Meta annonce la sortie de Muse Wonder et Muse Wonder Full, deux nouveaux modèles développés par son Superintelligence Lab. L’entreprise les présente comme sa première tentative dans la catégorie des modèles frontier, c’est-à-dire des systèmes conçus pour se mesurer aux modèles les plus avancés du marché.
La publication, datée du 12 octobre 2026, marque une évolution par rapport à Muse Spark. Ce modèle avait été présenté comme léger et capable de fonctionner avec une faible latence. Selon Meta, les modèles Wonder sont plus grands et plus performants, avec de meilleurs résultats sur les tâches complexes, notamment le codage.
Deux variantes aux usages distincts
La famille comprend deux versions. Muse Wonder est accessible via la Meta Model API. Son tarif annoncé est de 4 dollars par million de tokens en entrée et de 20 dollars par million de tokens en sortie. Meta indique que ce niveau de prix est comparable à celui de GPT-6 Sol ou d’Opus 5.5.
Muse Wonder Full suit une logique différente. La version est réservée aux abonnés de Muse Code et ne sera pas proposée via l’API, selon les informations publiées par Meta. Les deux modèles doivent également alimenter l’agent Muse.
Cette distinction sépare donc l’accès destiné aux développeurs et aux services utilisant une API de celui intégré à un abonnement logiciel. La source ne précise pas les différences techniques détaillées entre Wonder et Wonder Full, au-delà de leurs modes de disponibilité.
Des comparaisons revendiquées par Meta
Meta affirme que Wonder et Wonder Full obtiennent, dans ses évaluations, des scores comparables à ceux de Fable 5.1 et de GPT-6 Astra. Ces résultats proviennent des tests présentés par l’entreprise dans la fiche consacrée aux modèles. Ils doivent donc être compris comme des résultats communiqués par Meta, et non comme une validation indépendante.
La société insiste également sur les performances de Muse Wonder dans le codage et dans d’autres tâches complexes. Aucun chiffre de benchmark détaillé n’est fourni dans la source au-delà de cette comparaison générale. La portée exacte de l’avantage revendiqué ne peut donc pas être établie à partir des seuls éléments publiés.
La mémoire active au centre de l’annonce
L’autre axe mis en avant concerne la capacité des modèles à conserver et à synthétiser les informations fournies par un utilisateur. Meta désigne cette propriété sous le nom de « mémoire active ». L’entreprise la relie à son intérêt pour les assistants personnels capables d’accomplir des tâches sur une longue durée.
Pour évaluer cette dimension, Meta cite MemoryBench, un benchmark consacré à l’apprentissage continu et aux mécanismes de construction de la mémoire. Selon les tests de l’entreprise, Muse Wonder obtient un score supérieur à ceux de Fable, d’Opus et d’Astra sur ce benchmark.
La chercheuse en IA Kavya Kopparapu a déclaré, dans une vidéo accompagnant le lancement, que Meta avait consacré des efforts importants à permettre au modèle de retenir ce qui compte pour l’utilisateur sur des périodes allant de plusieurs jours à plusieurs mois. Cette déclaration décrit l’objectif revendiqué par l’entreprise, mais la source ne fournit pas de démonstration indépendante de cette capacité ni de précisions sur ses limites.
Une nouvelle étape pour la stratégie de Meta
Meta indique que Muse Wonder constitue sa première sortie de modèle frontier depuis la réorganisation de ses activités d’intelligence artificielle. La source relie cette réorganisation à Alexandr Wang, fondateur de Scale AI, en août de l’année précédente. Depuis, Meta avait lancé Muse Spark et l’agent Muse, tout en restant à l’écart des sorties de modèles d’état de l’art associées dans la source à OpenAI et Anthropic.
Les nouveaux modèles auraient été entraînés dans le centre de données Prometheus de Meta, situé dans le centre de l’Ohio. La source indique que cette infrastructure est entrée en activité plus tôt dans l’année, sans fournir d’autres informations techniques sur l’entraînement.
Ce que cela change concrètement
Pour les développeurs, l’annonce introduit une nouvelle option de modèle dans la Meta Model API, avec une tarification distincte pour les tokens entrants et sortants. Pour les utilisateurs de Muse Code, Wonder Full ajoute une capacité réservée à l’abonnement et non disponible par API.
Pour Meta, l’enjeu est de positionner Muse sur des usages combinant codage, raisonnement sur des tâches complexes et conservation d’informations dans le temps. Les comparaisons de performances et la supériorité annoncée sur MemoryBench restent toutefois fondées sur les évaluations de l’entreprise. L’impact réel de Muse Wonder dépendra donc de son utilisation concrète, de la qualité de sa mémoire active et de la possibilité de vérifier ces résultats dans des tests indépendants.
Source : Meta releases its first frontier model, Muse Wonder
