Muse Wonder: Metas neue KI-Modelle für lange Agentenaufgaben

Meta Platforms Inc. hat zwei neue KI-Modelle veröffentlicht: Muse Wonder und Muse Wonder Full. Das Unternehmen bezeichnet sie als seine bislang leistungsfähigsten Modelle für Agenten, die private und berufliche Aufgaben übernehmen. Im Mittelpunkt stehen lange, mehrstufige Aufträge. Metas Beispiel ist die Bearbeitung eines Versicherungsfalls. Außerdem hebt der Konzern das Programmieren und Fachgebiete wie Recht, Finanzen und Gesundheit hervor.

Die Veröffentlichung folgt auf Muse Spark 1.3, das Meta Superintelligence Labs vor sechs Wochen herausgebracht hat. Chief AI Officer Alexandr Wang, der das Labor leitet, sagte damals gegenüber Bloomberg, das Modell sei "konkurrenzfähig" mit Anthropics Claude Fable 5.1. Muse Wonder löst es nun an der Spitze der Muse-Reihe ab.

Zwei Funktionen für längere Aufgaben

Die Modelle bringen zwei neue Fähigkeiten mit:

1. Active Memory. Das Modell behält Kontext über einen Nutzer über mehrere Unterhaltungen hinweg und greift diese Details auf, sobald sie relevant werden.
2. Active Focus. Diese Funktion soll dafür sorgen, dass das Modell auch dann weiterarbeitet, wenn eine Aufgabe schwierig wird. Laut Meta probiert ein festgefahrenes Modell andere Lösungswege aus und erholt sich von Fehlern. Bevor es etwas Wichtiges tut, fragt es außerdem beim Nutzer nach.

Meta hat beide Modelle in seinem Rechenzentrum Prometheus im Gigawatt-Maßstab trainiert. Dabei kamen Methoden für Pretraining und Reinforcement Learning zum Einsatz, die erstmals im April mit Muse Spark vorgestellt wurden. Eingaben können Text, Video, Audio und Bilder in einem Kontextfenster von 1 Million Tokens kombinieren. Ausgegeben wird ausschließlich Text.

Benchmarks: kein klarer Sieger

Metas Model Card vergleicht Muse Wonder Full mit OpenAIs GPT-6 Astra und zwei Anthropic-Modellen, Claude Fable 5.1 und Claude Opus 5.5. Die meisten Tests liefen mit maximalem Reasoning-Aufwand. Die Model Card enthält zudem einen Vorbehalt: Metas Durchläufe mit den Konkurrenzmodellen seien nach bestem Bemühen erfolgt, Prompts und Werkzeuge seien für diese womöglich nicht gut abgestimmt gewesen.

Am stärksten wirkt Metas Modell im Rechtsbereich. In der Version von Artificial Analysis für Harveys Legal Agent Benchmark gilt ein Arbeitsergebnis nur dann als bestanden, wenn es jedes Kriterium erfüllt und die Prüfungen auf Halluzinationen übersteht. Muse Wonder Full bestand 13,1 Prozent der Aufgaben. Der engste Verfolger, GPT-6 Astra, kam auf 8,6 Prozent.

Beim Programmieren fielen die Ergebnisse gemischt aus:

• Muse Wonder Full lag in zwei Langzeit-Tests vorn, DeepSWE 1.1 und SWE-Marathon. Bei SWE-Marathon erreichte es 57,5 Prozent, Claude Opus 5.5 kam auf 46,3 Prozent.
• Meta weist darauf hin, dass SWE-Marathon kein kontrollierter Vergleich ist. Die Werte von GPT-6 Astra und Claude Fable 5.1 stammen aus Codex und Claude Code, und Metas Modell lief mit der Reasoning-Stufe "xhigh".
• Bei ProgramBench, wo ein Agent ein komplettes Programm von Grund auf neu bauen muss, gewann Opus 5.5 mit 70,5 zu 59 Prozent.

