两款模型,支持从小应用到复杂软件的持续开发。

DeepSWE 1.1 覆盖 91 个仓库、5 种语言的 113 个任务,用功能和回归测试判断一次尝试是否成功。SWE-Marathon 则让模型完成较大的软件项目,再运行项目测试检查成果。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
DeepSWE 1.1:开发任务通过率(%) 79.0 78.8 74.2 74.1 67.4
SWE-Marathon:长期项目通过率(%) 57.5 53.1 46.3 42.5 45.6

两款模型在这两项长期项目评测中,得分均高于 Opus 5.5 和 Astra。DeepSWE 上两者只差 0.2 个百分点,SWE-Marathon 上 Full 高出普通版 4.4 个百分点。

SWE-Marathon 中,Full 使用 xhigh 推理档位,Astra 和 Fable 分别使用 Codex、Claude Code 等 Agent 环境。多数其他结果采用 max 推理档位。

DeepSWE:长流程代码任务,Full 为 79.0%,普通 Wonder 为 78.8%
DeepSWE:长期开发任务通过率
SWE-Marathon:超长流程软件工程。Full 使用 xhigh,各对照的 Agent 环境不同
SWE-Marathon:长期项目通过率

其他工程任务的表现有所不同。Terminal-Bench 4.0 在隔离终端中检查最终环境状态;ProgramBench 要模型在不能联网的环境中重建完整程序,每次尝试通过至少 95% 的隐藏行为测试才算达标。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
Terminal-Bench 4.0:终端任务准确率(%) 57.1 52.0 59.6 59.1 52.0
ProgramBench:程序重建达标率(%) 59.0 50.0 70.5 52.5 55.5

终端任务中,Opus 和 Astra 高于 Full;程序重建中,Opus 的 70.5% 明显高于 Full 的 59.0%。

官方厨房演示把这种开发能力用到了一个小应用:根据可定制的图片输入,编写代码,生成可游玩的 3D 厨房小游戏。模型原生输出是文本,游戏由生成的代码交给运行环境执行。

3D 厨房游戏 · 打开原始演示 ↗

综合评测:两种指标为什么排名不同?

综合指标把多项任务的表现汇总起来。Meta 内部的 Personal Superintelligence Index(PSI) 包含 7 项个人与知识工作评测,涵盖持续执行、业务流程、职业任务、浏览和研究。第三方 Artificial Analysis 综合智能指数 则汇集另一组工作、编程、科学与通用推理测试。

评测与指标 Full Wonder Opus 5.5 Astra Fable 5.1
PSI:个人与知识工作综合指标 59.1 54.3 55.2 54.5 49.9
AA 综合智能指数(分) 56 52 58 53 53

Full 在 PSI 中领先,在 AA 综合指数中低于 Opus。两种排名并不矛盾:任务选取和汇总方式不同,衡量的侧重点也不同。

Meta 内部的 Personal Superintelligence Index 原图
PSI:个人任务综合指标
Artificial Analysis 综合智能指数:Full 为 56 分,Wonder 为 52 分,Opus 5.5 为 58 分
AA 综合智能指数
官方评测总表:各行任务和计分方式不同,OSWorld 的部分奖励与完整成功率分别列出
官方评测总表

遇到陌生任务,能否灵活应对?

固定测试覆盖有限任务,现实中的目标、工具和要求却不断变化。两个模型的常用测试分数接近,遇到陌生任务时仍可能表现不同。“Benchmaxxing”讨论的正是这种差距:针对固定测试优化,未必能带来同样的现实适应能力。

Meta 对比 Muse Spark 1.3 与 Wonder Full,增加推理时的计算投入,观察它们在后训练未专门针对的任务上表现如何。

怎样看这两条线?

