Especificações técnicas do Muse Wonder
| Specification | Details |
|---|---|
| Model name | Muse Wonder |
| Model ID | muse-wonder-1.0 |
| Developer | Meta |
| Model category | Modelo de linguagem de grande porte; IA agentiva |
| Release date | 12 de outubro de 2026 |
| Availability | Prévia |
| Context window | 1,048,576 tokens (1M) |
| Input modalities | Texto, imagens, vídeo, áudio, de acordo com a ficha do modelo |
| Output modality | Texto |
| Core capabilities | Raciocínio, programação, uso de ferramentas, agentes de longa duração, uso do computador |
| Memory capability | Active Memory |
| Long-task capability | Active Focus |
| API access | Meta Model API |
| Agent development | Muse Code e frameworks de agentes compatíveis |
A janela de contexto de um milhão de tokens é útil para grandes bases de código, coleções extensas de documentos e tarefas que exigem reter muito contexto. No entanto, capacidade de contexto não é o mesmo que precisão de recuperação garantida, e o desempenho do modelo no mundo real depende da complexidade da tarefa, da configuração das ferramentas e da qualidade das informações fornecidas.
O que é o Muse Wonder
Muse Wonder é um modelo de IA de ponta desenvolvido pela Meta, anunciado em 12 de outubro de 2026. Ele é projetado para raciocínio complexo, engenharia de software avançada, fluxos de trabalho de agentes de longa duração e tarefas de uso do computador. Ao contrário de modelos focados principalmente em trocas conversacionais curtas, o Muse Wonder foi construído para planejar trabalho em múltiplas etapas, usar ferramentas, delegar subtarefas e se recuperar de erros enquanto persegue um objetivo maior.
Os principais diferenciais do Muse Wonder são sua longa janela de contexto, execução orientada a agentes e duas capacidades que a Meta chama de Active Memory e Active Focus. Elas têm o objetivo de ajudar o modelo a reter contexto relevante entre conversas e persistir em tarefas complexas quando uma abordagem inicial falha.
Recursos e capacidades principais do Muse Wonder
Engenharia de software avançada e programação
O Muse Wonder foi projetado para trabalhar em vários arquivos de repositórios de software reais. Suas tarefas previstas incluem gerar código, depurar, modificar implementações existentes, escrever testes e verificar alterações.
Para tarefas de engenharia complexas, ele pode planejar uma sequência de mudanças, usar ferramentas em paralelo e coordenar o trabalho entre subtarefas. Isso o torna particularmente relevante para agentes de codificação em nível de repositório, e não apenas para autocompletar de funções isoladas.
Agentes autônomos de IA de longa duração
O Muse Wonder suporta fluxos de trabalho em múltiplas etapas que podem exigir planejamento repetido, chamadas de ferramentas, verificação de resultados e mudança de estratégia. A Meta descreve agentes que podem trabalhar por períodos prolongados, delegar subtarefas a subagentes e se recuperar de erros.
Essas são capacidades de fluxo de trabalho orientado a agentes, não uma garantia de que cada chamada de API rodará por horas de forma independente. O aplicativo deve fornecer o loop de execução, as ferramentas, as permissões, a persistência de tarefas e as condições de parada necessárias para operação de longa duração.
Active Memory para continuidade contextual
Active Memory é o termo da Meta para carregar informações relevantes entre conversas e recuperá-las quando necessário. Destina-se a ajudar o modelo a manter continuidade entre tarefas, em vez de tratar cada interação como totalmente isolada.
Os desenvolvedores ainda devem distinguir o comportamento de memória no nível do modelo da persistência no nível do aplicativo. Se um fluxo de trabalho exigir registros confiáveis de longo prazo, use mecanismos explícitos de armazenamento e recuperação, em vez de presumir que todo detalhe importante será sempre lembrado.
Active Focus para resolução persistente de problemas
Active Focus descreve a capacidade do modelo de continuar trabalhando em direção a um objetivo quando uma tarefa se torna difícil, explorar abordagens alternativas, recuperar-se de erros e pedir esclarecimentos quando apropriado.
Isso é especialmente relevante para depuração de software, fluxos de trabalho de pesquisa e processos de negócios complexos em que a primeira abordagem pode não funcionar. Ainda assim, os aplicativos devem definir iterações máximas, tempos limite e pontos de aprovação para evitar chamadas de ferramentas desnecessárias ou ações descontroladas.
Uso do computador e chamadas de ferramentas
O Muse Wonder foi projetado para alimentar agentes que interagem com navegadores, aplicativos desktop e interfaces móveis. Combinado a ferramentas externas, isso pode suportar fluxos de trabalho como navegar em sites, operar software, coletar informações e concluir tarefas em múltiplas etapas.
O uso do computador depende das ferramentas e do ambiente de execução conectados ao modelo. A capacidade geral de uso do computador de um modelo não significa que todo endpoint de API tenha automaticamente acesso a um navegador, desktop ou aplicativo externo.
Raciocínio em domínios profissionais
A Meta identifica direito, finanças e saúde como áreas em que o Muse Wonder pode ajudar a interpretar informações especializadas e produzir artefatos de trabalho. Exemplos incluem entender um contrato de locação, analisar informações financeiras, revisar documentos-fonte e preparar rascunhos.
Essas capacidades são melhor aproveitadas para assistência à pesquisa, síntese e preparação de materiais para revisão por especialistas. Resultados que envolvam direitos legais, decisões financeiras ou cuidados de saúde ainda exigem verificação apropriada.
