当地时间 11 月 6 日，Meta 宣布推出基于 Muse Wonder 训练的现有模型专用版本，并将其推送给 Muse 与 Meta AI 用户。此前，Meta 在 Muse Wonder 系列中提出主动记忆（Active Memory）与主动专注（Active Focus）两项能力。这次更新的重点，是把原本属于新一代模型的特性带入现有产品，让助手在连续对话、长期任务和复杂目标执行上表现得更稳定。
从新模型到现有产品：Meta 的迭代路径
Muse Wonder 是 Meta 于 2026 年 10 月 12 日（美东时间）发布的新一代人工智能模型系列，包含主打快速前沿性能的 Muse Wonder，以及完整版本 Muse Wonder Full。扎克伯格称其比此前的 Muse Spark 规模更大、能力更先进，是 Meta 迈向“个人超级智能”的重要一步。
这次推出的“现有模型专用版本”，并不是单独上线一个聊天入口，而是把 Muse Wonder 训练出的能力接入已有产品线。Muse 是 Meta 于 2026 年 9 月推出的个人 AI 智能体，可帮助用户处理采购杂货、预订行程等日常事务，并与 Meta 旗下社交应用相连，上线后曾登顶美国苹果与安卓应用商店下载榜；Meta AI 则是 Meta 面向更广泛用户的 AI 助手。
在开放方式上，Meta 也延续了分层路径：Muse Wonder 通过 Meta Model API 和 Muse Code 向开发者提供；Muse Wonder Full 仅面向 Muse Code 订阅用户开放；Muse 中的新模型优先向订阅用户开放，订阅价格为每月 20 美元或 100 美元。该系列采用闭源模式。
公开资料显示，Muse Wonder 训练于 Meta 的吉瓦级 Prometheus 超算集群，原生支持 100 万 token 超长上下文，以及文本、图像、视频、音频全模态输入。该系列也是 Meta 超级智能实验室（MSL）重建技术栈约 14 个月后推出的第二代成果。这些信息共同说明，Meta 正在把新一代基础设施训练出的能力，转化为面向用户产品的具体功能。
主动记忆与主动专注：助手体验的两个关键变化
此次更新最值得关注的是两项核心特性。Meta 将“主动记忆”描述为模型在不同对话之间持续保留与用户有关的重要背景信息，并主动检索与当前任务相关的细节。持久存储、删除、审阅与授权则由上层应用的记忆模块控制。官方表示，主动记忆让 Muse 和 Meta AI 能够记住关键信息，并在先前对话内容与当前场景相关时及时调取，从而更轻松地基于历史对话延展推进。
对普通用户来说，这意味着助手不再只是回应单次问题，而是能在跨会话场景里保留任务背景。例如，当用户继续此前未完成的行程安排、购物清单或服务预订时，模型可减少重复询问。Meta 给出的数据是：Muse 中升级后的模型，在遗忘达成目标所需关键信息的问题上降低了 2.4 倍。内部评测还显示，接入新模型后，Muse 在 90% 的任务中能正确使用关键上下文，此前该比例为 76%。
- 主动记忆：跨对话保留重要背景信息，并主动检索当前任务所需细节。
- 控制机制：持久存储、删除、审阅与授权由上层应用的记忆模块控制。
- 官方数据：遗忘关键信息问题降低 2.4 倍；关键上下文正确使用率从 76% 提升至 90%。
另一项能力是“主动专注”。Meta 将其定义为模型在面对有挑战性的目标时，会尝试不同方法、克服障碍，并根据新信息调整行动。官方表示，主动专注让 Muse 即使遭遇突发挑战，也能继续推进目标。当日常任务出现意外状况时，新模型的任务完成率提升了 67%。
这一能力更接近智能体产品所需要的稳定性。采购、预订、日程管理等任务通常不是一次问答即可完成，而可能遇到信息缺失、条件变化或步骤失败。模型若能在遇到障碍时继续调整方案，产品体验会从“回答问题”转向“完成事项”。
产品化意义：从模型能力转向可用性与连续性
Meta 在 Muse Wonder 上的另一个指标是“个人超级智能指数”。根据 Meta 公布的内部评测，Muse 模型在该指数上的得分为 47%，此前为 38%。上述数据均由 Meta 自行报告，目前尚无第三方独立评测。
从行业角度看，这次更新的意义不只是模型分数提升，而是 Meta 将新一代模型能力嵌入现有用户入口。Muse 和 Meta AI 已经拥有产品形态和用户基础，主动记忆与主动专注直接影响使用体验：前者提升对话连续性，后者提升任务完成率。对于日常事务型智能体而言，这两项能力比单纯展示模型参数更接近用户需求。
同时，Meta 的分层开放方式也体现出产品化路径。面向开发者，Muse Wonder 可通过 Meta Model API 和 Muse Code 获取；面向高需求用户或订阅用户，Muse Wonder Full 和 Muse 新模型提供更进一步的能力；面向普通用户，则通过 Meta AI 与 Muse 逐步推送。闭源模式、订阅价格以及记忆模块的控制权安排，也显示 Meta 正在围绕个人 AI 助手建立更完整的商业化与产品治理框架。
值得注意的是，主动记忆虽然能减少重复沟通，但也涉及信息保存与调用。素材中明确，持久存储、删除、审阅与授权由上层应用的记忆模块控制。这意味着模型能力进入产品后，用户体验不仅取决于模型本身，也取决于应用层如何设计记忆管理、授权确认和信息删除机制。
Meta 此次将 Muse Wonder 训练出的能力导入现有模型，体现出大模型竞争正在从单点能力展示，转向长期记忆、任务坚持和真实场景中的可靠性。对于使用 Meta AI 和 Muse 的用户而言，变化可能体现在更少的重复说明、更高的任务完成率，以及助手在复杂事项中更像长期协作对象。
分类：大模型
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/meta-jiang-muse-wonder-de-ji-yi-yu-zhuan-zhu-neng-li-dao-ru
