10月12日，Meta正式发布Muse Wonder和Muse Wonder Full两款新模型。与以往侧重即时问答不同，此次发布的核心在于强化模型的“记忆”与“持续执行”能力，旨在将Muse从单纯的聊天助手升级为能处理多步骤任务的智能体。
这一举措标志着Meta试图推动Muse向“持续办事的智能体”转型。官方演示场景涵盖制定跑步计划、基于个人偏好定制礼物、安排婚礼座位及编写软件等。尽管演示效果完整，但业界更关注其在脱离特定演示环境后，面对真实复杂任务时的稳定性。
两大核心能力：主动记忆与主动专注
Muse Wonder系列引入了两项关键能力：“主动记忆”（Active Memory）和“主动专注”（Active Focus）。
“主动记忆”使模型能够在不同对话轮次间保留关键信息，并在需要时精准召回；“主动专注”则赋予模型在任务受阻时调整策略、持续尝试的能力，必要时会主动向用户确认，而非直接终止响应。简而言之，Meta致力于让模型既记住“用户在意什么”，也清楚“任务进展到了哪一步”。
这种设计特别适用于具有连续性的工作流。例如，用户分阶段提供偏好和行程数据，模型可据此持续更新计划，或将分散的资料整合为最终成果。对于智能体而言，除了单次问答的准确性，保持上下文连贯性并低错误率地完成全流程任务同样至关重要。
需注意的是，目前展示的案例仍属演示性质。Meta在模型卡中明确指出，多步骤推理在陌生场景下仍可能出现错误，且在视觉与空间推理方面存在局限。因此，这些功能尚不能直接等同于所有用户在任何复杂任务中都能获得的稳定表现。
分阶段开放，侧重API与服务集成
Muse Wonder与Muse Wonder Full采取分阶段开放策略。Muse Wonder已通过Meta Model API和Muse Code提供服务；而功能更强的Wonder Full目前仅面向Muse Code订阅用户。Meta表示，后续Muse也将逐步接入Wonder系列能力，优先向订阅用户推送。
这意味着普通Meta AI用户无法立即体验新功能，当前主要受众为开发者和订阅用户。此外，TechCrunch指出，Wonder Full不通过API对外提供。
值得留意的是，本次发布未涉及模型权重开源。与此前Meta通过开放权重构建开发者生态的策略不同，此次更侧重于通过API及自有产品入口提供智能体服务，显示出Meta在商业模式上的微调。
实际应用仍需验证安全性与稳定性
Meta宣称Muse Wonder系列在智能体、记忆及编程评测中表现优异，但模型卡同时也披露了评测方法的局限性：部分数据来自第三方或内部测试，且测试环境与提示词并不统一。模型卡建议，在实际接入工具前，应针对具体用途进行独立评估。
这一提醒对智能体应用尤为关键。相较于生成文本，能够操作应用、处理资料或推进流程的智能体，其错误可能导致现实层面的后果。Meta建议在涉及不可逆操作时引入人工确认机制。这表明，“具备执行能力”与“可信赖地交付任务”之间，仍需通过实际部署来跨越。
Muse Wonder将重心置于“持续记忆与任务推进”，其能否成为真正实用的个人助手，取决于两个核心因素：用户是否愿意提供充分的个人上下文信息，以及模型在复杂任务链条中能否保持高度的稳定性和准确性。