深蓝是 Wonder Full,浅蓝是 Spark 1.3。原图比较两款模型在不同任务上的表现。

Meta 原始泛化图:横轴是后训练重点任务表现,纵轴是未专门后训练任务表现;Wonder Full轨迹位于Spark 1.3上方。
圆点代表不同推理投入,虚线表示趋势。

选择上方按钮,看横轴、纵轴和两条线的差距。

图中横轴是后训练重点优化的任务成绩,纵轴是后训练未专门针对的任务成绩,每个点对应一种推理投入。两条轨迹都随投入增加而上升;横轴成绩相近时,Wonder Full 的纵轴更高,即它在这组未针对任务上表现更好。

Meta 将提升归因于更大、更强的基础模型,使后训练获得的能力更容易迁移。

个人 Agent 会遇到不同日程、偏好、工具和临时变化形成的新组合,训练无法逐一预设,需要把已有能力用到这些组合中,处理新的需求。

应用演示:从个人资料到具体结果

官方演示让模型调取个人资料,通过浏览器与应用交付路线、订单、座位图或跟进邮件。任务中的偏好、约束和变化,分别用到了前面的记忆、执行与专业理解能力。

跑步:结合健康习惯和日程规划路线

规划周六长跑时,模型从日历和健康记录中找到三项要求:长跑每周增加 1 公里、走平路保护膝盖、10 点前到图书馆。它据此安排 8 点出发的 15.1 公里路线,在基于 OpenStreetMap 数据的地图上每隔 5 公里加标记,生成分享链接,再把带链接的跑步安排写入日历。

跑步规划:结合日程与健康记录

礼品:用猫的照片设计 T 恤并下单

用户想给猫 Coco 做生日 T 恤。模型浏览 Coco 的 Instagram 主页,选取真实照片,按偏好设计带金色“COCO”字样的复古乐队风 T 恤,再进入结算、完成订单确认。

定制礼品:从照片到生日 T 恤

婚礼:按宾客要求排座,逐项检查

用户提供 47 位宾客名单,备注无障碍需求、过敏情况和哪些人要分开。模型查看场地布局,把备注转成规则,按这些规则在规划工具里逐桌安排,最后重新对照原始要求逐项检查并导出座位图。

婚礼排座:按宾客要求生成方案

保险:从核对账单到邮件跟进

用户上传门诊账单和保险卡正反面照片。模型对照材料,解释收费问题及保险为何未被应用,提出方案并拟好与诊所账单部门沟通的电话要点。用户希望改用文字跟进,它便调整为起草并发送邮件,最终由诊所账单部门向保险公司提交理赔。

保险账单:识别问题并跟进理赔

健康:把旅行与症状线索联系起来

模型从日历、消息和邮件中找旅行与症状线索,在连接 Withings、HealthEx 等健康服务前请求许可,再联系海拔和症状出现的时间,帮助用户理解情况。

旅途中的健康资料辅助 · 打开原始演示 ↗

能代办,也要管好权限

个人 Agent 处理邮件、日程和私密资料时,可能读到夹带恶意指令的外部内容。在 Meta 测试中,Full 的个人信息处理违规率为 2.2%,诱导越权执行代码的攻击成功率为 10.7%。付款、外发信息、修改或删除数据等操作,仍需要系统权限限制与必要确认。

私人信息处理违规率:Full 为 2.2%,Wonder 为 3.4%,越低越好
个人信息处理违规率
未经授权执行代码的攻击成功率:Wonder 为 10.5%,Full 为 10.7%,越低越好
越权执行代码的攻击成功率

Meta 强化了对化学、生物、放射性、核风险及网络滥用请求的拒答,也保留合规网络防御能力。Full 在 BioTIER 英文测试中的高风险生物请求拒答率为 98.7%,合规网络防御任务配合率为 93.3%,分别衡量拒绝危险用途和帮助正当防御。

BioTIER 高风险生物请求的拒答率
BioTIER:生物高风险请求拒答率
恶意网络请求的拒答率
恶意网络请求拒答率
合规网络防御请求的配合率
合规网络防御请求配合率

依据 Meta 的超级智能扩展框架,未采取缓解措施时,无法排除 Full 在化学与生物领域达到高风险阈值;加入安全后训练和系统级分类器后,Meta 将各领域的剩余风险评为“中度或更低”。

概念视频:持续推进个人目标
来源
Muse Wonder: A Frontier Model For Personal & Professional AI AgentsMeta Superintelligence Labs·查看主材料