Meta lance Muse Wonder et Wonder Full pour les agents d’IA

Le 12 octobre 2026, Meta a présenté Muse Wonder et Muse Wonder Full, étendant sa gamme Muse, qui comptait auparavant le modèle Spark, avec des modèles que l’entreprise dit capables de gérer des tâches d’agent plus longues et des travaux de programmation exigeants. Les développeurs peuvent utiliser Muse Wonder via Meta Model API ou Muse Code. Muse Wonder Full est disponible avec certains abonnements Muse Code. Meta affirme que ces modèles alimenteront plus tard son agent Muse grand public ; ce déploiement ne fait pas partie de la version destinée aux développeurs du 12 octobre.

Le grand changement

• Ce qui a changé : Meta propose désormais Muse Wonder via Model API et Muse Code aux développeurs qui créent des agents capables d’enchaîner plusieurs étapes. Meta répertorie Muse Wonder Full dans les abonnements Power Usage et Maximum Usage de Muse Code, tandis que le produit Muse grand public n’a pas encore reçu Wonder.
• Pourquoi c’est important : La distinction des accès détermine qui peut essayer le modèle dans ses propres outils dès son lancement. Meta décrit une mémoire qui traverse les conversations et un travail soutenu malgré les obstacles. Ces capacités comptent lorsqu’un agent exécute une tâche longue plutôt qu’un seul prompt. Leur fiabilité dans un usage courant reste à démontrer.
• À surveiller : Le rapport de sécurité promis par Meta apportera davantage de détails sur ses évaluations. Des tests indépendants, lorsqu’ils seront disponibles, ainsi que le déploiement annoncé auprès des consommateurs donneront aux lecteurs de meilleurs éléments pour évaluer les performances de Wonder au-delà des documents de lancement de Meta.

Qui peut utiliser les nouveaux modèles

Annonce de lancement de Meta cite deux modèles. Muse Wonder est disponible via Meta Model API et Muse Code. Muse Wonder Full est accessible aux abonnés Muse Code. La page du modèle pour les développeurs identifie le modèle API comme muse-wonder-1.0, indique une fenêtre de contexte d’un million de jetons et fixe les prix à 4 dollars par million de jetons d’entrée, 0,20 dollar par million de jetons d’entrée mis en cache et 20 dollars par million de jetons de sortie. Pour les abonnements Power Usage et Maximum Usage de Muse Code, elle répertorie muse-wonder-full-1.0, sans prix par jeton API pour Full.

Cette distinction intéresse les lecteurs qui recherchent le modèle dans l’agent grand public de Meta. Muse existe déjà ; BIG CHANGE a déjà traité ses liens avec les petites entreprises et les contrôles d’approbation. Meta dit que Wonder alimentera bientôt les expériences dans Muse bientôt, en commençant par les abonnés. Il s’agit d’une évolution future du produit, et non de la preuve que les utilisateurs de Muse parlent déjà à Wonder au lancement. La présentation de l’API de Meta décrit l’accès à Muse Wonder comme une préversion ; il convient donc de revérifier la disponibilité et les conditions avant de l’adopter.

Meta n’a pas annoncé Wonder comme un modèle à poids ouverts. Axios rapporte que Meta n’a pas précisé si elle publierait les poids de la famille Wonder. Muse Glimmer, lancé séparément, a des poids ouverts ; ce statut ne doit pas être transposé à Wonder.

Ce que Meta entend par mémoire et attention

L’article de recherche de Meta décrit Active Memory comme la conservation d’un contexte important entre les conversations et la récupération de détails pertinents pour la tâche en cours. Il décrit Active Focus comme la poursuite d’une tâche difficile en essayant une autre approche, en surmontant un blocage, en s’adaptant aux nouvelles informations, en demandant des précisions et en vérifiant avant des actions importantes. Ce sont des descriptions du comportement visé du modèle, et non une garantie publiée qu’un agent se souviendra de chaque fait pertinent ou terminera chaque mission.

