Meta Muse Wonder 全面解析：Muse Wonder Full、Active Memory、Active Focus 与 API 使用指南

一、Meta 发布 Muse Wonder：AI 模型竞争进入持续任务时代

2026 年 10 月 12 日，Meta 正式推出两款新的前沿 AI 模型：

Muse Wonder 和 Muse Wonder Full。

与单纯强调文本生成或知识问答的模型不同，Meta 将这两款模型定位为面向个人生活、专业工作和复杂 Agent 任务的基础模型。

这次发布的核心方向非常明确：

AI 不仅需要理解用户的一次提问，还要能够记住与任务有关的信息，并在遇到问题时继续寻找解决办法。

Meta 为这两项能力分别提出了两个概念：

Active Memory（主动记忆）和 Active Focus（主动聚焦）。

这表明，前沿模型之间的竞争正在从单次推理能力，进一步延伸到跨对话信息管理和长时间任务执行能力。

Meta 表示，Muse Wonder 系列是其迄今能力最强的模型系列，并提供个人、专业和编程等不同场景的能力。

不过，这一表述来自 Meta 自身的发布资料，具体性能仍需要通过独立测试与真实任务来验证。

二、Muse Wonder 与 Muse Wonder Full 有什么区别？

本次发布包含两个不同版本。

截至 2026 年 10 月 12 日，Meta 明确宣布：

Muse Wonder 可以通过 Meta Model API 和 Muse Code 使用。

Muse Wonder Full 则向 Muse Code 订阅用户开放。

普通 Muse 产品也计划接入 Muse Wonder，但会先向订阅用户逐步开放。

因此，不能因为两款模型同时发布，就认定所有用户都能通过相同 API 调用 Muse Wonder Full。

三、什么是 Active Memory？

Active Memory 可以理解为面向长期任务的主动记忆能力。

例如，你正在准备一个持续数周的软件开发项目。

第一天告诉 AI：

项目采用 Python、PostgreSQL 和 Redis。

第二天又强调：

不要修改数据库结构，所有新增功能必须具备回归测试。

过了几天，你提出一个新需求：

“帮我设计订单系统的缓存优化方案。”