Auch bei HealthBench Pro und dem Computer-Use-Benchmark OSWorld V2.1 lag Opus 5.5 vorn. Im Artificial Analysis Intelligence Index, einem Gesamtwert aus den eigenen Auswertungen des Unternehmens, landete das Anthropic-Modell mit 58 Punkten zwei Punkte vor Muse Wonder Full. Damit bleibt Opus 5.5 ein gängiger Maßstab, so wie damals, als Gemini 4 Carbon beim Programmieren mit ihm gleichziehen sollte.

Sicherheit: hohes Risikopotenzial ohne Schutzmaßnahmen

Ein vollständiger Sicherheitsbericht steht noch aus. Vorerst heißt es in der Model Card, Meta könne nicht ausschließen, dass Muse Wonder Full ohne Schutzmaßnahmen die Hochrisikoschwelle für chemische und biologische Bedrohungen erreicht. Zu diesen Schutzmaßnahmen gehören Sicherheits-Post-Training und Klassifikatoren auf Systemebene. Mit ihnen stuft Meta das Modell in allen drei Risikobereichen seines Meta Superintelligence Scaling Framework als "moderat oder niedriger" ein. Das Framework deckt auch Cybersicherheit und Kontrollverlust ab.

Die Cyber-Zahlen muss man genau lesen. Im Benchmark ExploitGym erbeutete Muse Wonder Full 92 Flags. Eine Überprüfung ergab, dass nur 21 davon über die Schwachstelle liefen, um die herum die jeweilige Aufgabe gebaut war. Die übrigen 71 kamen über unbeabsichtigte Lücken zustande. Die öffentliche Rangliste von ExploitGym zählt nur den vorgesehenen Weg, deshalb nennt Meta 21 als vergleichbaren Wert. Die Offenlegung kommt zwei Monate, nachdem Meta gemeldet hatte, dass eines seiner Modelle bei einem Cybersicherheitstest in eine externe Organisation eingedrungen war, weil die Sandbox wegen eines Konfigurationsfehlers mit dem Internet verbunden blieb.

In Metas Forschungsbeitrag heißt es, Muse Wonder sei "unser bislang am besten ausgerichtetes Modell". In einem Test auf agentische Fehlausrichtung, der prüft, ob ein Agent schädlich handelt, um seine Ziele zu verfolgen oder einer Ablösung oder Abschaltung zu entgehen, lag die Quote schädlicher Handlungen bei Muse Wonder Full bei 0 Prozent.

Verfügbarkeit

Entwickler können Muse Wonder ab sofort über die Meta Model API und Muse Code nutzen, den Coding-Agenten, den Meta im August gestartet hat. Muse Wonder Full ist Abonnenten von Muse Code vorbehalten. Metas persönlicher Agent Muse läuft seit seinem US-Start am 8. September auf Muse Spark. Laut Meta soll er bald auf Muse Wonder umgestellt werden, Abonnenten bekommen das neue Modell zuerst.

Unsere Einschätzung

Die Benchmark-Siege sind weniger wichtig als die Gesamtanlage dieser Veröffentlichung. Meta baut einen kompletten Agenten-Stack auf: Modelle, einen Coding-Agenten, einen Assistenten für Verbraucher und Arbeit an Standards wie dem Personal Agent Protocol für KI-Einkäufe. Funktionen wie Active Memory und Rückfragen vor wichtigen Aktionen deuten darauf hin, dass das Unternehmen weiß: Lange laufende Agenten brauchen Leitplanken rund um das Modell, nicht nur ein klügeres Modell.

Die ExploitGym-Zahlen verdienen einen genauen Blick. Einundsiebzig Flags über unbeabsichtigte Lücken zeigen ein Modell, das Wege findet, die seine Tester nicht eingeplant hatten. Zusammen mit Metas früherem Sandbox-Ausbruch und Anthropics Schritt, interne Evaluierungen vom offenen Internet abzuschotten, deutet das darauf hin, dass die Isolation von Tests zu einem echten Thema für die Branche wird. Es lohnt sich, darauf zu achten, was der angekündigte Sicherheitsbericht sagt und ob unabhängige Tests Metas selbst durchgeführte Vergleiche bestätigen.