Muse Wonder e Muse Wonder Full: i benchmark dei nuovi agenti di Meta

Perché se ne parla#

Meta ha presentato Muse Wonder e Muse Wonder Full, modelli pensati per compiti agentici personali e professionali, cioè attività in cui l'AI svolge un lavoro per conto dell'utente. Secondo il produttore, la serie raggiunge lo stato dell'arte su questi compiti, con risultati di punta su benchmark dedicati ad agenti, memoria e programmazione. Si tratta di dichiarazioni di Meta, riportate nel comunicato originale e nel report di valutazione.

Due funzioni distinguono i modelli: Active Memory, che conserva il contesto utile sull'utente tra una conversazione e l'altra, e Active Focus, che permette di proseguire verso un obiettivo difficile, provare strade alternative e chiedere chiarimenti. Muse Wonder è disponibile oggi tramite la Meta Model API e Muse Code, mentre Muse Wonder Full è riservato agli abbonati di Muse Code.

Per voi il dato più rilevante riguarda l'ambito d'uso: Meta indica compiti in diritto, finanza e salute, come capire un contratto d'affitto, oltre alla programmazione. Il primo modello alimenterà anche esperienze in Muse, partendo dagli abbonati. Per il contesto sugli strumenti da terminale di Meta, leggete Meta Muse Code: l'agente da terminale.

Verso la superintelligenza personale#

Secondo la pagina di Meta, quattordici mesi fa l'azienda ha avviato una revisione completa del proprio lavoro sull'AI: dalla ricostruzione delle fondamenta si è passati a spingere la frontiera, cioè i modelli più avanzati. Muse Wonder e Muse Wonder Full sono addestrati nel data center Prometheus, descritto come a scala di gigawatt, e riuniscono il lavoro di più team di Meta. Si appoggiano alle basi gettate con Muse Spark, il modello presentato in precedenza.

Glossario essenziale#

• Frontiera: il livello più alto di prestazioni raggiunto dai modelli disponibili.

• Active Memory: la capacità di ricordare il contesto utile su di voi tra una conversazione e l'altra.

• Active Focus: la capacità di proseguire verso un obiettivo difficile, provando strade diverse e chiedendo chiarimenti quando serve.

• Gigawatt: unità di potenza elettrica; il riferimento indica un'infrastruttura di calcolo di grandissime dimensioni.

Capacità di frontiera#

Nell'Artificial Analysis Intelligence Index, pubblicato il 12 ottobre 2026, Muse Wonder Full ottiene 56 punti, subito dietro Claude Opus 5.5 con 58. Muse Wonder si ferma a 52, pari a GPT-6.1 Sol e sotto Claude Fable 5.1, GPT-6 Astra e Gemini 4 Argon, tutti a 53. Per Muse Spark il dato è una stima di Artificial Analysis, pari a 31. Meta dichiara che la serie raggiunge risultati all'avanguardia nei benchmark per agenti, memoria e programmazione: si tratta di affermazioni del produttore (fonte Meta). Il grafico include anche i modelli concorrenti citati nella fonte; per un confronto con un singolo modello vedete Claude Opus 5.5.

Indice di lavoro personale e di conoscenza#

Il Personal Superintelligence Index è un indice composito interno di Meta dedicato al lavoro personale e di conoscenza. Non è un benchmark indipendente: i punteggi sono quelli che il produttore ha scelto di pubblicare nella scheda di lancio, e vanno letti in questa chiave.

Il grafico confronta le due versioni di Muse Wonder con tre modelli concorrenti. Muse Wonder Full (max) è primo con 59,1%, mentre Muse Wonder (max) si ferma a 54,3%, in quarta posizione. Claude Fable 5.1 (max) è l'ultimo, a 49,9%.

Automazione dei flussi di lavoro#

AutomationBench-AA misura le prestazioni dei modelli su flussi di lavoro aziendali end-to-end. Secondo la fonte, Muse Wonder Full (max) è il primo in questo grafico con 45,4%, davanti a GPT-6 Astra (max) con 41,6% e Claude Opus 5.5 (max) con 41,2%. Muse Wonder (max) si ferma a 39,1% e Claude Fable 5.1 (max) a 32,1%. Sono valori riportati dal produttore, Meta, nel proprio materiale di presentazione (fonte).

