- Meta 推出 Muse Wonder 和 Muse Wonder Full 模型，提升复杂任务处理能力。
- Muse Wonder 整合至消费者助手，初期仅限订阅者使用。
- Active Memory 特征能保留对话中的相关信息，提升用户体验。
- Meta 强调安全措施以处理私人信息，抵抗恶意指令。
Meta 推出了两款新型前沿模型，旨在利用长期记忆、持续推理和软件工具执行复杂的个人和专业任务。该公司表示，Muse Wonder 和 Muse Wonder Full 在涵盖商业自动化、编程、上下文记忆及专业工作等多方面的评估中，展现了最先进的性能。该公告并未提供具体的基准分数，这使得外界难以独立评估其性能提升的幅度。Muse Wonder 已通过 Meta Model API 和 Muse Code 推出，而 Muse Wonder Full 则向 Muse Code 订阅者提供。
整合至消费者助手的计划
Meta 计划将 Muse Wonder 整合至其消费者助手，最初将限于订阅者使用，并用于生成数字作品及处理需要更高级推理的任务。这一发布紧随 Meta 推出 Muse Spark，并距离该公司重新构建人工智能基础设施已经过去了 14 个月。这些新模型是在其千瓦级的 Prometheus 数据中心进行训练，体现了 Meta 对于更大计算系统和更强模型的投资。
Muse Wonder 的一个核心特征是 Active Memory，这使得模型能够在对话中保留相关信息，并在需要时检索出来。系统设计上不需要用户重复先前的指示，而是能够识别之前共享的细节在新任务中的重要性。这可能有助于个人助理处理涉及偏好、文件和正在进行项目的工作。我们很高兴推出 Muse Wonder 系列，包含 Muse Wonder 和 Muse Wonder Full，这是我们迄今为止最强大的模型。
这两款都是前沿模型，旨在为个人和专业的代理任务提供最先进的性能。
Active Focus 提升模型运作能力
Meta 还推出了 Active Focus，这是一种能力，旨在使模型在面对困难任务时能够持续运作。该系统可以尝试不同的方法，应对突发问题，并在必要时寻求澄清。它还设计成在执行重要行动之前请求确认。该公司通过 MemoryBench 对上下文记忆进行评估，并使用 FocusBench 进行持续任务执行的评估。此外，该公司还利用 AutomationBench-AA 评估商业工作流程及涵盖法律和金融任务的专业评估。
长期软件开发的重点
软件开发是 Muse Wonder 系列的另一个重要焦点。Meta 表示，这两款模型能够处理涉及多个文件、变更需求和重复测试的长期编程任务。该公司使用 SWE-Marathon 和 DeepSWE 评估在长期软件工程任务上的表现。这些评估检查模型是否能在复杂项目中保持进展，而不仅仅是生成孤立的代码片段。
Meta 还测试了其模型在不熟悉任务上的表现。根据该公司的说法，Muse Wonder Full 在通用化能力上展现出超出 Muse Spark 1.3 所建立的性能趋势的表现。这表明其改善可能超越了训练期间强调的具体任务，尽管公告中未包含足够的数值结果来确定该优势的大小。Meta 展示了 Muse Wonder 如何从图像输入创建可玩的 3D 厨房游戏，并通过浏览器和应用程序交互建立个性化的运动计划。
该公司还强调了处理私人信息的安全措施，抵抗恶意指令，并限制涉及生物及网络安全威胁的危险用途。
Meta 计划利用 Muse Wonder 为其更广泛的产品生态系统开发专用模型，尽管尚未宣布更广泛消费者可用的具体日期。
Muse Wonder 系列对人工智能的影响
Meta 推出的 Muse Wonder 系列模型，显示出其在人工智能领域的持续创新与投资。这些模型不仅提升了复杂任务的处理能力，还引入了 Active Memory 和 Active Focus 等新特征，增强了用户交互的流畅性。随着这些模型的推出，Meta 进一步整合 AI 技术进入其产品生态系统，旨在提升消费者的使用体验。安全措施的强调也显示出公司对于数据保护的重视，这在当前数字环境中尤为重要。