Le laboratoire d’IA de Meta a présenté hier Muse Wonder et Muse Wonder Full, ses modèles les plus puissants à ce jour. L’entreprise les a testés contre GPT-6 Astra et Claude Fable 5.1, et insiste surtout sur leur mémoire, censée retenir pendant des mois ce qui compte pour l’utilisateur.
Alexandr Wang, fondateur de Scale AI, dirige depuis l’été 2025 la refonte complète de l’IA chez Meta. Son équipe a d’abord sorti Muse Spark en avril. L’agent Muse, lancé le 8 septembre malgré des failles repérées pendant les tests, tourne sur ce modèle léger. Muse Wonder est plus gros. Les développeurs peuvent l’utiliser pour 4 dollars (environ 3,40 euros) le million de jetons en entrée et 20 dollars (environ 17 euros) en sortie, via la Meta Model API. Muse Wonder Full est réservé aux abonnés de Muse Code à 50 ou 200 dollars par mois (environ 43 ou 171 euros). Pour Meta, les deux modèles sont « un bond majeur vers la superintelligence personnelle », d’après son billet d’annonce. L’entreprise a toutefois mesuré une partie de ces promesses avec ses tests maison. Elle reconnaît aussi, dans sa fiche technique, des risques qu’elle a dû contenir avant la sortie.
Une mémoire mesurée sur un test conçu par Meta
Meta a confronté ses modèles à GPT-6 Astra, qu’OpenAI a lancé le 3 septembre, et aux deux derniers modèles d’Anthropic. D’après l’entreprise, Muse Wonder et Muse Wonder Full obtiennent les meilleurs résultats sur les principaux tests d’agents personnels et professionnels. Meta prévoit de faire tourner l’agent Muse sur Muse Wonder, en commençant par les abonnés payants. Le groupe met en avant la « mémoire active » de ce modèle. Avec elle, l’agent garde le contexte d’un utilisateur d’une conversation à l’autre et retrouve les détails utiles à la tâche du moment.
« Nous avons déployé des efforts considérables pour nous assurer que votre modèle puisse se souvenir de ce qui est important pour vous pendant des jours, des semaines, des mois », a expliqué Kavya Kopparapu, chercheuse chez Meta, dans une vidéo de lancement. Toujours d’après Meta, Muse Wonder obtient sur MemoryBench un meilleur score que les trois modèles concurrents. Les ingénieurs du groupe ont conçu ce test en interne. Ils soumettent les modèles à des conversations de 64 000 à 100 000 jetons, truffées d’échanges parasites et de détails qui contredisent ou mettent à jour les informations à retenir. Chaque réponse est ensuite notée par un autre modèle de langage.
Sur FocusBench, Meta mesure la « concentration active » de ses modèles. En clair, l’agent doit continuer à avancer vers son objectif malgré les blocages. Ce test a lui aussi été conçu en interne. Meta précise en outre que ses essais sur les modèles d’OpenAI et d’Anthropic ont été réalisés sans optimiser les requêtes ni les outils pour eux.
- Tâches complètes de bout en bout
- Contrôles d’accès très détaillés
- Travail autonome en arrière-plan
Des risques chimiques et biologiques contenus par des garde-fous
Meta a mené son évaluation des risques sur Muse Wonder Full, sa version la plus puissante. Sans protection supplémentaire, l’entreprise n’exclut pas pour ce modèle un risque élevé dans le domaine chimique et biologique. Le groupe parle de risque élevé quand le déploiement d’un modèle pourrait contribuer de façon substantielle à un scénario de menace grave. Ses équipes ont donc ajouté un entraînement de sécurité dédié et des classificateurs au niveau du système. Avec ces garde-fous, Meta classe le risque au niveau « modéré ou inférieur » dans tous les domaines évalués. C’est sur cette base que l’entreprise a décidé de sortir le modèle.
Sur ExploitGym, les modèles doivent exploiter une faille attendue par les concepteurs du test pour récupérer un drapeau. Muse Wonder Full a récupéré 92 drapeaux. Après une vérification menée avec deux autres modèles d’IA, dont Gemini 3.1 Pro, Meta a constaté que le sien n’avait utilisé la faille attendue que dans 21 cas. Le modèle a obtenu les 71 autres drapeaux par des failles que les concepteurs du test n’avaient pas prévues. Dans le classement officiel d’ExploitGym, seules les failles attendues sont prises en compte, et Meta a retenu le chiffre de 21 pour son score officiel. Meta ne destine pas ces modèles aux moins de 18 ans. Un rapport plus complet sur leur sécurité doit encore être publié.
La mémoire active désigne des mécanismes qui permettent à un agent IA de conserver et de réutiliser des informations d’un utilisateur d’une session à l’autre, au-delà d’une seule conversation. Un « long contexte » (exprimé en jetons) étend surtout la quantité de texte que le modèle peut lire d’un coup, mais n’implique pas forcément de persistance dans le temps. Pour fonctionner, une mémoire active s’appuie généralement sur de la mémoire externe (stockage, base vectorielle), des règles de sélection (quoi garder/quoi oublier) et une étape de récupération avant de répondre. L’enjeu est d’éviter deux écueils : retenir des détails inutiles ou, au contraire, réinjecter des informations périmées qui contredisent la situation actuelle. Côté utilisateur, cela se traduit par un agent qui « se rappelle » des préférences et contraintes sans qu’on ait à les répéter.
Un benchmark est un protocole de test standardisé pour comparer des modèles sur une capacité ciblée, ici la rétention d’informations (MemoryBench) et la capacité à rester orienté objectif malgré des distractions ou blocages (FocusBench). Des benchmarks internes permettent d’évaluer vite des itérations de modèles avec des scénarios et une métrique contrôlés, par exemple des conversations longues, bruitées et contradictoires. Leur limite principale est la comparabilité : si le test, la notation (par un autre modèle) ou les paramètres de requêtes ne sont pas identiques pour tous, le classement peut favoriser la solution « maison ». Ils sont aussi plus sensibles au surapprentissage du test (optimiser pour le benchmark plutôt que pour le terrain). Pour juger la robustesse, il faut idéalement des évaluations tierces, des jeux de tests publics, et des mesures répétées dans des conditions variées.
Des garde-fous sont des couches techniques ajoutées pour réduire la probabilité qu’un modèle produise des contenus dangereux ou des instructions facilitant des usages à risque. L’entraînement de sécurité dédié renforce le modèle via des données et scénarios ciblés (refus, redirection, réponses sûres), afin qu’il apprenne à reconnaître et gérer les demandes sensibles. Les classificateurs au niveau du système sont des filtres qui analysent les requêtes et/ou les réponses pour détecter des catégories interdites et bloquer, tronquer ou reformuler avant affichage. Cette approche est utile mais imparfaite : elle peut laisser passer des demandes contournées (évasion) ou bloquer à tort des usages légitimes (faux positifs). La sécurité réelle dépend aussi du déploiement (outils accessibles à l’agent, permissions, journalisation), pas seulement du modèle brut.