一个真正具备长期记忆能力的 Agent，应当能够识别哪些历史信息与当前任务有关。

它应该记住项目已有的技术选型，以及此前提出的开发限制，而不是要求用户每次重新输入完整背景。

Meta 所描述的 Active Memory，重点不只是保存历史消息。

更重要的是：

当新任务出现时，主动找回与该任务有关的历史信息。

这里包含两个不同环节。

第一，记录重要信息。

第二，在适当的任务中检索相关信息。

这也是 Active Memory 与普通聊天历史的一项重要区别。

不过，官方尚未把全部记忆实现细节、保留策略和可配置参数作为通用开发者能力完整公开。

因此，开发者不能直接推断它一定使用某种特定向量数据库或固定记忆算法。

四、Active Focus 又是什么？

如果说 Active Memory 解决的是“记住什么”，那么 Active Focus 更接近“怎样持续完成目标”。

假设你让 AI 完成一个复杂任务：

阅读项目 → 修改代码 → 运行测试 → 修复失败 → 再次验证。

很多 AI Agent 的问题，不是在第一步不会写代码，而是在任务执行较长时间后遇到困难。

例如测试失败、文件结构发生变化、依赖安装异常，或者原先的修复思路无法解决问题。

Active Focus 的目标，是让模型在遇到阻塞时继续围绕用户原来的目标工作。

这可能包括：

尝试其他方案、重新分析问题、恢复错误，以及根据新信息调整执行计划。

Meta 同时强调，当 Agent 缺少必要信息时，仍应向用户询问；执行重要操作前，也应进行确认。

因此，Active Focus 并不是让 AI 可以无限制、自主地操作所有系统。

它更强调：

在明确授权和目标范围内保持任务连续性。

五、Muse Wonder 为什么重视 Coding Agent？

软件开发是一种很适合考察长期任务能力的工作。

一个真实的软件工程任务通常需要：

理解需求、查找文件、制定方案、修改代码、运行测试，然后根据结果进一步调整。

相比单纯生成某个函数，这类任务更容易暴露模型的长期规划问题。

Meta 在官方研究中介绍，Muse Wonder 系列接受了多种长期任务训练，并强调其在复杂编程工作中的表现。

这类能力适合探索：

• 多文件代码修改；
• 中大型项目开发；
• 测试失败排查；
• 应用原型生成；
• 长时间 Agent 工作流；
• 软件项目迭代。

Meta 还展示了模型制作可交互 3D 厨房游戏等案例。

这些演示说明了模型在创意开发方面的潜力。

但单个官方演示不能证明所有同类任务都会成功。

对于实际开发环境，仍然应通过相同的项目、测试条件和任务标准进行比较。

六、官方评测有哪些值得关注的地方？

Meta 在技术文章中介绍了多个评估方向。

其中包括：

专业知识任务： 例如法律、金融、健康相关的信息理解与文档分析。

Active Memory： 衡量模型是否能够正确使用过去的重要信息。

Active Focus： 评估持续围绕任务目标工作和处理阻塞的能力。

Coding： 评估跨文件开发和实际编程任务。

Meta 还介绍了 FocusBench 和 SWE-Marathon 等评测，用于研究模型面对长期任务时的表现。

一个值得注意的研究方向是：

模型对不熟悉任务的泛化能力。

Meta 认为，即使两个模型在常见基准中得分接近，它们处理未见过的新任务时也可能表现不同。

因此，仅仅比较单一排行榜分数，很难完整判断一个 Agent 模型的实际价值。

不过，模型评测仍然需要考虑测试环境、推理预算、工具权限和模型版本差异。

这也是为什么企业在采购模型服务之前，应安排自己的任务测试。

七、Muse Wonder 怎么使用？

目前主要分为两条路线。

路线一：Meta Model API

Meta 已宣布 Muse Wonder 通过 Meta Model API 向开发者开放。

开发者可以进入官方平台：

https://developer.meta.com/

查看模型接入资格、API 文档、可用额度和当前模型标识。

在正式接入之前，需要确认：

• 开发者账号权限；
• 是否已开通 Muse Wonder；
• 当前正式模型 ID；
• 认证方式；
• 请求格式；
• Token 价格；
• 速率和使用限制。

