Vierzehn Monate nach dem Beginn eines Umbaus seiner KI-Abteilung hat Meta am 12. Oktober Muse Wonder und Muse Wonder Full vorgestellt, nach eigener Darstellung die bislang fähigsten Modelle des Konzerns für persönliche und berufliche agentische Aufgaben. Die Beispiele, die Meta in seiner Ankündigung nennt, sind bewusst alltäglich: einen Versicherungsfall abwickeln, einen Mietvertrag verstehen, eine funktionierende App bauen. Dafür sollen die Agenten den Zusammenhang über Gespräche hinweg behalten, bei Hindernissen andere Wege probieren und vor wichtigen Schritten nachfragen. Dieser Beitrag stützt sich auf den Bericht von TestingCatalog, dessen Autorenzeile einen KI-Agenten ausweist, und auf Metas eigene Ankündigung.
Zwei Modelle, zwei Zugangswege
Muse Wonder ist ab sofort über die Meta Model API und über Muse Code verfügbar. Muse Wonder Full bleibt den Abonnenten von Muse Code vorbehalten. Das Standardmodell soll später auch in Muse ankommen, zunächst ebenfalls für Abonnenten, und dort Aufgaben übernehmen, die mehr Intelligenz verlangen, etwa die Erzeugung von Artefakten. Meta trennt die Varianten also über den Zugang: einmal offen für Entwickler, einmal gebündelt in einem Abonnement.
Für Entwickler ist Muse Wonder damit sofort über die Meta Model API nutzbar; wer die stärkere Variante Full will, braucht ein Muse-Code-Abonnement. In der Muse-App selbst kommt das Modell zuerst bei Abonnenten an. Für Leser in Deutschland ist das vorerst Theorie: Die Muse-App ist laut Notebookcheck bisher nur in den USA und Kanada erhältlich, und eine Länderliste für die API nennt Meta in der Ankündigung nicht.
Active Memory und Active Focus als Bauprinzip
Die neue Familie kombiniert zwei Mechanismen: Active Memory und Active Focus. Active Memory trägt wichtigen persönlichen Kontext über Gespräche hinweg mit und holt Details hervor, wenn eine Aufgabe sie verlangt. Active Focus hält das Modell an schwierigen Zielen fest: Es probiert alternative Wege, umgeht Blockaden, passt sich neuen Informationen an, fragt nach, wenn etwas unklar ist, und prüft, bevor es etwas Wichtiges tut.
Man kann sich das wie einen gut organisierten Handwerker vorstellen. Der Aktenschrank im Rücken ist das Gedächtnis: Er enthält die Unterlagen, und der Handwerker zieht genau die Akte, die zur aktuellen Arbeit passt, nicht den ganzen Ordner. Die Ausdauer ist der Umgang mit der klemmenden Schraube. Ein unerfahrener Helfer ruft nach zehn Minuten den Chef. Ein erfahrener dreht die Schraube anders an, wechselt das Werkzeug und sagt erst dann Bescheid, wenn wirklich eine Entscheidung nötig ist. Genau diese zweite Fähigkeit stellt Meta mit Active Focus in den Vordergrund.
Im Alltag heißt das: Ein Agent, der sich an frühere Vorgaben erinnert und bei einem langen Vorhaben dranbleibt, spart dir die ständige Nachbetreuung. Das ist der Unterschied zwischen einem Werkzeug, das auf einen Befehl wartet, und einem System, das einen Auftrag trägt.
Von kleinen Apps bis zu langen Softwareprojekten
Meta beschreibt die Coding-Fähigkeiten der Modelle als breit gefächert: von kleinen Anwendungen bis zu Softwareprojekten, die über längere Zeit laufen und wiederholtes Testen und Nachbessern erfordern. Daneben sollen die Modelle Domänenwissen auf juristische, finanzielle und medizinische Aufgaben anwenden können. Der Zuschnitt verbindet zwei Arbeitsweisen, die selten zusammen gedacht werden.
Ein Agent, der Code schreibt, muss Fehler erkennen und Korrekturschleifen durchlaufen. Ein Agent, der eine Vertragsklausel prüft oder eine Bilanz einordnet, muss vorsichtig sein und im Zweifel nachfragen. Verbunden sind beide über die Ausdauer: Beide Tätigkeiten bestehen aus vielen kleinen Schritten, bei denen ein früher Abbruch das Ergebnis wertlos macht. Ob die Modelle diese Ansprüche in der Praxis halten, lässt sich anhand der Ankündigung nicht beurteilen. Das zeigt sich erst in echten, unaufgeräumten Arbeitsabläufen.
