O Meta Superintelligence Lab anunciou nesta segunda-feira (12 de outubro de 2026) o lançamento de Muse Wonder e Muse Wonder Full, os dois primeiros modelos de fronteira da companhia. A dupla foi apresentada em post no blog de pesquisa da Meta e detalhada em um model card com os resultados de testes internos.
Até aqui, a empresa vinha evitando competir de frente com os modelos de ponta de OpenAI e Anthropic, preferindo apostar em versões mais leves e em um agente próprio.
Do spark ao wonder
Os novos modelos representam um salto em relação ao Muse Spark, que tinha como objetivo ser leve e operar com baixa latência. Wonder e Wonder Full são maiores e, segundo a Meta, mais capazes: apresentam pontuações mais altas em benchmarks e melhores resultados em tarefas complexas, como programação.
No texto de lançamento, a empresa descreve os dois modelos como o próximo degrau de sua escada de ganho de escala e um avanço relevante na direção do que chama de superinteligência pessoal.
Benchmarks na casa do fable e do astra
De acordo com os testes conduzidos pela própria Meta e reunidos no model card oficial, Wonder e Wonder Full alcançam pontuações comparáveis às de Fable 5.1 e GPT-6 Astra. Os números colocam a estreia da Meta no mesmo patamar de referência citado para os modelos concorrentes de fronteira, ainda que a comparação seja feita com base em avaliação da própria empresa, e não em um ranking independente.
O resumo publicado pela companhia destaca ainda que os modelos melhoram o desempenho em tarefas de raciocínio mais longo, caso típico de código.
Preço, acesso e o agente muse
O acesso a Muse Wonder será feito pela Meta Model API, com preço de 4 dólares por milhão de tokens de entrada e 20 dólares por milhão de tokens de saída. O valor é descrito como aproximadamente equivalente ao de GPT-6 Sol ou Opus 5.5, o que posiciona a Meta na mesma faixa de cobrança dos rivais diretos.
Muse Wonder Full, porém, não será servido pela API: ficará restrito a assinantes do Muse Code. Os dois modelos também serão usados para alimentar o agente Muse, produto que a empresa vinha desenvolvendo antes da chegada da linha Wonder.
Memória ativa e o memorybench
Um dos pontos de maior ênfase no material de lançamento é a capacidade dos modelos de reter e sintetizar informações fornecidas pelo usuário ao longo do tempo, propriedade que a Meta batizou de memória ativa. Para medir esse comportamento, a empresa destacou o MemoryBench, benchmark que desafia frameworks de aprendizado contínuo e de construção de memória.
Segundo os testes apresentados pela Meta, o Muse Wonder agora supera Fable, Opus e Astra nessa avaliação. Em vídeo que acompanha o lançamento, a pesquisadora Kavya Kopparapu afirmou que a equipe dedicou esforço considerável para garantir que o modelo se lembre do que é importante para o usuário ao longo de dias, semanas, meses e além.
A reestruturação de wang e o data center prometheus
Este é o primeiro lançamento de modelo de fronteira desde que Alexandr Wang, fundador da Scale AI, reestruturou os esforços de inteligência artificial da Meta, em agosto do ano anterior. Naquele intervalo, a companhia colocou no mercado o modelo leve Muse Spark e o agente Muse, mas evitou o tipo de lançamento de ponta pelo qual OpenAI e Anthropic ficaram conhecidas.
De acordo com o post de anúncio, os novos modelos foram treinados no data center Prometheus, da Meta, localizado na região central de Ohio e que entrou em operação no início deste ano.
Por que isso importa
A chegada de Muse Wonder muda a posição da Meta no tabuleiro. A empresa deixa de ser apenas fornecedora de modelos leves e de um assistente próprio e passa a disputar diretamente o segmento de maior custo e maior visibilidade, com preços alinhados aos de GPT-6 Sol e Opus 5.5.
A decisão de manter o Wonder Full fora da API, restrito a assinantes do Muse Code, sugere uma estratégia de diferenciação por produto em vez de distribuição ampla de capacidade. Já o peso dado à memória ativa aponta para a aposta central da companhia: assistentes pessoais capazes de executar tarefas e acumular contexto durante longos períodos, algo que depende menos de uma resposta isolada e mais da continuidade da relação com o usuário.
Fontes e links
- TechCrunch
- Blog de pesquisa da Meta sobre Muse Wonder
- Model card de Muse Wonder
- Paper do MemoryBench
