Spesifikasi Teknis Muse Wonder
| Spesifikasi | Rincian |
|---|---|
| Nama model | Muse Wonder |
| ID model | muse-wonder-1.0 |
| Pengembang | Meta |
| Kategori model | Model bahasa besar; AI berbasis agen |
| Tanggal rilis | 12 Oktober 2026 |
| Ketersediaan | Pratinjau |
| Jendela konteks | 1.048.576 token (1M) |
| Modalitas input | Teks, gambar, video, audio, sesuai kartu model |
| Modalitas output | Teks |
| Kemampuan inti | Penalaran, pengodean, penggunaan alat, agen yang berjalan lama, penggunaan komputer |
| Kemampuan memori | Active Memory |
| Kemampuan tugas panjang | Active Focus |
| Akses API | Meta Model API |
| Pengembangan agen | Muse Code dan kerangka agen yang kompatibel |
Jendela konteks satu juta token berguna untuk basis kode besar, kumpulan dokumen panjang, dan tugas yang memerlukan mempertahankan konteks substansial. Namun, kapasitas konteks tidak sama dengan akurasi pengingatan yang terjamin, dan kinerja dunia nyata model bergantung pada kompleksitas tugas, konfigurasi alat, dan kualitas informasi yang disuplai.
Apa itu Muse Wonder
Muse Wonder adalah model AI frontier yang dikembangkan oleh Meta, diumumkan pada 12 Oktober 2026. Model ini dirancang untuk penalaran kompleks, rekayasa perangkat lunak tingkat lanjut, alur kerja agen yang berjalan lama, dan tugas penggunaan komputer. Berbeda dari model yang berfokus pada percakapan singkat, Muse Wonder dibangun untuk merencanakan pekerjaan multi-langkah, menggunakan alat, mendelegasikan sub-tugas, dan memulihkan dari kesalahan saat mengejar tujuan yang lebih besar.
Pembeda kunci Muse Wonder adalah jendela konteks yang panjang, eksekusi berorientasi agen, serta dua kemampuan yang disebut Meta sebagai Active Memory dan Active Focus. Ini dimaksudkan untuk membantu model mempertahankan konteks yang relevan di seluruh percakapan dan bertahan dengan tugas kompleks ketika pendekatan awal gagal.
Fitur AI Muse Wonder dan Kemampuan Intinya
Rekayasa perangkat lunak dan pengodean tingkat lanjut
Muse Wonder dirancang untuk bekerja lintas banyak berkas dalam repositori perangkat lunak nyata. Tugas yang ditujukan mencakup menghasilkan kode, debug, memodifikasi implementasi yang ada, menulis pengujian, dan memverifikasi perubahan.
Untuk tugas rekayasa yang kompleks, model ini dapat merencanakan urutan perubahan, menggunakan alat secara paralel, dan mengoordinasikan pekerjaan di seluruh sub-tugas. Ini membuatnya sangat relevan bagi agen pengodean pada tingkat repositori, bukan hanya pelengkapan kode fungsi tunggal.
Agen AI otonom yang berjalan lama
Muse Wonder mendukung alur kerja multi-langkah yang mungkin memerlukan perencanaan berulang, pemanggilan alat, pemeriksaan hasil, dan perubahan strategi. Meta menggambarkan agen yang dapat bekerja dalam jangka waktu panjang, mendelegasikan sub-tugas ke sub-agen, dan memulihkan dari kesalahan.
Ini adalah kemampuan alur kerja agen, bukan jaminan bahwa setiap pemanggilan API akan berjalan berjam-jam secara mandiri. Aplikasi harus menyediakan loop eksekusi, alat, perizinan, persistensi tugas, dan kondisi penghentian yang diperlukan untuk operasi jangka panjang.
Active Memory untuk kontinuitas kontekstual
Active Memory adalah istilah Meta untuk membawa informasi yang relevan di seluruh percakapan dan mengambilnya saat diperlukan. Ini dimaksudkan untuk membantu model mempertahankan kontinuitas di berbagai tugas alih-alih memperlakukan setiap interaksi sebagai sepenuhnya terisolasi.
Pengembang tetap harus membedakan perilaku memori pada tingkat model dari persistensi pada tingkat aplikasi. Jika alur kerja memerlukan catatan jangka panjang yang andal, gunakan mekanisme penyimpanan dan pengambilan eksplisit alih-alih mengasumsikan setiap detail penting akan selalu diingat.
