Meta ha presentado Muse Wonder y Muse Wonder Full , dos nuevos modelos de inteligencia artificial diseñados específicamente para agentes capaces de trabajar durante periodos prolongados, utilizar información acumulada en conversaciones anteriores y ejecutar tareas complejas. La compañía los sitúa como sus modelos más capaces hasta la fecha y los convierte en una pieza central de su estrategia para trasladar la IA desde los asistentes conversacionales hacia sistemas que actúan en nombre del usuario.
Muse Wonder ya está disponible para desarrolladores mediante Meta Model API y Muse Code. Muse Wonder Full, la versión de mayor capacidad, queda por ahora restringida a los suscriptores de Muse Code. Meta también prevé incorporar Wonder a Muse, su agente personal, comenzando por los usuarios de pago.
El lanzamiento llega poco más de un mes después de que Meta presentara Muse y su anterior modelo Muse Spark. Con Wonder, la compañía intenta cubrir una de las limitaciones que todavía condicionan el despliegue empresarial de agentes de IA: mantener información relevante, sostener tareas que requieren numerosos pasos y recuperarse de errores sin reiniciar todo el proceso.
Memoria y ejecución prolongada para los agentes
Meta agrupa parte de esas capacidades bajo dos conceptos propios, «Active Memory» y «Active Focus». El primero permite conservar información considerada relevante entre diferentes conversaciones y recuperarla cuando vuelve a resultar necesaria. El segundo está orientado a mantener la ejecución cuando aparecen obstáculos, probar alternativas y modificar el plan a medida que cambia la información disponible.
Son capacidades especialmente relevantes cuando el modelo deja de limitarse a generar una respuesta y comienza a intervenir en procesos operativos. Revisar una reclamación de seguros, interpretar un contrato de alquiler o trabajar sobre información financiera puede exigir consultar varios documentos, recordar restricciones indicadas previamente y mantener una secuencia de actuaciones durante más tiempo que una interacción convencional con un chatbot.
Meta también plantea esta persistencia para tareas cotidianas. Muse, presentado en septiembre, funciona sobre una máquina virtual dedicada y puede utilizar un navegador, completar formularios o trabajar con diferentes aplicaciones. El objetivo de Wonder es elevar la capacidad de razonamiento que sostiene esas acciones.
La autonomía, sin embargo, mantiene puntos de control. La compañía asegura que el modelo solicita aclaraciones cuando las necesita y debe pedir confirmación antes de completar determinadas actuaciones importantes. La combinación entre memoria, capacidad de ejecución y acceso a herramientas hace que estos mecanismos cobren mayor importancia: un error en un agente con capacidad para actuar puede tener consecuencias diferentes a una respuesta incorrecta dentro de una conversación.
Meta lleva Muse Wonder a tareas profesionales
El posicionamiento de Wonder se extiende al trabajo especializado. Meta asegura haber evaluado los modelos en ámbitos como derecho, finanzas y salud, además de programación, utilizando pruebas que exigen trabajar sobre documentación y completar productos de trabajo en lugar de responder únicamente preguntas aisladas.
Entre ellas figura Harvey’s Legal Agent Benchmark, orientado a tareas jurídicas realizadas a partir de fuentes documentales e instrucciones detalladas. La compañía también utiliza evaluaciones de agentes financieros, memoria de largo plazo y desarrollo de software durante periodos extensos.
Los resultados publicados por Meta sitúan a Wonder y Wonder Full entre los modelos de mayor rendimiento en varias de esas pruebas. Conviene interpretar esta comparación con cautela. Los benchmarks miden escenarios concretos, las metodologías pueden variar entre proveedores y un mejor resultado agregado no implica que un modelo sea superior en todos los tipos de trabajo.
La propia selección de pruebas apunta, de hecho, hacia la dirección que Meta quiere dar al producto. El foco está menos en obtener una respuesta puntual y más en completar cadenas de trabajo: analizar documentación, mantener requisitos durante una tarea, modificar archivos, utilizar herramientas y revisar el resultado después de sucesivos intentos.
La programación representa uno de los ejemplos más claros. Desarrollar una aplicación obliga a conservar requisitos, intervenir sobre distintos puntos de un repositorio, ejecutar pruebas y corregir fallos. Meta afirma que Muse Wonder ha sido entrenado con tareas diversas y prolongadas para mejorar precisamente esa continuidad. Sus demostraciones incluyen desde la creación de un juego tridimensional hasta aplicaciones construidas a partir de instrucciones e imágenes.
