Meta AI Research сообщила 6 ноября 2026 года о выпуске специализированных версий моделей для Muse и Meta AI, при этом текущий Muse набирает 47% в индексе Personal Superintelligence против 38% у предыдущей модели. Рост получен за счет обучения с помощью Muse Wonder, а не за счет прямого внедрения серии Wonder. Обновление добавляет обоим ассистентам функции Active Memory и Active Focus. Для бизнеса главный критерий — непрерывность работы в длинных задачах.
Специализированные модели, обученные с Muse Wonder
Речь идет о специализированных версиях существующих систем Meta, улучшенных через Muse Wonder. Модели Muse Wonder и Muse Wonder Full были представлены 12 октября 2026 года как самые сильные модели компании на тот момент. Сначала Wonder обслуживала подписчиков Muse, затем стала основой для специализированных моделей для всех пользователей Muse. Ноябрьский выпуск переносит этот план на Muse и Meta AI, расширяя доступ к возможностям Wonder без замены базовых моделей ассистентов.
Active Memory позволяет ассистентам сохранять важную информацию и извлекать ее, когда она становится нужной в later разговоре. Обучение охватывает различие временной и постоянной информации, рассуждения во времени и оценку того, сохранили ли детали актуальность или устарели. В центре подхода — отбор и timing: модель должна понять, какой прошлый контекст подходит сейчас, а какой уже не применим. Для улучшенных моделей Muse компания заявляет о снижении забывания важной для целей информации в 2,4 раза.
Active Focus отвечает за движение к цели, когда работу прерывает непредвиденная трудность. Meta обучала модели на разнообразных узких местах, отражающих реальные условия, чтобы они могли продолжать работу, восстанавливаться или предлагать альтернативы пользователю. В Muse компания сообщает об улучшении выполнения повседневных задач с неожиданными проблемами на 67%. Модели также умеют совмещать задачи, выбирать между самостоятельной работой и совместной работой и принимать уточнения без потери цели. В Meta AI та же основа представлена как четкое деление сложных вопросов на шаги и более точные уточняющие вопросы.
Что длинная память меняет для бизнеса
Для компаний изменение затрагивает ассистентов, занятых в протяженной работе с накоплением контекста между сессиями. Оценка Active Memory Eval показывает корректное использование важного контекста в 90% задач против 76% у прошлой модели. Этот показатель относится к применению сохраненного контекста и дополняет данные об удержании информации. На практике эффект должен проявиться в меньшем числе повторных вводных, стабильном учете предпочтений и устойчивости задач к перерывам. Малые компании получают дешевый способ сохранять историю без ручных заметок, а крупные — основу для длинных многошаговых процессов.
Ограничения связаны с проверкой поведения памяти в конкретных процессах. Цифры Meta описывают повседневные задачи и контролируемые тесты, а не гарантии для регулируемых записей, быстро меняющихся данных проекта или противоречивых указаний от нескольких сотрудников. Покупателям следует проверить, как разделяются временная и постоянная информация, как отбрасываются устаревшие детали и как применяются исправления по ходу задачи. Обновление само по себе не означает готовности ассистента к автономному исполнению, поскольку устойчивость по-прежнему зависит от корректной постановки цели и доступа к инструментам.
Признаком подтверждения тренда станет перенос показателей 47% в индексе, а также метрик памяти и устойчивости в стабильную работу Muse и Meta AI в ближайшие месяцы. Сохранение важного контекста и восстановление после сбоев в реальном использовании подтвердят путь специализированных моделей. Если показатели остановятся или поведение продуктов разойдется, обучение на базе Wonder будет выглядеть как постепенный шаг, а не новая база для ассистентов.
