Meta presenta la nuova famiglia di modelli di intelligenza artificiale Muse Wonder, composta da Muse Wonder e Muse Wonder Full, progettati per migliorare le prestazioni degli agenti AI nelle attività personali e professionali. L’obiettivo è sviluppare sistemi capaci di ricordare le preferenze degli utenti, mantenere la concentrazione su obiettivi complessi e portare a termine compiti articolati, dalla programmazione alla gestione delle attività quotidiane. Il progetto rappresenta un nuovo passo nella strategia dell’azienda verso la cosiddetta superintelligenza personale.
Muse Wonder, la nuova frontiera dell’AI di Meta
A quattordici mesi dall’avvio di una revisione completa delle proprie attività nel campo dell’intelligenza artificiale, Meta annuncia i modelli che definisce i più capaci sviluppati finora. Il lavoro si basa sui progressi ottenuti durante le fasi di pre-addestramento e reinforcement learning, con l’obiettivo di migliorare le prestazioni nei compiti complessi.
Muse Wonder e Muse Wonder Full sono stati addestrati nel data center Prometheus di Meta, descritto dall’azienda come una struttura su scala di gigawatt. I due modelli puntano a combinare capacità di ragionamento, memoria e autonomia operativa per affrontare problemi che richiedono più passaggi e una gestione continuativa delle informazioni.
Muse Wonder è disponibile attraverso Meta Model API e Muse Code, mentre Muse Wonder Full è accessibile agli abbonati a Muse Code. L’azienda prevede inoltre di integrare progressivamente Muse Wonder nelle esperienze offerte da Muse, inizialmente per gli abbonati. Il modello sarà utilizzato anche per la generazione di artefatti e per i processi che richiedono maggiori capacità di elaborazione. In prospettiva, servirà anche a sviluppare modelli specializzati destinati a un pubblico più ampio.
Memoria attiva e concentrazione: come funzionano gli agenti AI
Due delle caratteristiche centrali della nuova famiglia sono Active Memory e Active Focus, pensate per rendere gli agenti più efficaci nelle attività prolungate.
La prima riguarda la capacità di conservare informazioni importanti sull’utente tra conversazioni diverse e recuperare i dettagli pertinenti quando diventano utili. Non si tratta soltanto di ricordare il contesto, ma di riconoscere quali informazioni siano rilevanti per il compito da svolgere.
Active Focus, invece, descrive la capacità di mantenere l’impegno verso un obiettivo complesso, provando approcci alternativi, superando gli ostacoli e adattandosi alle nuove informazioni. Quando necessario, il modello può chiedere chiarimenti e verificare con l’utente prima di intraprendere azioni importanti.
Meta ha valutato queste capacità attraverso benchmark dedicati, tra cui MemoryBench e FocusBench, oltre a SWE-Marathon, progettato per misurare la capacità di lavorare a lungo su progetti software.
La competenza dei modelli viene verificata anche in ambiti specialistici come diritto, finanza e salute. Tra gli esempi citati figurano il Legal Agent Benchmark di Harvey, che richiede di elaborare documenti legali a partire da fonti e istruzioni dettagliate, e Vals Finance Agent V2, dedicato alle prestazioni degli agenti finanziari.
Programmazione e capacità di affrontare compiti inediti
La programmazione è uno degli ambiti in cui Muse Wonder e Muse Wonder Full riuniscono le diverse funzionalità. Sviluppare software richiede infatti di seguire requisiti, intervenire su più parti di un progetto, eseguire test e correggere ripetutamente il codice.
Meta afferma di aver addestrato entrambi i modelli su attività diversificate e di lunga durata, con l’obiettivo di consentire loro di mantenere i progressi anche nei progetti più complessi. Le valutazioni includono DeepSWE, che misura le prestazioni nella programmazione su orizzonti temporali estesi.
Un altro elemento riguarda la capacità di generalizzare le competenze. Secondo l’analisi presentata dall’azienda, Muse Wonder Full ottiene risultati migliori del previsto anche su attività non affrontate direttamente durante il post-addestramento, rispetto alla relazione osservata con il precedente Muse Spark 1.3.
Meta attribuisce questo vantaggio alla maggiore solidità dei modelli di base: un modello iniziale più potente permette ai miglioramenti ottenuti durante il post-addestramento di trasferirsi con maggiore efficacia anche a compiti nuovi.
Questa versatilità è particolarmente importante per gli agenti personali, chiamati a gestire combinazioni imprevedibili di obiettivi, strumenti e vincoli. Tra le dimostrazioni presentate figurano la creazione di un piano di corsa personalizzato operando direttamente nel browser e tra diverse applicazioni, la realizzazione di giochi tridimensionali e il supporto ad attività quotidiane.
Sicurezza e tutela delle informazioni personali
La maggiore autonomia degli agenti AI introduce anche nuove responsabilità. Un sistema che agisce per conto dell’utente può avere accesso a messaggi, calendari e documenti privati: per questo Meta sostiene di aver lavorato sulla capacità dei modelli di gestire con attenzione le informazioni personali e resistere a istruzioni malevole.
L’azienda ha valutato la robustezza rispetto alle istruzioni avversarie e il trattamento dei dati privati, includendo test sull’esecuzione non autorizzata di codice e sulle violazioni nella gestione delle informazioni personali.
Meta afferma inoltre che Muse Wonder integra le protezioni più avanzate sviluppate finora dall’azienda contro gli abusi in ambito CBRN, cioè chimico, biologico, radiologico e nucleare, e contro gli utilizzi dannosi delle tecnologie informatiche.
Le misure sono state concepite per ridurre i rischi senza impedire l’accesso alle capacità informatiche avanzate necessarie per finalità difensive, in linea con il Meta Superintelligence Scaling Framework.
