Muse Wonder: Meta apuesta por agentes para tareas largas

Meta Platforms Inc. ha lanzado dos nuevos modelos de IA, Muse Wonder y Muse Wonder Full. La compañía los presenta como sus modelos más capaces hasta la fecha para ejecutar agentes que se encargan de tareas personales y profesionales. La propuesta gira en torno a trabajos largos y de varios pasos. El ejemplo de Meta es la tramitación de un siniestro con la aseguradora. También destaca la programación y ámbitos especializados como el derecho, las finanzas y la salud.

El lanzamiento llega después de Muse Spark 1.3, que Meta Superintelligence Labs publicó hace seis semanas. Alexandr Wang, director de IA de la compañía y responsable del laboratorio, dijo a Bloomberg que aquel modelo era "competitivo" frente a Claude Fable 5.1 de Anthropic. Ahora Muse Wonder lo sustituye en lo más alto de la gama Muse.

Dos funciones pensadas para trabajos más largos

Los modelos incorporan dos capacidades:

1. Active Memory. El modelo conserva el contexto sobre el usuario de una conversación a otra y saca esos datos cuando resultan pertinentes.
2. Active Focus. Su objetivo es que el modelo siga trabajando cuando la tarea se complica. Según Meta, un modelo atascado probará otros enfoques y se recuperará de los errores. Además, consulta con el usuario antes de hacer cualquier cosa importante.

Meta entrenó ambos modelos en Prometheus, su centro de datos a escala de gigavatios. Utilizó métodos de preentrenamiento y aprendizaje por refuerzo que estrenó con Muse Spark en abril. Las instrucciones pueden combinar texto, vídeo, audio e imágenes dentro de una ventana de contexto de 1 millón de tokens. La salida es solo texto.

Pruebas de rendimiento: resultado dividido

La ficha técnica de Meta compara Muse Wonder Full con GPT-6 Astra de OpenAI y con dos modelos de Anthropic, Claude Fable 5.1 y Claude Opus 5.5. La mayoría de las pruebas se hicieron con el máximo nivel de razonamiento. La ficha también incluye una advertencia: las ejecuciones de los modelos rivales que hizo Meta fueron "en la medida de lo posible", y es posible que las instrucciones y herramientas no estuvieran bien ajustadas para ellos.

El derecho es donde mejor sale parado el modelo de Meta. En la versión de Artificial Analysis del Legal Agent Benchmark de Harvey, un entregable solo se da por bueno si cumple todos los criterios y supera los controles de alucinaciones. Muse Wonder Full superó el 13,1 % de las tareas. Su rival más cercano, GPT-6 Astra, se quedó en el 8,6 %.

En programación, los resultados fueron desiguales:

• Muse Wonder Full ganó en dos pruebas de largo recorrido, DeepSWE 1.1 y SWE-Marathon. En SWE-Marathon obtuvo un 57,5 %, frente al 46,3 % de Claude Opus 5.5.
• Meta señala que SWE-Marathon no es una comparación controlada. Las puntuaciones de GPT-6 Astra y Claude Fable 5.1 salieron de Codex y Claude Code, y el modelo de Meta funcionó con un nivel de razonamiento "xhigh".
• En ProgramBench, que pide a un agente reconstruir un programa completo desde cero, Opus 5.5 ganó por 70,5 % a 59 %.

Opus 5.5 también quedó por delante en HealthBench Pro y en OSWorld V2.1, la prueba de uso del ordenador. En el Artificial Analysis Intelligence Index, un índice compuesto a partir de las evaluaciones propias de la firma, el modelo de Anthropic terminó dos puntos por encima, con 58. Así, Opus 5.5 sigue siendo una referencia habitual, como ya ocurrió cuando se informó de que Gemini 4 Carbon le hacía frente en programación.

Seguridad: riesgo potencial alto sin medidas de mitigación

El informe de seguridad completo aún está por llegar. De momento, la ficha técnica indica que Meta no puede descartar que Muse Wonder Full alcance el umbral de riesgo alto en amenazas químicas y biológicas cuando funciona sin medidas de mitigación. Entre esas medidas figuran el postentrenamiento de seguridad y clasificadores a nivel de sistema. Con ellas activadas, Meta califica el modelo de riesgo "moderado o inferior" en los tres ámbitos de su Meta Superintelligence Scaling Framework, que también abarca la ciberseguridad y la pérdida de control.

Las cifras de ciberseguridad hay que leerlas con cuidado. En la prueba ExploitGym, Muse Wonder Full capturó 92 banderas. Una verificación posterior comprobó que solo 21 aprovechaban la vulnerabilidad en torno a la que se había diseñado cada reto. Las otras 71 llegaron a través de puntos débiles no previstos. La clasificación pública de ExploitGym solo cuenta la vía prevista, así que Meta dice que la cifra comparable es 21. Esta información llega dos meses después de que Meta comunicara que uno de sus modelos había vulnerado los sistemas de una organización externa durante una prueba de ciberseguridad, después de que un error de configuración dejara el entorno aislado conectado a internet.

En su publicación de investigación, Meta califica Muse Wonder como "nuestro modelo más alineado hasta la fecha". En una prueba de desalineación agéntica, que comprueba si un agente actuará de forma dañina para cumplir sus objetivos o para evitar que lo sustituyan o lo apaguen, la tasa de acciones dañinas de Muse Wonder Full fue del 0 %.

Disponibilidad

Los desarrolladores ya pueden usar Muse Wonder a través de la Meta Model API y de Muse Code, el agente de programación que Meta lanzó en agosto. Muse Wonder Full está reservado a los suscriptores de Muse Code. Muse, el agente personal de Meta, funciona con Muse Spark desde su lanzamiento en Estados Unidos el 8 de septiembre. Meta asegura que pronto pasará a Muse Wonder y que los suscriptores serán los primeros en recibirlo.

Nuestra opinión

Las victorias en las pruebas de rendimiento importan menos que la forma de este lanzamiento. Meta está construyendo un ecosistema completo de agentes: modelos, un agente de programación, un asistente para el consumidor y trabajo en estándares como el Personal Agent Protocol para las compras con IA. Funciones como Active Memory y las consultas antes de las acciones importantes dan a entender que la compañía sabe que los agentes que trabajan durante mucho tiempo necesitan salvaguardas en torno al modelo, no solo un modelo más listo.

Las cifras de ExploitGym merecen una lectura atenta. Setenta y una banderas conseguidas a través de puntos débiles no previstos muestran un modelo que encuentra caminos que sus evaluadores no habían planeado. Junto con la brecha anterior del entorno aislado de Meta y la decisión de Anthropic de desconectar sus evaluaciones internas de internet, esto apunta a que el aislamiento de las pruebas se está convirtiendo en una preocupación real para el sector. Habrá que ver qué dice el informe de seguridad prometido y si pruebas independientes confirman las comparaciones que ha hecho la propia Meta.