Muse Wonder e Wonder Full: gli agenti AI di Meta guadagnano memoria e autonomia

Con Muse Wonder e Muse Wonder Full, Meta rafforza la propria posizione nella competizione sui modelli di intelligenza artificiale più avanzati, concentrando lo sviluppo sulle capacità che consentono agli agenti di affrontare attività complesse e prolungate: conservare informazioni tra conversazioni differenti, utilizzare strumenti e applicazioni, correggere gli errori e proseguire autonomamente nell’esecuzione. I due modelli si confrontano con le soluzioni di OpenAI, Anthropic e Google, con risultati particolarmente significativi nella programmazione e nell’automazione dei processi professionali.

La nuova famiglia prosegue il lavoro avviato con Muse Spark, sviluppato dopo la riorganizzazione delle attività di ricerca sull’intelligenza artificiale dell’azienda. A quattordici mesi dall’avvio di questo percorso, Meta dispone di modelli di base più potenti e di tecniche di addestramento aggiornate, che combinano pretraining e reinforcement learning per migliorare il ragionamento e l’esecuzione di compiti articolati.

Muse Wonder è disponibile attraverso la Meta Model API e Muse Code, mentre Muse Wonder Full, la versione più avanzata, è accessibile agli abbonati a Muse Code. La tecnologia sarà progressivamente integrata anche nell’assistente personale Muse, inizialmente per gli abbonati, con successive versioni specializzate destinate a una distribuzione più ampia.

Active Memory e Active Focus permettono agli agenti di lavorare nel tempo

La continuità delle informazioni e la capacità di affrontare gli imprevisti sono al centro di Active Memory e Active Focus, le due funzionalità sulle quali Meta ha concentrato una parte significativa dello sviluppo della famiglia Wonder.

Con Active Memory, il modello conserva le informazioni rilevanti emerse durante le conversazioni e le recupera quando diventano utili per un’attività successiva, costruendo progressivamente una conoscenza delle esigenze, delle preferenze e dei progetti dell’utente. La selezione delle informazioni pertinenti assume particolare importanza nei processi che si sviluppano nell’arco di giorni o settimane, coinvolgendo documenti, applicazioni e decisioni successive.

Active Focus interviene sulla capacità di mantenere l’attenzione sull’obiettivo durante l’esecuzione. Quando incontra un ostacolo, l’agente può modificare il proprio approccio, utilizzare strumenti alternativi e correggere gli errori, adattando il piano operativo alle informazioni raccolte. La possibilità di chiedere chiarimenti e ottenere conferme prima delle azioni più importanti permette inoltre di mantenere il controllo dell’utente sulle decisioni sensibili.

La combinazione delle due capacità interessa soprattutto gli agenti personali e professionali, chiamati a coordinare strumenti differenti e a completare procedure nelle quali il risultato dipende da una successione di operazioni. La memoria consente di recuperare il contesto necessario, mentre la persistenza nell’esecuzione riduce le interruzioni e gli interventi manuali richiesti per superare le difficoltà.

Le competenze professionali si estendono dal diritto alla programmazione

Le applicazioni considerate da Meta comprendono il diritto, la finanza e la salute, settori nei quali l’intelligenza artificiale deve interpretare documenti specialistici, individuare informazioni pertinenti e applicare regole a circostanze specifiche. Tra gli esempi figurano:

• la gestione di una pratica assicurativa;
• l’analisi di un contratto di locazione;
• l’esame di informazioni finanziarie personali.

Sono tutte attività che richiedono di collegare dati provenienti da fonti differenti e sviluppare una sequenza coerente di operazioni.

La programmazione è un altro ambito centrale per Muse Wonder, con capacità che comprendono la generazione di applicazioni, la modifica di progetti esistenti e la gestione di attività di sviluppo prolungate. I modelli possono lavorare su più componenti di uno stesso progetto, tenere traccia dei requisiti, eseguire modifiche e affrontare cicli successivi di test e revisione.

La disponibilità attraverso Muse Code inserisce Wonder nel mercato degli strumenti AI per lo sviluppo software, dove la competizione si concentra sempre più sulla capacità di gestire interi progetti e di coordinare attività che richiedono numerosi passaggi. Le dimostrazioni di Meta comprendono anche la realizzazione di un videogioco tridimensionale giocabile a partire da immagini personalizzabili.

Le capacità agentiche si estendono all’interazione con browser e applicazioni desktop e mobili, permettendo di utilizzare informazioni e strumenti distribuiti tra servizi differenti. Gli agenti possono inoltre pianificare attività che durano diverse ore, distribuirne alcune parti tra sottoagenti ed eseguire operazioni parallele, intervenendo sugli errori durante l’esecuzione.

I benchmark evidenziano i progressi nelle capacità agentiche e nella programmazione

I risultati dei benchmark collocano Muse Wonder Full tra i modelli AI di frontiera, con prestazioni particolarmente competitive nelle attività che richiedono ragionamento specialistico, programmazione ed esecuzione di processi articolati. Il confronto con Claude Opus 5.5 e GPT-6 Astra mostra un quadro differenziato, nel quale Meta ottiene i risultati più significativi nei compiti agentici di lunga durata, mentre i concorrenti mantengono un vantaggio in alcune categorie specialistiche.

La programmazione e l’automazione dei processi professionali sono gli ambiti nei quali emerge maggiormente il progresso della famiglia Wonder. I risultati di SWE-Marathon, DeepSWE e AutomationBench indicano una maggiore efficacia nella gestione di attività che richiedono numerose operazioni successive, dall’analisi del problema alla modifica del codice, fino alla verifica del risultato. Anche nelle prove dedicate al settore legale, Wonder Full raggiunge prestazioni superiori a quelle dei principali concorrenti considerati.

Le capacità agentiche vengono esaminate attraverso benchmark che valutano aspetti complementari:

• MemoryBench misura la conservazione e il recupero delle informazioni tra interazioni successive;
• OSWorld valuta l’utilizzo autonomo del computer;
• JobBench e GDP.pdf verificano l’esecuzione di attività professionali;
• FocusBench approfondisce la capacità di mantenere l’attenzione sull’obiettivo e superare gli ostacoli durante l’esecuzione.

Il quadro complessivo evidenzia una crescente specializzazione dei modelli nelle attività che richiedono autonomia operativa, mentre le prestazioni nei compiti sanitari e nell’utilizzo degli strumenti da riga di comando confermano la competitività delle soluzioni di Anthropic e OpenAI. I risultati combinano valutazioni indipendenti, test condotti da Meta e dati pubblicati dagli sviluppatori dei modelli concorrenti, con metodologie che richiedono attenzione nella comparazione diretta.

I modelli più grandi migliorano la capacità di affrontare problemi nuovi

Le prestazioni nei benchmark descrivono soltanto una parte delle capacità dei nuovi modelli. Secondo Meta, l’aumento delle dimensioni e il perfezionamento delle tecniche di addestramento migliorano anche la capacità di generalizzazione, ossia l’attitudine ad affrontare problemi mai visti prima, combinando conoscenze acquisite in ambiti differenti. Questo aspetto risulta determinante per gli agenti destinati a operare in ambienti reali, dove le situazioni non sempre corrispondono a schemi precostituiti e richiedono adattamento continuo.

La strada tracciata da Muse Wonder e Wonder Full indica una direzione chiara per l’evoluzione dell’intelligenza artificiale: non più semplici assistenti conversazionali, ma sistemi capaci di lavorare nel tempo, ricordare, pianificare e correggersi autonomamente, mantenendo al contempo l’utente nel ruolo di supervisore delle decisioni più delicate.