Meta muscle ses modèles agentiques pour le travail et le code

Meta a présenté le 12 octobre 2026 la série Muse Wonder, composée de Muse Wonder et Muse Wonder Full, deux modèles dits « frontier » pensés pour des tâches agentiques personnelles et professionnelles. L’entreprise les décrit comme ses modèles les plus capables à ce jour, avec des usages allant d’une réclamation d’assurance à la lecture d’un bail, jusqu’à la création d’une application fonctionnelle. Le sujet compte car Meta cherche ici à faire monter ses modèles d’un cran sur des tâches longues, où il faut retenir le contexte, corriger ses erreurs et tenir un cap. Pas seulement répondre vite, mais travailler juste.

Des modèles pensés pour tenir un objectif, pas juste pour bavarder

Meta met en avant deux briques logicielles internes, Active Memory et Active Focus. La première garde en mémoire des éléments utiles d’une conversation à l’autre et les ressort au bon moment ; la seconde aide le modèle à persévérer quand une tâche se complique, en testant d’autres approches, en récupérant après une erreur, en demandant une précision si nécessaire et en vérifiant avant d’agir sur un point sensible.

Dans son billet de recherche, l’entreprise relie directement ces capacités au code. Elle décrit le développement logiciel comme une suite de cycles faits de besoins à suivre, de modifications dans une base de code, puis de tests et de révisions. Les deux modèles ont été entraînés sur des tâches longues et variées pour mieux conserver le fil sur ce type de processus.

Les démonstrations publiées montrent Muse Wonder générer un jeu de cuisine 3D à partir d’images personnalisables, préparer un plan de course dans un navigateur avec des données OpenStreetMap selon des préférences personnelles, concevoir puis commander des objets promotionnels à partir de photos Instagram, ou encore organiser un plan de table de mariage à partir de contraintes complexes.

Le code comme terrain d’essai, et comme vitrine

Le positionnement n’est pas anodin. Meta dit viser des performances de pointe sur le codage, avec une portée qui va de la création d’un jeu à celle d’une application pour une nouvelle activité. Les modèles sont aussi présentés comme solides sur des domaines experts, notamment le droit, la finance et la santé.

La série a été entraînée au centre de données Prometheus, que Meta décrit comme un site à l’échelle gigawatt. L’entreprise dit avoir appliqué à Muse Wonder l’approche de mise à l’échelle déjà utilisée avec Muse Spark, à la fois pendant le préentraînement et l’apprentissage par renforcement.

Dans ses analyses, Meta insiste aussi sur la généralisation. L’entreprise compare les performances de Muse Spark 1.3 et de Muse Wonder Full sur des tâches proches de l’entraînement puis sur des tâches non ciblées, à mesure que le calcul au moment de l’inférence augmente. Selon cette lecture, les deux modèles progressent aussi sur les tâches hors périmètre, mais Muse Wonder Full se situe au-dessus de la tendance attendue grâce à une base plus puissante. En clair, le modèle ne se contente pas de bien faire ce qu’on lui a appris ; il s’en sort aussi mieux quand le terrain change.

Des tests très spécialisés, du juridique à la mémoire longue

Meta affirme que Muse Wonder atteint des résultats de pointe sur plusieurs bancs d’essai liés aux agents personnels et professionnels, à la mémoire et au code. Parmi les évaluations citées figurent Harvey’s Legal Agent Benchmark pour les tâches juridiques, Vals Finance Agent V2 pour la finance, MemoryBench pour la mémoire contextuelle longue, FocusBench pour l’attention au but, SWE-Marathon pour les projets logiciels étendus et DeepSWE pour le codage à long horizon.

Ces références dessinent un déplacement du débat. La comparaison entre grands modèles ne se limite plus à la qualité d’une réponse unique ; elle porte aussi sur la capacité à suivre une consigne sur la durée, à jongler avec des outils et à absorber des contraintes multiples. C’est précisément ce que Meta veut vendre ici aux développeurs et aux utilisateurs avancés.

Une sécurité mise en avant, avec des usages défensifs maintenus

Sur le plan de la sécurité, Meta dit avoir entraîné la famille Muse Wonder pour éviter la diffusion d’informations privées sans autorisation, refuser les demandes d’aide à des actes réellement dangereux et renforcer les défenses contre les attaques informatiques. L’entreprise précise aussi avoir veillé à ce que les modèles puissent encore aider les développeurs et équipes de sécurité à détecter des failles dans leur propre code et à durcir leurs systèmes.

Meta présente Muse Wonder comme son modèle le plus aligné à ce jour et comme celui offrant ses protections les plus solides contre les risques CBRN — chimique, biologique, radiologique et nucléaire — ainsi que contre les mésusages cyber, tout en conservant des capacités défensives dans le domaine de la cybersécurité. Les évaluations de sécurité mentionnées portent notamment sur les tentatives d’exécution de code non autorisé, les violations de traitement des informations personnelles, les refus liés au risque biologique et le comportement en défense cyber.

Disponibilité immédiate, déploiement progressif

Muse Wonder est disponible via l’API Meta Model et Muse Code. Muse Wonder Full est réservé aux abonnés Muse Code. Meta indique aussi que Muse Wonder alimentera bientôt l’expérience Muse, d’abord pour les abonnés, puis pour la génération d’artefacts et d’autres fonctions nécessitant plus d’intelligence. L’entreprise prévoit enfin d’utiliser ces modèles pour développer des versions spécialisées destinées à l’ensemble des utilisateurs de Muse.

Ce lancement s’inscrit dans une séquence plus large : Meta dit avoir reconstruit sa base d’IA avant de revenir pousser la frontière. Reste à voir si cette nouvelle génération tiendra ses promesses hors des démonstrations bien cadrées, là où les tâches sont moins propres et les utilisateurs moins patients.