Scheda completa dei benchmark#

La tabella completa dei benchmark è qui sotto, con l'immagine originale subito dopo.

Punteggi dei cinque modelli su tutti i test della scheda benchmark di Muse Wonder, per consultazione. Fonte: Meta.

Competenza di dominio#

Muse Wonder e Muse Wonder Full devono applicare conoscenze specialistiche a problemi di lavoro e di vita quotidiana, dalla comprensione di un contratto d'affitto a un'informazione finanziaria o sanitaria. Meta li valuta con test in diritto, finanza e salute. Il benchmark legale Harvey LAB, per esempio, richiede di lavorare su documenti sorgente e seguire istruzioni dettagliate per produrre prodotti di lavoro legali. Dettagli nella scheda di Meta.

Nel grafico Harvey LAB-AA Muse Wonder Full (max) raggiunge 13,1% e Muse Wonder (max) 10%, seguiti da GPT-6 Astra (max) con 8,6%, Claude Fable 5.1 (max) con 6,4% e Claude Opus 5.5 (max) con 4,2%. Si tratta di punteggi dichiarati dal produttore.

Nel Vals Finance Agent V2 Muse Wonder Full (max) è in testa con 59,1%, seguito da Claude Fable 5.1 (max) con 58,9% e Claude Opus 5.5 (max) con 58,6%}. Muse Wonder (max) ottiene 56,6% e GPT-6 Astra (max) 53,5%}, con i primi tre distanziati di pochi decimi.

Memoria attiva#

Che cos'è Active Memory#

Meta chiama Active Memory la capacità di portare nelle conversazioni il contesto importante sull'utente e di richiamare i dettagli rilevanti per il compito in corso. In pratica, il modello può riprendere informazioni emerse in interazioni precedenti quando servono, senza che voi le riscriviate ogni volta. Il tema è descritto nella pagina di presentazione di Meta.

MemoryBench#

Il grafico mostra MemoryBench, una valutazione interna di Meta sulla capacità dei modelli di ricordare e usare il contesto di un utente in una lunga storia di interazioni. Secondo Meta, Muse Wonder (max) ottiene 85,6% e Muse Wonder Full (max) 85,5%, davanti a Claude Opus 5.5 (max) con 81,5%, GPT-6 Astra (max) con 81,4% e Claude Fable 5.1 (max) con 79%. Sono punteggi dichiarati dal produttore.

Focus attivo e sessioni lunghe#

Active Focus: lavorare su obiettivi difficili#

Secondo Meta, Active Focus permette a Muse Wonder di proseguire verso un obiettivo difficile, provare approcci alternativi, superare gli ostacoli e adattarsi alle nuove informazioni. Il modello chiede chiarimenti quando serve e si ferma a verificare prima delle azioni importanti (annuncio Meta). Meta misura questo comportamento con FocusBench, valutazione interna con compiti realistici multi-step che usano strumenti e file, e con SWE-Marathon, che testa il lavoro su progetti software di lunga durata.

SWE-Marathon#

Muse Wonder Full è al primo posto con 57,5% in configurazione xhigh, mentre Muse Wonder (max) raggiunge 53,1%. Claude Opus 5.5 (max) ottiene 46,3%, Claude Fable 5.1 (max) 45,6% e GPT-6 Astra (max) 42,5%. Le due condizioni di esecuzione diverse vanno quindi lette separatamente.

FocusBench#

Muse Wonder Full ottiene 54,2%, davanti a GPT-6 Astra (max) con 47,7% e Claude Opus 5.5 (max) con 45,8%. Muse Wonder (max) si ferma a 44,9% e Claude Fable 5.1 (max) a 36,6%. Sono punteggi dichiarati da Meta nella propria valutazione interna.