Ces mécanismes comptent dans la proposition de Meta d’agents personnels et professionnels : un agent utile doit conserver le bon contexte pendant une tâche qui peut comporter plusieurs étapes. L’article de recherche de Meta montre Muse Wonder préparant un plan de table personnalisé pour un mariage à partir de contraintes complexes d’association ; BIG CHANGE n’a pas reproduit la tâche ni vérifié la fiabilité générale à partir de cette démonstration de l’entreprise. Meta cite des évaluations de mémoire, de programmation et d’exécution prolongée, notamment FocusBench et SWE-Marathon. Son article de recherche et sa page de modèle présentent des résultats comparatifs, mais les chiffres et conclusions du jour du lancement sont principalement communiqués par l’entreprise. Le compte rendu de TechCrunch attribue également les comparaisons aux essais de Meta. BIG CHANGE n’a pas exécuté les modèles ni reproduit ces évaluations.

Les performances et la sécurité restent des questions ouvertes

Meta qualifie Muse Wonder et Wonder Full de modèles les plus capables de son catalogue et affirme qu’ils obtiennent des résultats de premier plan pour des tâches d’agent personnelles et professionnelles. Les éléments disponibles ici étayent une affirmation plus limitée : Meta a publié ces résultats avec les tâches, paramètres et comparaisons qu’elle a choisis. Ils ne démontrent pas la fiabilité des modèles avec les outils, données et étapes de validation d’autres utilisateurs. Les articles indépendants confirment le lancement et les conditions d’accès ; ils ne valident pas de manière indépendante les affirmations de Meta sur les benchmarks.

La sécurité est particulièrement importante pour un agent susceptible de traiter des messages, des calendriers ou des documents. Meta affirme avoir entraîné la famille Wonder à manipuler prudemment les informations privées, à résister aux demandes nuisibles et à soutenir le travail défensif en cybersécurité. L’annonce de lancement et l’article de recherche indiquent tous deux qu’un rapport complet comportant des évaluations de sécurité supplémentaires sera publié. Tant que ce rapport n’est pas disponible, les lecteurs ne peuvent pas examiner l’évaluation complète qui sous-tend la caractérisation de la sécurité par l’entreprise. L’intention déclarée de Meta, selon laquelle le modèle doit demander confirmation avant des actions importantes, doit être évaluée dans les produits et contextes où ces actions ont lieu.

Pour l’instant, la version concrète consiste à donner aux développeurs accès à Muse Wonder et aux abonnés accès à Muse Wonder Full. Le déploiement grand public, des éléments indépendants plus larges sur les performances et une évaluation complète de la sécurité sont des étapes distinctes qui restent à franchir.

Sources et lectures complémentaires

• Meta Newsroom: Introducing Muse Wonder and Muse Wonder Full (12 octobre 2026). L’annonce de Meta établit la sortie des deux modèles, la répartition actuelle des accès, le déploiement annoncé dans Muse et l’approche de sécurité déclarée par l’entreprise. Les descriptions du produit et de ses performances sont des affirmations de Meta.
• Meta AI Research: Muse Wonder (12 octobre 2026). Explique les définitions de Meta pour Active Memory et Active Focus et présente sa discussion des évaluations. Les résultats des benchmarks sont communiqués par l’entreprise ; Meta annonce un rapport de sécurité plus complet.
• Meta developer model page (consultée le 12 octobre 2026). Répertorie les identifiants des modèles, la fenêtre de contexte, les prix des jetons API et l’accès à Muse Code. Les prix et la disponibilité peuvent évoluer ; consultez de nouveau la page avant d’utiliser le service.
• Meta Model API overview (consultée le 12 octobre 2026). Décrit Muse Wonder comme une préversion et présente la voie d’accès pour les développeurs. Elle n’établit pas que chaque compte ou région y a accès.
• Axios: Meta unveils new frontier-class AI models (12 octobre 2026). Couverture indépendante du lancement et du positionnement concurrentiel de Meta ; précise que Muse Glimmer à poids ouverts est un modèle distinct. Elle ne vérifie pas les résultats des benchmarks de Wonder.
• TechCrunch: Meta releases its first frontier model (12 octobre 2026). Compte rendu indépendant du lancement et des conditions d’accès, qui attribue les comparaisons de performances aux essais de Meta. BIG CHANGE n’a effectué aucun test pratique.