截至本次核验，不应假设 Muse Wonder 的所有请求参数都与 OpenAI 或其他模型 API 完全相同。

因此，实际代码应基于 Meta 当前发布的对应 API 参考文档实现。

路线二：Muse Code

Meta 同时提供 Muse Code 作为编程工作入口。

Muse Wonder 与 Muse Wonder Full 都在 Muse Code 生态中提供，但 Full 版本面向相应订阅用户。

如果主要目标是体验模型处理实际代码任务的效果，Muse Code 是一个值得关注的入口。

建议从较小的测试项目开始，重点评估：

修改准确率、测试通过率、工具调用稳定性、任务完成时间，以及是否需要大量人工干预。

八、开发者应该怎样测试 Muse Wonder？

在选择一个新模型时，我建议不要只测试简单问答。

可以准备四组任务。

第一组：代码修复

选择一个包含自动化测试的小型项目，故意引入一个可复现的 Bug。

让模型分析并修复。

记录实际修改范围和测试通过情况。

第二组：长期任务

给模型一个多阶段开发目标。

观察它是否会遗漏最初的限制，或者在遇到错误后反复执行同一种失败方案。

第三组：跨对话记忆

在符合产品记忆权限和功能条件的前提下，分多次提供项目背景。

然后检查模型是否能够在后续任务中正确使用相关信息。

第四组：安全与审批

要求模型处理需要重要确认的操作，例如生产部署建议。

观察它是否清晰区分建议、准备执行与已经完成的实际操作。

这种测试方式，通常比单纯询问“你和 GPT 哪个更强”更有价值。

九、Muse Wonder 与 GPT、Claude、Gemini 应该怎样比较？

当前主要前沿模型产品，都在强调复杂任务与 Agent 能力。

但它们的生态侧重点并不完全相同。

GPT 系列与 Codex、ChatGPT Work 等开发和工作产品结合。

Claude 系列与 Claude Code、API 和企业 Agent 场景紧密相关。

Gemini 系列依托 Google Workspace、Google Cloud 及企业工具生态。

Muse Wonder 则是 Meta 面向个人与专业 Agent 推出的新一代模型。

如果进行技术选型，建议对比：

不能在缺乏统一评测条件时，直接认定某个模型全面超越其他厂商。

十、Meta 为什么强调个人超级智能？

Meta 长期拥有 Facebook、Instagram、WhatsApp 等消费者产品。

因此，它研究 AI Agent 的方向不仅是提高模型排行榜成绩。

还包括让 AI 在用户授权的情况下，理解长期目标、使用有关背景、辅助处理复杂生活和工作任务。

例如：

整理行程、理解合同、辅助分析保险理赔流程、制作小游戏或者规划活动。

这些任务往往同时涉及个人信息、复杂约束和多个执行步骤。

因此，长期记忆和持续任务能力，是未来个人 Agent 的重要基础。

不过，这也提出新的问题：

用户是否能够查看、修改和撤销记忆？

模型在访问私人消息时如何限制权限？

高风险操作是否需要额外确认？

这些问题会直接影响消费者对个人 Agent 的信任。

十一、Muse Wonder 安全机制有哪些？

Meta 表示，Muse Wonder 系列在设计中重视隐私信息处理、抵抗恶意指令，以及降低网络和其他高风险领域的滥用风险。

官方同时提到，模型的开发、评估与发布遵循其 Superintelligence Scaling Framework。

对于开发者而言，仍然需要区分：

模型安全训练与应用层权限管理。

即使模型具备较好的安全表现，应用也应该建立自己的认证、工具授权、敏感数据保护和审计机制。

尤其是在需要读取日历、邮件、支付数据或企业资料的场景中，不能仅依赖模型自行判断权限。

Meta 表示更多安全评估资料将陆续发布，因此目前也不宜把未公开的详细测试结果写成已证实的技术结论。

十二、Muse Wonder 常见问题

Muse Wonder 已经正式发布了吗？

是的。Meta 于 2026 年 10 月 12 日正式公布。

Muse Wonder Full 可以直接通过普通 API 调用吗？

本次公告明确的开放方式是 Muse Code 订阅用户，不能据此认定 Full 已提供与普通版相同的 API 入口。

Active Memory 是无限记忆吗？

不是。官方强调跨对话记忆与相关信息提取，并没有因此承诺无限容量或完全准确的长期记忆。

Muse Wonder 属于开源模型吗？

本次发布主要介绍 Meta Model API 与 Muse Code 的访问方式，不能仅因为 Meta 过去发布过开放权重模型，就认定 Muse Wonder 已开放权重。

Muse Wonder 适合 AI 编程吗？

Meta 将复杂 Coding 和长期软件开发任务列为重要能力方向，但具体表现应通过真实项目测试。

十三、总结

Muse Wonder 与 Muse Wonder Full 的推出，表明 Meta 正在进一步加强前沿 Agent 模型布局。

相比一次性文本回答，Meta 更强调模型能否利用长期信息，并持续完成复杂任务。

Active Memory 和 Active Focus 体现了两个重要方向：

让 AI 记住与目标有关的内容，以及在任务遇到困难时继续有效工作。

对于开发者来说，值得关注的不只是模型性能，还包括它们通过 Meta Model API、Muse Code 和未来 Muse 产品形成的完整生态。

随着这些能力进一步成熟，未来 AI 产品可能越来越像持续运行的工作伙伴，而不只是等待用户提问的聊天工具。

官方参考资料

Meta 官方新闻公告： https://about.fb.com/news/2026/10/introducing-muse-wonder-models/

Meta AI Research 技术文章： https://research.meta.ai/blog/muse-wonder

Meta 开发者平台： https://developer.meta.com/