Active Focus untuk pemecahan masalah yang persisten
Active Focus menggambarkan kemampuan model untuk terus bekerja menuju suatu tujuan saat tugas menjadi sulit, mengeksplorasi pendekatan alternatif, memulihkan dari kesalahan, dan meminta klarifikasi bila perlu.
Ini sangat relevan untuk debug perangkat lunak, alur kerja riset, dan proses bisnis kompleks di mana pendekatan pertama mungkin tidak berhasil. Aplikasi tetap harus mendefinisikan jumlah iterasi maksimum, batas waktu, dan pos pemeriksaan persetujuan untuk menghindari pemanggilan alat yang tidak perlu atau tindakan yang tidak terkendali.
Penggunaan komputer dan pemanggilan alat
Muse Wonder dirancang untuk memberdayakan agen yang berinteraksi dengan peramban, aplikasi desktop, dan antarmuka seluler. Dikombinasikan dengan alat eksternal, ini dapat mendukung alur kerja seperti menavigasi situs web, mengoperasikan perangkat lunak, mengumpulkan informasi, dan menyelesaikan tugas multi-langkah.
Penggunaan komputer bergantung pada alat dan lingkungan eksekusi yang terhubung ke model. Kemampuan umum penggunaan komputer pada model tidak berarti setiap endpoint API secara otomatis memiliki akses ke peramban, desktop, atau aplikasi eksternal.
Penalaran lintas domain profesional
Meta mengidentifikasi hukum, keuangan, dan kesehatan sebagai area di mana Muse Wonder dapat membantu menafsirkan informasi khusus dan menghasilkan produk kerja. Contohnya termasuk memahami sewa, menganalisis informasi keuangan, meninjau dokumen sumber, dan menyiapkan draf.
Kemampuan ini paling baik digunakan untuk bantuan riset, sintesis, dan penyiapan materi untuk ditinjau oleh pakar. Keluaran yang melibatkan hak hukum, keputusan finansial, atau perawatan kesehatan tetap memerlukan verifikasi yang sesuai.
Kinerja Tolok Ukur Muse Wonder
| Tolok ukur | Muse Wonder | Muse Wonder Full | Apa yang diukur |
|---|---|---|---|
| Personal Superintelligence Index | 54.3 | 59.1 | Pekerjaan pengetahuan personal dan profesional |
| Harvey LAB-AA | 10.0 | 13.1 | Tugas agen legal |
| Vals Finance Agent V2 | 56.6 | 59.1 | Riset dan analisis keuangan |
| HealthBench Pro | 60.5 | 62.3 | Penalaran terkait kesehatan |
| AutomationBench-AA | 39.1 | 45.4 | Alur kerja bisnis ujung ke ujung |
| JobBench | 70.5 | 75.3 | Eksekusi tugas profesional |
| OSWorld V2.1 — skor parsial | 72.6 | 78.4 | Tugas penggunaan komputer |
| MemoryBench — skor biner | 34.3 | 39.4 | Memori dan pengambilan konteks |
| Terminal-Bench 4.0-AA | 52.0 | 57.1 | Pengodean berbasis terminal dan penggunaan alat |
| DeepSWE 1.1 | 78.8 | 79.0 | Rekayasa perangkat lunak dengan horizon panjang |
| SWE-Marathon | 53.1 | 57.5 | Tugas rekayasa perangkat lunak yang diperluas |
| ProgramBench | 50.0 | 59.0 | Pemrograman dari awal |
| Artificial Analysis Index | 52 | 56 | Kecerdasan model komposit |
Sumber: Halaman model Muse Wonder resmi dari Meta
evidence untuk penempatan yang dimaksudkan bagi Muse Wonder adalah keluasan evaluasi berbasis agen dan pengodeannya. Saat membandingkannya dengan model lain, periksa versi tolok ukur, konfigurasi penalaran, penyiapan alat, dan apakah skor tersebut mewakili model Muse Wonder standar atau Muse Wonder Full.
