Meta presenta Muse Wonder, su primer modelo de frontera, con avances declarados en programación y memoria; las comparaciones proceden de pruebas propias.
Meta ha lanzado Muse Wonder y Muse Wonder Full, dos modelos más grandes que Muse Spark y presentados como su primer intento de entrar en la categoría de modelos de frontera. La empresa sostiene que rinden mejor en tareas complejas, incluida la programación, y que sus resultados en varios benchmarks son comparables a los de Fable 5.1 y GPT-6 Astra. Esas comparaciones proceden de pruebas de Meta: el anuncio no incluye una evaluación independiente que permita comprobarlas por separado.
La capacidad que Meta destaca no es solo resolver encargos puntuales, sino conservar y sintetizar información que una persona le haya dado a lo largo del tiempo. La llama «memoria activa» y la respalda con resultados en MemoryBench, una prueba sobre aprendizaje continuo y construcción de memoria. Según la compañía, Wonder supera allí a Fable, Opus y Astra. Es un dato relevante, aunque una puntuación en un benchmark no demuestra por sí sola que un asistente recuerde bien lo importante en conversaciones cotidianas.
Para valorar esa promesa conviene mirar qué mide la prueba y cómo se comportan los modelos fuera de ella. La ficha del modelo es el lugar adecuado para revisar los resultados y el contexto técnico que Meta publica; la presentación de la compañía explica además qué entiende por memoria activa. Nos interesa especialmente la diferencia entre retener datos y seleccionar cuáles son útiles: la primera capacidad puede medirse en una prueba, pero la segunda es la que acaba determinando si un asistente resulta práctico.
También hay una diferencia concreta entre las dos versiones. Muse Wonder se ofrecerá mediante la API de Meta a 4 dólares por millón de tokens de entrada y 20 por millón de salida. Wonder Full, en cambio, quedará reservado a quienes se suscriban a Muse Code y no se ofrecerá a través de la API. Ambos modelos alimentarán el agente Muse. Para quien desarrolla software, ese reparto importa: permite probar el modelo estándar mediante API, pero no comparar directamente las dos versiones desde esa vía.
El tamaño también tiene una dimensión material. Meta dice que entrenó los modelos en su centro de datos Prometheus, en el centro de Ohio, que entró en funcionamiento este año. La empresa presenta Wonder y Wonder Full como el siguiente peldaño de su escala de modelos: después de Muse Spark, apuesta ahora por sistemas mayores y por tareas más exigentes. La información disponible describe el lugar de entrenamiento, pero no detalla aquí el coste de esa operación ni permite atribuir los resultados a una decisión técnica concreta.
La noticia, por tanto, combina una señal estratégica con afirmaciones que aún necesitan examen. Meta vuelve a publicar modelos grandes y propone la memoria como ventaja, pero las puntuaciones comunicadas por la propia empresa son un punto de partida, no una verificación final. Hemos visto demasiadas veces que un buen resultado de benchmark no se traslada automáticamente a un uso fiable. La lectura prudente es seguir la ficha técnica, esperar comparaciones independientes y tratar la memoria como una capacidad que debe demostrarse en la práctica.
Artículos relacionados de LaRebelión
Personal Agent Protocol: cómo quieren Sierra y Meta que tu agente de IA compre
Cinco servidores MCP corrigieron fallos SSRF con el mismo patrón
La seguridad de los agentes de IA se decide durante la ejecuciónFuente original: techcrunch.com
Elaborado con apoyo de IA y revisado por la redacción
Comentarios
Publicar un comentario