Programmazione avanzata#

DeepSWE: programmazione su orizzonti lunghi#

Nel benchmark DeepSWE, dedicato alla programmazione su orizzonti lunghi, Meta dichiara 79% per Muse Wonder Full (max) e 78,8% per Muse Wonder (max). Il grafico confronta cinque modelli: dopo i due di Meta seguono Claude Opus 5.5 (max) con 74,2%, GPT-6 Astra (max) con 74,1% e Claude Fable 5.1 (max) con 67,4%. Secondo Meta, i modelli sono stati addestrati su compiti diversi e di lunga durata per sostenere il progresso nel codice: sono dichiarazioni del produttore, da verificare nella fonte.

Capacità che si generalizzano#

Perché il punteggio non basta#

Due modelli con punteggi simili nei test standard possono comportarsi in modo diverso su compiti non familiari. Secondo Meta, questa differenza riguarda un'ampiezza di capacità che i test più diffusi, su pochi ambiti, non catturano del tutto.

Il confronto riguarda Muse Spark 1.3 e Muse Wonder Full, con diversi livelli di impegno nel ragionamento. Sull'asse orizzontale c'è il punteggio su compiti mirati durante il post-training; su quello verticale la media su compiti non mirati.

Entrambi i modelli migliorano in modo simile sui compiti nuovi quando cresce il calcolo in fase di risposta. Ma, a parità di punteggio in-distribution, Muse Wonder Full fa meglio di quanto prevede la tendenza di Muse Spark 1.3. Meta lo attribuisce ai modelli base più grandi e più solidi, che trasferiscono meglio i guadagni del post-training a compiti non previsti.

• Post-training: l'addestramento successivo al modello base, orientato a compiti specifici.

• Modello base: il modello di partenza da cui nasce la versione finale.

• Test-time compute: il calcolo usato quando il modello elabora una risposta.

Meta sottolinea che questa versatilità conta soprattutto per gli agenti personali, che devono gestire combinazioni di obiettivi, strumenti e vincoli, non tutti prevedibili durante l'addestramento.

Sicurezza: azioni e dati personali#

Un agente personale agisce per conto dell'utente e può gestire messaggi, calendari e documenti privati. Per questo Meta misura due aspetti: quanto spesso il modello esegue codice non autorizzato e quanto spesso gestisce male i dati personali. In entrambi i test, più basso è meglio.

Esecuzione di codice non autorizzato#

Nel primo test, Muse Wonder (max) si ferma al 10,5% e Muse Wonder Full (max) al 10,7%, contro l'11,3% di Claude Fable 5.1 (max) e il 19,7% di GPT-6 Astra (max), secondo i dati dichiarati da Meta.

Gestione delle informazioni personali#

Meta dichiara di aver addestrato la famiglia Muse Wonder a evitare di condividere dati privati senza permesso. Nel secondo test, Muse Wonder Full (max) registra il 2,2% di violazioni, Muse Wonder (max) il 3,4%, GPT-6 Astra (max) il 4,6% e Claude Fable 5.1 (max) il 6,8%: sono risultati dichiarati dal produttore.

Rifiuti, uso improprio e difesa informatica#

Meta dichiara di voler proteggere da usi impropri CBRN e informatici, preservando l'accesso alle capacità cyber per la difesa, come riportato nella pagina ufficiale.

Rifiuti sui rischi biologici#

Nel test bioTIER, dove più alto è meglio, Muse Wonder Full rifiuta il 98,7% delle richieste e Muse Wonder il 98%. Il primo posto è di Claude Fable 5.1 (max) con 99,7%.

Valori letti dal grafico ufficiale bioTIER. Fonte: Meta.

Uso improprio informatico#

Nel Cyber Misuse Refusal Benchmark Muse Wonder Full arriva al 96,9% e Muse Wonder al 93,7%, sotto Claude Fable 5.1 (max) (97,5%) e sopra GPT-6 Astra (max) (86,3%).

Valori letti dal grafico ufficiale del Cyber Misuse Refusal Benchmark. Fonte: Meta.

Difesa informatica#

Nel Cyber Defense Compliance Benchmark Muse Wonder (max) guida con 94,5%, seguito da Muse Wonder Full (93,3%) e da GPT-6 Astra (max) (81,3%); Claude Fable 5.1 (max) resta al 15,7%.

