10月12日，Meta发布Muse Wonder和Muse Wonder Full。两款模型瞄准的重点，不只是回答问题，而是记住用户此前提供的信息，并在多步骤任务中继续推进。
这也是Meta试图把Muse从“能聊天的助手”往“能持续办事的智能体”推进的一步。官方展示的场景包括制定跑步计划、根据个人偏好制作礼物、安排婚礼座位，以及编写软件。演示看起来很完整，但真正值得关注的，是这些任务离开演示环境后，能不能同样稳定地完成。
两项新能力瞄准连续任务
Muse Wonder系列的两个主打能力，Meta称为“主动记忆”（Active Memory）和“主动专注”（Active Focus）。
前者指模型能在不同对话之间保留重要信息，并在任务需要时找回相关内容；后者则强调任务遇到阻碍时继续尝试、调整做法，必要时向用户确认，而不是卡住后就结束回答。换句话说，Meta想让模型记住“用户在意什么”，也记住“这件事做到哪一步了”。
这套思路更适合有连续性的工作。例如，用户先提供偏好和行程，再让模型持续更新计划；或者把资料分几次交给模型，让它最后整理成一份完整成果。单次问答的能力仍重要，但对于智能体来说，任务中途能否保持上下文、少犯错地把事情做完，同样关键。
Meta的演示中，Muse Wonder根据用户情况制定跑步计划，也能参考个人社交媒体照片设计定制礼物。它们说明了产品设想，但仍属于演示案例，不能直接当作所有用户、所有复杂任务都能达到的效果。Meta的模型卡也写明，多步骤推理在陌生场景下仍可能出错，视觉与空间推理也存在局限。
两个版本分阶段开放
Muse Wonder和Muse Wonder Full的可用范围并不相同。Muse Wonder已通过Meta Model API和Muse Code提供；Wonder Full目前面向Muse Code订阅用户。Meta表示，Muse后续也会接入Wonder系列，先向订阅用户推出。
因此，这次不是新模型一发布，所有Meta AI用户就能立即用上。眼下更直接的入口仍面向开发者和订阅用户，面向普通用户的Muse接入还在后续安排中。TechCrunch也指出，Wonder Full不通过API提供。
另一个值得留意的区别是：这次公告没有宣布开放模型权重。Meta过去常以开放权重模型建立开发者生态，这次披露的使用方式则主要是API和自家产品入口。它更像是面向智能体产品与服务的模型发布，而不是一次开源权重发布。
任务执行还要看真实体验
Meta称，Muse Wonder系列在智能体、记忆和编程等评测中表现突出。模型卡列出了与其他模型的对比，也披露了评测方法：部分结果来自第三方，部分来自厂商报告或内部测试；不同测试的工具、提示和运行环境也不完全相同。模型卡还提醒，测试无法覆盖所有实际场景，接入工具后仍应针对具体用途进行评估。
这点对智能体尤其重要。模型如果只生成一段文字，用户可以自行判断；如果它能操作应用、处理资料或推进流程，出错的影响就可能直接落到现实任务上。Meta的模型卡建议，在可能产生不可逆影响的操作中加入人工确认机制。换言之，“能继续做”与“可以放心交给它做”，中间还有一段要靠实际部署来验证。
Muse Wonder这次把产品重心放在了“持续记住并推进任务”。它能否成为真正好用的个人助手，最终还要看两个细节：用户是否愿意提供足够的个人上下文，以及模型在复杂任务里能否稳定地把事情做对。