Desempenho do Muse Wonder em benchmarks
| Benchmark | Muse Wonder | Muse Wonder Full | O que mede |
|---|---|---|---|
| Personal Superintelligence Index | 54.3 | 59.1 | Trabalho de conhecimento pessoal e profissional |
| Harvey LAB-AA | 10.0 | 13.1 | Tarefas de agente jurídico |
| Vals Finance Agent V2 | 56.6 | 59.1 | Pesquisa e análise financeiras |
| HealthBench Pro | 60.5 | 62.3 | Raciocínio relacionado à saúde |
| AutomationBench-AA | 39.1 | 45.4 | Fluxos de trabalho de negócios ponta a ponta |
| JobBench | 70.5 | 75.3 | Execução de tarefas profissionais |
| OSWorld V2.1 — partial score | 72.6 | 78.4 | Tarefas de uso do computador |
| MemoryBench — binary score | 34.3 | 39.4 | Memória e recuperação de contexto |
| Terminal-Bench 4.0-AA | 52.0 | 57.1 | Programação baseada em terminal e uso de ferramentas |
| DeepSWE 1.1 | 78.8 | 79.0 | Engenharia de software de longo horizonte |
| SWE-Marathon | 53.1 | 57.5 | Tarefas de engenharia de software estendidas |
| ProgramBench | 50.0 | 59.0 | Programação do zero |
| Artificial Analysis Index | 52 | 56 | Inteligência composta do modelo |
Fonte: Página oficial do modelo Muse Wonder da Meta
A evidência do posicionamento pretendido do Muse Wonder é a amplitude de suas avaliações agentivas e de programação. Ao compará-lo com outros modelos, verifique a versão do benchmark, a configuração de raciocínio, a configuração de ferramentas e se a pontuação representa o modelo Muse Wonder padrão ou o Muse Wonder Full.
Muse Wonder vs. Muse Wonder Full vs. Muse Spark
| Model | Main positioning | Recommended use |
|---|---|---|
| muse-wonder-1.0 | Programação de fronteira, agentes de longa duração, uso avançado do computador | Tarefas de engenharia complexas e fluxos de trabalho em múltiplas etapas por meio de uma API |
| Muse Wonder Full | Variante mais avançada da Meta, oferecida por meio de assinaturas elegíveis do Muse Code | Fluxos de trabalho de programação e agentes críticos e exigentes dentro do produto compatível |
| Muse Spark | Acesso geral à API do modelo com capacidades orientadas a agentes | Assistência cotidiana, desenvolvimento geral e fluxos de trabalho em que seu perfil de capacidades é suficiente |
O Muse Wonder Full não deve ser tratado simplesmente como um alias para muse-wonder-1.0. A Meta documenta caminhos de disponibilidade diferentes para as duas variantes. Os desenvolvedores devem selecionar o modelo exato ao qual têm acesso e verificar quais capacidades são expostas pela plataforma escolhida.
Melhores casos de uso para o Muse Wonder
1. Programação complexa e manutenção de repositórios
Use o Muse Wonder para planejar mudanças em vários arquivos, depurar regressões, adicionar testes e revisar detalhes de implementação. É uma boa opção para frameworks de agentes que podem executar testes e inspecionar o estado resultante do repositório.
2. Pesquisa e análise de longa duração
O modelo pode ajudar a dividir metas amplas de pesquisa em subtarefas, reunir e sintetizar informações por meio de ferramentas conectadas e produzir entregáveis estruturados. Use fundamentação em fontes e verificações explícitas de evidências para pesquisas que exigem citações confiáveis.
3. Automação de processos de negócios
Com as integrações apropriadas, o Muse Wonder pode suportar fluxos de trabalho em múltiplas etapas em aplicativos de negócios, como processamento de documentos, operações baseadas em navegador e coleta estruturada de informações.
4. Trabalho profissional intensivo em documentos
A longa janela de contexto e o raciocínio orientado a domínios o tornam adequado para revisar documentos extensos, comparar materiais de origem, resumir contratos e preparar rascunhos financeiros ou profissionais. A revisão por especialistas continua sendo importante para decisões de grande impacto.
5. Agentes de uso do computador
Os desenvolvedores podem integrar o Muse Wonder a um navegador ou a um ambiente de controle de desktop para criar agentes que navegam por interfaces e executam tarefas. Esses sistemas devem usar permissões com escopo, registro de ações e confirmação para operações sensíveis ou irreversíveis.
Limitações e considerações importantes
- Status de prévia: o modelo está documentado como estando em prévia. Valide disponibilidade, comportamento e compatibilidade da API antes de depender dele em produção.
- Contexto longo não é lembrança perfeita: uma grande janela de contexto não elimina omissões, alucinações ou erros na recuperação de detalhes.
- Trabalho agentivo precisa de orquestração: a execução de longa duração requer um aplicativo ou framework de agentes para gerenciar ferramentas, novas tentativas, estado e critérios de conclusão.
- Uso do computador requer infraestrutura externa: ações no navegador e no desktop dependem de ferramentas conectadas e permissões concedidas.
- Resultados de domínio exigem revisão: respostas relacionadas a jurídico, finanças e saúde podem conter erros mesmo quando apresentadas com confiança.
- Resultados de benchmarks têm limitações: resultados reportados pelo provedor e diferentes frameworks de agentes podem não ser diretamente comparáveis.
- Controles de segurança continuam necessários: use acesso a ferramentas com o menor privilégio, valide o código gerado, registre ações e exija aprovação humana para operações sensíveis.
- A compatibilidade com o gateway deve ser verificada: o suporte à API nativa da Meta não confirma automaticamente que o modelo está disponível com o mesmo ID ou formato de requisição na CometAPI.