Modelos mayores para tareas que no estaban en el entrenamiento
Otro elemento del lanzamiento es el énfasis en la capacidad para responder ante trabajos diferentes de los utilizados durante el entrenamiento posterior del modelo. Meta sostiene que Wonder Full conserva mejor su rendimiento cuando aumenta el tiempo de razonamiento y se enfrenta a problemas fuera de la distribución de tareas utilizada durante esa fase.
La compañía relaciona esa mejora con el tamaño y la capacidad de los modelos base sobre los que ha construido la familia Wonder. Los sistemas fueron entrenados utilizando Prometheus, la infraestructura de centros de datos a escala de gigavatios de Meta.
Esta generalización tiene una consecuencia práctica para los agentes. A diferencia de una aplicación especializada, un asistente personal puede recibir combinaciones difíciles de anticipar de documentos, objetivos, aplicaciones y restricciones. La utilidad del sistema depende así de cómo responde cuando la situación concreta no coincide con los escenarios previstos por sus desarrolladores.
Meta muestra casos como la preparación de un plan de entrenamiento adaptado a preferencias personales, la selección de regalos mediante información disponible en otras aplicaciones o la organización de los asistentes de una boda a partir de múltiples condiciones. Son demostraciones controladas, pero reflejan el tipo de automatización transversal al que apunta Muse.
La privacidad gana peso cuando el modelo puede actuar
El acceso necesario para ejecutar esas tareas también amplía la superficie de riesgo. Un agente puede manejar mensajes, calendarios, documentos privados o credenciales y, al mismo tiempo, recibir instrucciones procedentes de páginas web y servicios externos. La posibilidad de que información sensible termine expuesta o de que una instrucción maliciosa altere el comportamiento del agente se convierte así en parte del problema técnico.
Meta afirma haber entrenado Wonder para evitar la divulgación de información privada sin autorización y resistir instrucciones adversarias. También asegura haber reforzado las protecciones frente al uso de los modelos para actividades relacionadas con riesgos biológicos, químicos o ciberataques, manteniendo al mismo tiempo capacidades destinadas al trabajo defensivo de profesionales de seguridad.
El desarrollo y lanzamiento de estos modelos se encuadra en el Meta Superintelligence Scaling Framework, que establece evaluaciones y medidas de mitigación para sistemas con capacidades avanzadas. La compañía todavía no ha publicado, sin embargo, el informe completo de seguridad específico de Wonder y ha indicado que ofrecerá evaluaciones adicionales más adelante.
Ese documento será especialmente relevante a medida que Muse utilice el nuevo modelo con información real de usuarios. La memoria persistente mejora la personalización, pero también obliga a definir qué datos conserva un agente, durante cuánto tiempo, cómo decide recuperarlos y qué controles tiene el usuario sobre ese proceso.
Muse Wonder amplía la estrategia de Meta más allá del modelo
Wonder forma parte de una reorganización de la estrategia de inteligencia artificial que Meta inició hace catorce meses. La secuencia formada por Muse Spark, el agente Muse y ahora Wonder muestra una arquitectura en la que distintos modelos pueden encargarse de trabajos con requisitos diferentes de coste, velocidad y capacidad.
La empresa anticipa, además, que Muse Wonder servirá para generar artefactos y ejecutar procesos que requieran mayor inteligencia, mientras desarrolla modelos especializados derivados de esta familia para incorporarlos posteriormente a Muse.
Para los desarrolladores, la diferencia inmediata está en el acceso. Muse Wonder puede utilizarse mediante la API de Meta, mientras que Wonder Full permanece dentro de Muse Code. Esto limita inicialmente la posibilidad de que empresas externas integren directamente la variante más potente en sus propios productos y obliga a evaluar Wonder como opción disponible para cargas de trabajo basadas en agentes.
La cuestión empresarial se desplazará ahora desde los resultados de los benchmarks hacia el comportamiento de estos modelos dentro de procesos reales. La capacidad de mantener contexto durante días, operar con herramientas y recuperarse de errores puede reducir supervisión manual en determinados flujos de trabajo, pero aumenta al mismo tiempo la necesidad de permisos granulares, trazabilidad y mecanismos de aprobación.
Meta está construyendo Muse alrededor de esa combinación de modelo, memoria y ejecución. Wonder eleva las capacidades del componente encargado de razonar, pero el valor operativo dependerá de que esa inteligencia pueda actuar de forma suficientemente predecible cuando el agente tenga acceso a sistemas, documentos y decisiones que hasta ahora permanecían bajo control directo de una persona.
