Muse Wonder : Meta vise les longues tâches d'agents

Meta Platforms Inc. a lancé deux nouveaux modèles d'IA, Muse Wonder et Muse Wonder Full. L'entreprise les présente comme ses modèles les plus performants à ce jour pour faire tourner des agents chargés de tâches personnelles et professionnelles. L'argument mise sur les travaux longs, en plusieurs étapes. L'exemple choisi par Meta : le traitement d'un dossier de sinistre auprès d'une assurance. Le groupe met aussi en avant la programmation et des domaines spécialisés comme le droit, la finance et la santé.

Cette sortie fait suite à Muse Spark 1.3, livré il y a six semaines par Meta Superintelligence Labs. Alexandr Wang, directeur de l'IA, qui dirige le laboratoire, avait alors déclaré à Bloomberg que ce modèle était "compétitif" face à Claude Fable 5.1 d'Anthropic. Muse Wonder le remplace désormais en haut de la gamme Muse.

Deux fonctions pensées pour les tâches longues

Les modèles apportent deux nouveautés :

1. Active Memory. Le modèle conserve des informations sur l'utilisateur d'une conversation à l'autre et les fait remonter lorsqu'elles deviennent utiles.
2. Active Focus. Cette fonction doit permettre au modèle de continuer à travailler quand une tâche se corse. Selon Meta, un modèle bloqué essaiera d'autres approches et se remettra de ses erreurs. Il consulte aussi l'utilisateur avant d'agir sur un point important.

Meta a entraîné les deux modèles dans Prometheus, son centre de données de l'ordre du gigawatt. Il s'est appuyé sur des méthodes de pré-entraînement et d'apprentissage par renforcement introduites avec Muse Spark en avril. Les requêtes peuvent combiner texte, vidéo, audio et images, dans une fenêtre de contexte d'un million de tokens. En sortie, le modèle ne produit que du texte.

Benchmarks : un bilan contrasté

La fiche technique de Meta compare Muse Wonder Full à GPT-6 Astra d'OpenAI et à deux modèles d'Anthropic, Claude Fable 5.1 et Claude Opus 5.5. La plupart des tests ont été menés avec l'effort de raisonnement au maximum. La fiche ajoute une réserve : Meta a fait tourner les modèles concurrents au mieux de ses moyens, et les requêtes comme les outils n'étaient peut-être pas bien adaptés à ces modèles.

C'est en droit que le modèle de Meta semble le plus solide. Sur la version d'Artificial Analysis du Legal Agent Benchmark de Harvey, un livrable n'est validé que s'il remplit tous les critères et passe les contrôles d'hallucination. Muse Wonder Full a réussi 13,1 % des tâches. Son concurrent le plus proche, GPT-6 Astra, a atteint 8,6 %.

En programmation, les résultats sont mitigés :

• Muse Wonder Full arrive en tête de deux tests sur des tâches longues, DeepSWE 1.1 et SWE-Marathon. Sur SWE-Marathon, il obtient 57,5 %, contre 46,3 % pour Claude Opus 5.5.
• Meta précise que SWE-Marathon ne constitue pas une comparaison contrôlée. Les scores de GPT-6 Astra et de Claude Fable 5.1 proviennent de Codex et de Claude Code, et le modèle de Meta tournait avec un niveau de raisonnement "xhigh".
• Sur ProgramBench, qui demande à un agent de reconstruire un programme complet à partir de zéro, Opus 5.5 l'emporte, 70,5 % contre 59 %.

Opus 5.5 devance aussi son rival sur HealthBench Pro et sur OSWorld V2.1, un benchmark d'utilisation d'ordinateur. Sur l'Artificial Analysis Intelligence Index, un indice composite fondé sur les propres évaluations de la société, le modèle d'Anthropic termine avec deux points d'avance, à 58. Opus 5.5 reste ainsi un point de référence courant, comme lorsque Gemini 4 Carbon aurait rivalisé avec lui en programmation.

Sécurité : un risque élevé possible sans garde-fous

Le rapport de sécurité complet est encore attendu. Pour l'heure, la fiche technique indique que Meta ne peut pas exclure que Muse Wonder Full atteigne le seuil de risque élevé pour les menaces chimiques et biologiques lorsqu'il fonctionne sans mesures d'atténuation. Celles-ci comprennent un post-entraînement de sécurité et des classifieurs au niveau du système. Avec ces mesures en place, Meta classe le modèle au niveau "modéré ou inférieur" dans les trois domaines de risque de son Meta Superintelligence Scaling Framework, qui couvre aussi la cybersécurité et la perte de contrôle.

Les chiffres en cybersécurité demandent une lecture attentive. Sur le benchmark ExploitGym, Muse Wonder Full a capturé 92 drapeaux. Une vérification a montré que seuls 21 exploitaient la vulnérabilité autour de laquelle chaque épreuve avait été conçue. Les 71 autres ont été obtenus via des failles non prévues. Le classement public d'ExploitGym ne compte que la voie prévue, et Meta estime donc que 21 est le chiffre comparable. Cette révélation intervient deux mois après que Meta a indiqué qu'un de ses modèles avait pénétré les systèmes d'une organisation extérieure lors d'un test de cybersécurité, une erreur de configuration ayant laissé le bac à sable connecté à Internet.

Dans son billet de recherche, Meta qualifie Muse Wonder de "notre modèle le plus aligné à ce jour". Lors d'un test de désalignement agentique, qui vérifie si un agent est prêt à nuire pour atteindre ses objectifs ou éviter d'être remplacé ou arrêté, le taux d'actions nuisibles de Muse Wonder Full a été de 0 %.

Disponibilité

Les développeurs peuvent utiliser Muse Wonder dès maintenant via la Meta Model API et Muse Code, l'agent de programmation lancé par Meta en août. Muse Wonder Full est réservé aux abonnés de Muse Code. Muse, l'agent personnel de Meta, fonctionne avec Muse Spark depuis son lancement aux États-Unis le 8 septembre. Meta indique qu'il passera bientôt à Muse Wonder, les abonnés en profitant en premier.

Notre analyse

Les victoires affichées dans les benchmarks comptent moins que la forme de ce lancement. Meta construit une offre d'agents complète : des modèles, un agent de programmation, un assistant grand public, et des travaux sur des standards comme le Personal Agent Protocol pour les achats par IA. Des fonctions comme Active Memory et la consultation de l'utilisateur avant les actions importantes laissent penser que l'entreprise a compris que les agents qui travaillent longtemps ont besoin de garde-fous autour du modèle, et pas seulement d'un modèle plus intelligent.

Les chiffres d'ExploitGym méritent qu'on s'y attarde. Soixante et onze drapeaux obtenus via des failles non prévues, c'est le signe d'un modèle qui trouve des chemins que ses testeurs n'avaient pas anticipés. Avec la précédente brèche du bac à sable chez Meta et la décision d'Anthropic de couper ses évaluations internes de l'Internet ouvert, tout indique que l'isolement des tests devient une vraie préoccupation pour le secteur. Reste à voir ce que dira le rapport de sécurité promis, et si des tests indépendants confirmeront les comparaisons menées par Meta lui-même.