Perbandingan Muse Wonder vs. Muse Wonder Full vs. Muse Spark
| Model | Posisi utama | Penggunaan yang direkomendasikan |
|---|---|---|
| muse-wonder-1.0 | Pengodean terdepan, agen yang berjalan lama, penggunaan komputer tingkat lanjut | Tugas rekayasa kompleks dan alur kerja multi-langkah melalui API |
| Muse Wonder Full | Varian Meta yang lebih canggih, ditawarkan melalui langganan Muse Code yang memenuhi syarat | Pengodean dan alur kerja agen yang kritis dan menuntut dalam produk yang didukung |
| Muse Spark | Akses API model umum dengan kapabilitas berorientasi agen | Bantuan sehari-hari, pengembangan umum, dan alur kerja yang profil kemampuannya memadai |
Muse Wonder Full tidak boleh diperlakukan hanya sebagai alias untuk muse-wonder-1.0. Meta mendokumentasikan jalur ketersediaan yang berbeda untuk kedua varian tersebut. Pengembang harus memilih model yang tepat yang mereka miliki aksesnya dan memverifikasi kemampuan mana yang diekspos oleh platform yang dipilih.
Kasus Penggunaan Terbaik untuk Muse Wonder
1. Pengodean kompleks dan pemeliharaan repositori
Gunakan Muse Wonder untuk merencanakan perubahan di banyak berkas, men-debug regresi, menambahkan pengujian, dan meninjau detail implementasi. Ini cocok untuk kerangka agen yang dapat menjalankan pengujian dan memeriksa keadaan repositori yang dihasilkan.
2. Riset dan analisis jangka panjang
Model ini dapat membantu memecah tujuan riset yang luas menjadi sub-tugas, mengumpulkan dan menyintesis informasi melalui alat yang terhubung, serta menghasilkan deliverable terstruktur. Gunakan perujukan sumber dan pemeriksaan bukti eksplisit untuk riset yang memerlukan sitasi andal.
3. Otomatisasi proses bisnis
Dengan integrasi yang tepat, Muse Wonder dapat mendukung alur kerja multi-langkah di aplikasi bisnis, seperti pemrosesan dokumen, operasi berbasis peramban, dan pengumpulan informasi terstruktur.
4. Pekerjaan profesional yang banyak dokumen
Jendela konteks yang panjang dan penalaran berorientasi domain membuatnya cocok untuk meninjau dokumen panjang, membandingkan materi sumber, meringkas kontrak, dan menyusun draf finansial atau profesional. Tinjauan pakar tetap penting untuk keputusan yang berkonsekuensi.
5. Agen penggunaan komputer
Pengembang dapat mengintegrasikan Muse Wonder dengan lingkungan kontrol peramban atau desktop untuk membuat agen yang menavigasi antarmuka dan melakukan tugas. Sistem ini harus menggunakan izin dengan cakupan terbatas, pencatatan tindakan, dan konfirmasi untuk operasi yang sensitif atau tidak dapat dibatalkan.
Keterbatasan dan Pertimbangan Penting Muse Wonder
- Status pratinjau: Model ini didokumentasikan sebagai berada dalam tahap pratinjau. Validasi ketersediaan, perilaku, dan kompatibilitas API sebelum mengandalkannya di produksi.
- Konteks panjang bukan ingatan sempurna: Jendela konteks besar tidak menghilangkan kelalaian, halusinasi, atau kesalahan dalam mengambil detail.
- Pekerjaan berbasis agen memerlukan orkestrasi: Eksekusi jangka panjang membutuhkan aplikasi atau kerangka agen untuk mengelola alat, percobaan ulang, status, dan kriteria penyelesaian.
- Penggunaan komputer memerlukan infrastruktur eksternal: Tindakan peramban dan desktop bergantung pada alat yang terhubung dan izin yang diberikan.
- Keluaran domain memerlukan peninjauan: Respons terkait hukum, keuangan, dan kesehatan dapat mengandung kesalahan meskipun disajikan dengan yakin.
- Hasil tolok ukur memiliki keterbatasan: Hasil yang dilaporkan penyedia dan kerangka agen yang berbeda mungkin tidak dapat dibandingkan secara langsung.
- Kontrol keamanan tetap diperlukan: Gunakan akses alat dengan hak minimum, validasi kode yang dihasilkan, catat tindakan, dan minta persetujuan manusia untuk operasi yang sensitif.
- Kompatibilitas gateway harus diverifikasi: Dukungan API asli Meta tidak secara otomatis mengonfirmasi bahwa model tersedia dengan ID atau format permintaan yang sama di CometAPI.