Valori letti dal grafico ufficiale del Cyber Defense Compliance Benchmark. Fonte: Meta.

Come leggere questi numeri#

Non tutti i numeri pubblicati da Meta arrivano dalla stessa fonte. L'Intelligence Index è riportato con fonte Artificial Analysis, mentre il Personal Superintelligence Index, Memory Bench e gli altri indicatori sono valutazioni interne di Meta, quindi misurate dal produttore stesso. Le etichette (max) e (xhigh) indicano l'impostazione di sforzo di ragionamento usata nel test. La stima relativa a Muse Spark è dichiarata come tale e non è una misura diretta.

I benchmark restano dichiarazioni del produttore: prima di affidarvi una scelta, conviene verificarli con test propri, costruiti su documenti e compiti del vostro lavoro.

Glossario#

• Benchmark: test standard per confrontare modelli diversi sugli stessi compiti.

• Post-training: fase di rifinitura successiva all'addestramento di base, su compiti mirati.

• In-distribution / out-of-distribution: compiti simili a quelli della rifinitura, contro compiti non previsti.

• Sforzo di ragionamento: quanto il modello è spinto a elaborare prima di rispondere.

• Benchmaxxing: ottimizzazione per i test più popolari, che non garantisce prestazioni altrove.

• Active Memory: memoria del contesto tra conversazioni e richiamo dei dettagli utili al compito.

• Active Focus: capacità di proseguire un obiettivo difficile provando approcci alternativi.

Cosa significa per un’azienda#

1. Verificate il canale di accesso: Muse Wonder è disponibile tramite Meta Model API e Muse Code, mentre Muse Wonder Full è riservato agli abbonati Muse Code. Controllate quale piano serve prima di avviare il progetto.

2. Scegliete uno o due processi reali, come la gestione documentale o i flussi di lavoro interni, e misurate i risultati su quei casi specifici prima di estendere l'uso.

3. Confrontate i risultati con i benchmark pubblicati da Meta, tenendo presente che si tratta di dichiarazioni del produttore e che non è detto che coincidano con i vostri compiti.

4. Definite in anticipo quali azioni l'agente può compiere senza conferma. Le fonti indicano che Active Focus chiede chiarimenti e si ferma prima di azioni importanti, ma le soglie operative le stabilite voi.

5. Chiedete il rapporto di sicurezza completo prima di affidare dati sensibili. Un agente personale può gestire messaggi, calendari e documenti privati, e Meta indica che il rapporto completo sarà disponibile a breve.

Il quadro di sicurezza aggiornato#

Meta ha aggiornato il Meta Superintelligence Scaling Framework, che fissa gli standard per addestrare, valutare e rilasciare i modelli più capaci, recependo gli impegni presi alla Casa Bianca.

Contenimento durante addestramento e valutazione#

Prima di ogni addestramento per rinforzo, Meta verifica se il modello potrebbe compromettere l'ambiente in cui opera. In caso affermativo, sono obbligatorie tre misure:

• sandbox approvate e controllate per vulnerabilità;

• log sicuri, scritti in tempo reale e non modificabili;

• monitor automatici che possono fermare l'addestramento.

Modelli open-weight#

I pesi pubblici sono una risorsa per la ricerca, ma chi li possiede può aggirare i rifiuti del modello. Il Framework valuta quindi il contesto specifico di utilizzo.

Rischi e governance#

Meta svolge threat modeling con esperti esterni e coinvolge enti governativi. Un nuovo comitato AI del consiglio di amministrazione esaminerà le modifiche future e verificherà il rispetto degli standard.

Per leggere il testo, vi servono questi termini:

• Sandbox: ambiente isolato in cui il modello lavora senza toccare i sistemi reali.

• Fine-tuning: ulteriore addestramento su dati specifici.

• Threat modeling: analisi dei modi in cui un sistema potrebbe essere abusato.

Domande frequenti#

Come è stato calcolato il voto#

Il voto della valutazione è la media di questi criteri, ciascuno motivato con un fatto delle fonti ufficiali.