Meta lanzó Muse Wonder y Muse Wonder Full, sus modelos más capaces hasta ahora. Muse Wonder es un modelo de frontera pensado para agentes de IA personales y profesionales. Los dos apuntan a trabajos de agentes de larga duración, como programación, tareas legales y financieras, y uso del computador.

Muse Wonder ya está disponible en la Meta Model API y en Muse Code. Muse Wonder Full queda limitado a los planes pagados de Muse Code.

En pocas palabras

  • Tamaño: contexto de 1 millón de tokens, con entrada de texto, imagen, video y audio, y salida de texto.
  • Dónde corre: solo en la nube de Meta, por la API o por la interfaz de línea de comandos Muse Code (macOS, Linux y Windows).
  • Rendimiento: Muse Wonder Full lidera 6 de las 14 filas de la tabla de benchmarks de Meta, y queda detrás de Claude Opus 5.5 en varias.
  • Mejor resultado: Muse Wonder marca 85,6 en MemoryBench, la cifra más alta entre los 5 modelos de la tabla.
  • Peor resultado: Muse Wonder marca 50,0 en ProgramBench, contra 70,5 de Claude Opus 5.5.

¿Qué es Muse Wonder?

Muse Wonder sigue a Muse Spark en la escalera de modelos de Meta. El equipo de Meta afirma que se entrenó en su centro de datos Prometheus, con mejoras tanto en el preentrenamiento como en el aprendizaje por refuerzo. Meta atribuye a un modelo base más grande los mejores resultados en tareas que el modelo no conocía.

El lanzamiento se define por dos comportamientos con nombre propio.

  • Active Memory: mantiene el contexto del usuario entre conversaciones y recupera los detalles que necesita cada tarea.
  • Active Focus: sigue trabajando en tareas difíciles, prueba alternativas y consulta antes de ejecutar acciones importantes.

Para desarrolladores, Muse Wonder planifica tareas largas y las delega en subagentes. También opera navegadores y aplicaciones de escritorio y móviles.

¿Cómo le va en los benchmarks?

Todas las cifras vienen de la tabla publicada por Meta con el esfuerzo de razonamiento al máximo. Varias filas usan fuentes externas, como Artificial Analysis, Vals AI y Datacurve.

Hay tres advertencias. PSI, MemoryBench y FocusBench son evaluaciones internas de Meta. La ficha del modelo dice que las corridas de los competidores se hicieron "con el mejor esfuerzo" y pueden no estar optimizadas. Y los resultados de SWE-Marathon de los rivales se obtuvieron con Codex y Claude Code, así que no es una comparación con el mismo entorno de prueba.

Según MarkTechPost, Muse Wonder Full lidera DeepSWE (79,0) y SWE-Marathon (57,5), mientras que Claude Opus 5.5 sigue adelante en ProgramBench, OSWorld y Terminal-Bench.

¿Cuánto cuesta y cómo se empieza a usar?

Paso 1. Entrar a dev.meta.ai. Se hace clic en Start building para iniciar sesión. El comando de instalación de Muse Code está en la misma página.

Paso 2. Elegir el modelo. Muse Wonder cuesta 4 dólares por millón de tokens de entrada, 0,20 dólares por millón de tokens en caché y 20 dólares por millón de tokens de salida. Muse Wonder Full requiere un plan de Muse Code, Power a 50 dólares o Maximum a 200 dólares al mes.

Paso 3. Iniciar sesión con la cuenta de Meta. Se confirma el nombre, se aceptan los términos de la Model API y se hace clic en Get started.

Paso 4. Agregar un medio de pago y crear una llave de API. Las cuentas nuevas ven un aviso de "No payment method" y el botón Create API key aparece desactivado. Hay que agregar una tarjeta en Billing, abrir API keys y elegir Create API key. La llave se exporta como MODEL_API_KEY, según la guía de inicio.

Paso 5. Probar en el Playground. Se abre Chat, se elige muse-wonder-1.0 y se ajustan la temperatura, el máximo de tokens y el esfuerzo de razonamiento.

Paso 6. Copiar código que funciona. Con Get code se obtiene un fragmento en curl o Python, que llama a la API Responses en https://api.meta.ai/v1/responses.

La API es compatible con la de OpenAI, así que el SDK de OpenAI funciona cambiando la URL base.

Código
import os
from openai import OpenAI

client = OpenAI(base_url="https://api.meta.ai/v1", api_key=os.environ["MODEL_API_KEY"])
resp = client.responses.create(model="muse-wonder-1.0", input="List 3 risks in this lease clause: ...")
print(resp.output_text)

Paso 7. O usar Muse Code en la terminal. En Mac se instala con curl -fsSL https://dev.meta.ai/install.sh | bash. En Windows, con irm https://dev.meta.ai/install.ps1 | iex. Se ejecuta muse en la carpeta del proyecto, se marca el espacio de trabajo como confiable y se inicia sesión. El modelo por defecto es muse-spark-1.2, y se cambia con /models o lanzando muse --model muse-wonder-1.0.

Lo que falta

Meta no informó el número de parámetros, no liberó los pesos y todavía no publica un informe de seguridad completo. Hay más detalles en el blog de investigación, la ficha del modelo y la documentación para desarrolladores.