Muse Wonder: Meta's nieuwe AI-modellen voor lange agenttaken

Meta Platforms Inc. heeft twee nieuwe AI-modellen uitgebracht: Muse Wonder en Muse Wonder Full. Volgens het bedrijf zijn het de krachtigste modellen tot nu toe voor agents die persoonlijk en professioneel werk uit handen nemen. Meta richt zich vooral op lange taken die uit meerdere stappen bestaan. Het voorbeeld van Meta is het afhandelen van een verzekeringsclaim. Daarnaast noemt het bedrijf programmeren en vakgebieden als recht, financiën en gezondheidszorg.

De lancering volgt op Muse Spark 1.3, dat Meta Superintelligence Labs zes weken geleden uitbracht. Chief AI Officer Alexandr Wang, die het lab leidt, zei destijds tegen Bloomberg dat dat model "competitief" was met Claude Fable 5.1 van Anthropic. Muse Wonder neemt nu de toppositie in de Muse-reeks over.

Twee functies voor langer werk

De modellen krijgen twee nieuwe mogelijkheden:

1. Active Memory. Het model onthoudt context over een gebruiker over gesprekken heen en brengt die details ter sprake zodra ze relevant worden.
2. Active Focus. Dit moet ervoor zorgen dat het model doorwerkt als een taak lastig wordt. Volgens Meta probeert een model dat vastloopt andere benaderingen en herstelt het zich van fouten. Ook overlegt het met de gebruiker voordat het iets belangrijks doet.

Meta trainde beide modellen in zijn Prometheus-datacenter op gigawattschaal. Daarbij gebruikte het pretraining- en reinforcement-learningmethoden die in april met Muse Spark werden geïntroduceerd. Prompts kunnen tekst, video, audio en afbeeldingen combineren binnen een contextvenster van 1 miljoen tokens. De uitvoer bestaat alleen uit tekst.

Benchmarks: een verdeeld beeld

De modelkaart van Meta vergelijkt Muse Wonder Full met GPT-6 Astra van OpenAI en twee modellen van Anthropic, Claude Fable 5.1 en Claude Opus 5.5. De meeste tests draaiden op maximale redeneerinspanning. De kaart plaatst wel een kanttekening: Meta's tests van concurrerende modellen gebeurden naar beste vermogen, en prompts en tools waren mogelijk niet goed op die modellen afgestemd.

Op juridisch vlak lijkt het model van Meta het sterkst. In de versie van Artificial Analysis van Harvey's Legal Agent Benchmark slaagt een opdracht alleen als die aan alle criteria voldoet en door de controles op hallucinaties komt. Muse Wonder Full haalde 13,1% van de taken. De dichtstbijzijnde concurrent, GPT-6 Astra, kwam tot 8,6%.

Bij programmeren waren de resultaten wisselend:

• Muse Wonder Full ging aan kop in twee tests met een lange tijdshorizon, DeepSWE 1.1 en SWE-Marathon. Op SWE-Marathon scoorde het 57,5%, tegenover 46,3% voor Claude Opus 5.5.
• Meta merkt op dat SWE-Marathon geen gecontroleerde vergelijking is. De scores van GPT-6 Astra en Claude Fable 5.1 kwamen uit Codex en Claude Code, en het model van Meta draaide op een redeneerinstelling van "xhigh".
• Op ProgramBench, waarbij een agent een volledig programma vanaf nul moet herbouwen, won Opus 5.5 met 70,5% tegen 59%.

Opus 5.5 kwam ook als beste uit de bus op HealthBench Pro en op de computergebruikbenchmark OSWorld V2.1. Op de Artificial Analysis Intelligence Index, een samengestelde score op basis van de eigen evaluaties van het bedrijf, eindigde het model van Anthropic met 58 punten twee punten voor. Daarmee blijft Opus 5.5 een vast referentiepunt, net als toen Gemini 4 Carbon het naar verluidt kon bijbenen bij het programmeren.

Veiligheid: mogelijk hoog risico zonder beschermingsmaatregelen

Een volledig veiligheidsrapport moet nog verschijnen. Voorlopig staat in de modelkaart dat Meta niet kan uitsluiten dat Muse Wonder Full de drempel voor hoog risico op het gebied van chemische en biologische dreigingen haalt als het zonder beschermingsmaatregelen draait. Die maatregelen omvatten veiligheidstraining na de pretraining en classificatiesystemen op systeemniveau. Met die maatregelen ingeschakeld beoordeelt Meta het model als "gemiddeld of lager" in alle drie de risicodomeinen van zijn Meta Superintelligence Scaling Framework, dat ook cyberveiligheid en controleverlies omvat.

De cybercijfers vragen om een zorgvuldige lezing. Op de ExploitGym-benchmark veroverde Muse Wonder Full 92 flags. Bij een controle bleek dat er maar 21 waren behaald via de kwetsbaarheid waar elke uitdaging om draaide. De overige 71 kwamen via onbedoelde zwakke plekken. De openbare ranglijst van ExploitGym telt alleen de bedoelde route, dus volgens Meta is 21 het vergelijkbare getal. De bekendmaking komt twee maanden nadat Meta meldde dat een van zijn modellen tijdens een cyberbeveiligingstest bij een externe organisatie was binnengedrongen, nadat de sandbox door een configuratiefout met internet verbonden was gebleven.

In zijn onderzoeksbericht noemt Meta Muse Wonder "ons best afgestemde model tot nu toe". Op een test voor agentische misalignment, die nagaat of een agent schadelijk handelt om zijn doelen te bereiken of om vervanging of uitschakeling te voorkomen, kwam Muse Wonder Full uit op 0% schadelijke acties.

Beschikbaarheid

Ontwikkelaars kunnen Muse Wonder nu al gebruiken via de Meta Model API en Muse Code, de programmeeragent die Meta in augustus lanceerde. Muse Wonder Full is alleen beschikbaar voor abonnees van Muse Code. Muse, de persoonlijke agent van Meta, draait sinds de Amerikaanse lancering op 8 september op Muse Spark. Volgens Meta stapt die binnenkort over op Muse Wonder, waarbij abonnees als eerste aan de beurt zijn.

Onze analyse

De opvallende benchmarkzeges doen er minder toe dan de opzet van deze lancering. Meta bouwt aan een complete agentstack: modellen, een programmeeragent, een consumentenassistent en werk aan standaarden zoals het Personal Agent Protocol voor AI-winkelen. Functies als Active Memory en het overleg voor belangrijke acties wijzen erop dat het bedrijf beseft dat agents die lang doorwerken vangrails rond het model nodig hebben, niet alleen een slimmer model.

De ExploitGym-cijfers verdienen een nadere blik. Eenenzeventig flags via onbedoelde zwakke plekken laten een model zien dat routes vindt waar de testers niet op hadden gerekend. Samen met Meta's eerdere sandboxlek en de stap van Anthropic om interne evaluaties af te sluiten van het openbare internet wijst dit erop dat de isolatie van tests een echte zorg voor de sector wordt. Het is de moeite waard om te volgen wat er in het beloofde veiligheidsrapport staat, en of onafhankelijke tests de vergelijkingen bevestigen die Meta zelf heeft uitgevoerd.