Skalierung, Testzeit-Rechenleistung und erste Benchmarks
Trainiert wurden beide Modelle in Metas Prometheus-Rechenzentrum, das der Konzern in der Gigawatt-Klasse verortet. Sie bauen auf dem Skalierungsansatz auf, den Meta mit Muse Spark eingeführt hat. Interessanter als die Größe ist ein anderes Argument: Meta behauptet, dass Muse Wonder Full über die Aufgaben hinaus generalisiert, die im Post-Training betont wurden.
Der Beleg: Steigt die Testzeit-Rechenleistung, also das Budget, das ein Modell fürs Nachdenken über eine Antwort erhält, verbessert sich Muse Wonder Full auf unbekannten Aufgaben stärker, als der Trend von Muse Spark 1.3 erwarten ließe. Meta führt das auf ein größeres und stärkeres Basismodell zurück. Ein gutes Fundament lässt sich durch mehr Nachdenken besser nutzen als ein schmaleres. Bestätigt sich das, profitiert das Modell auch bei Aufgaben, die im Post-Training keine Rolle spielten, von mehr Rechenzeit.
Erste Zahlen von außen kommen von Artificial Analysis. Auf deren Intelligence Index v4.3 erreichen Muse Wonder und Muse Wonder Full bei maximalem Reasoning-Aufwand 52 und 56 Punkte; Muse Spark 1.3 lag bei 48, und zwischen beiden Veröffentlichungen lagen nur sechs Wochen. TestingCatalog meldet für Wonder Full zudem Platz zwei im Index, zwei Punkte hinter Claude Opus 5.5, und einen Spitzenwert von 79 Punkten auf DeepSWE. Meta selbst schreibt, die Modelle führten in Bewertungen zu persönlichen und beruflichen Agenten, Gedächtnis, ausdauernder Ausführung, Coding, Fachwissen, Umgang mit privaten Informationen und Missbrauchsresistenz – diese Auswertungen stammen allerdings vom Hersteller.
Private Daten, Sicherheit und Metas Weg zur „persönlichen Superintelligenz“
Der Anspruch reicht weiter als das nächste Produktupdate. Meta plant, Muse Wonder in Verbrauchererfahrungen einzusetzen und spezialisierte Modelle für Menschen zu entwickeln, die Muse nutzen. Der Konzern ordnet die Veröffentlichung als nächsten Schritt in Richtung persönliche Superintelligenz ein. Dieser Weg führt tiefer in private Daten: Nachrichten, Kalender, persönliche Dokumente.
Meta begegnet dem mit zwei Zusagen. Erstens soll Muse Wonder das bislang am besten ausgerichtete Modell des Unternehmens sein, am besten abgestimmt auf menschliche Vorgaben. Zweitens nennt Meta den Schutz vor Missbrauch in den Bereichen Chemie, Biologie, Radioaktivität, Nukleartechnik und Cyber als stärksten bisher, während fortgeschrittene Cyber-Fähigkeiten für defensive Arbeit erhalten bleiben sollen. Ein ausführlicherer Sicherheitsbericht soll folgen. Außerdem wurden die Modelle laut Meta darauf trainiert, private Informationen nicht ohne Erlaubnis weiterzugeben. Solche Selbstauskünfte sind ein Zwischenstand, kein Prüfsiegel; belastbar werden sie erst, wenn unabhängige Stellen die Ergebnisse nachprüfen können.
Konkret: Meta liefert mit Muse Wonder und Muse Wonder Full weniger ein neues Spielzeug als eine Infrastruktur für Agenten, die dauerhaft mitlaufen sollen. Gedächtnis und Ausdauer sind die Baustellen, die Meta in den Mittelpunkt stellt. Der Preis liegt im Zugang und im Vertrauen: Ein persönlicher Agent dieser Art braucht Zugriff auf Nachrichten, Kalender und Dokumente, und wer sie einsetzt, muss entscheiden, wie viel Privatsphäre er gegen Bequemlichkeit tauscht. Diese Entscheidung nimmt dir kein Modell ab, egal wie gut es sich an frühere Gespräche erinnert.
Quelle: testingcatalog.com
