A Meta usou o modelo de ponta que lançou em outubro para treinar versões especializadas dos modelos que chegam de graça ao Muse e ao Meta AI. O ganho aparece na memória e na insistência, não no tamanho.
O que mudou no Meta AI models nesta semana
A Meta publicou em 6 de novembro, no blog de pesquisa, o texto "Bringing Specialized Models to Muse and Meta AI". A empresa diz que os modelos especializados estavam sendo liberados para quem usa Muse e Meta AI.
A escolha de engenharia é o ponto da história. Em vez de deixar o modelo de ponta atrás de um plano caro, a Meta o usou como professor de versões menores e especializadas.
O Meta Muse Wonder, lançado em 12 de outubro, entrou como ferramenta de treinamento. Não é ele que responde ao usuário comum, e a diferença importa para entender o anúncio.
Mark Zuckerberg escreveu no X que a atualização leva Active Memory e Active Focus para todo mundo. O The New Stack relatou que os modelos começaram a chegar a todos os usuários de Muse e Meta AI no mesmo dia.
Muse Active Memory: o que sobrevive ao fim da conversa
A memória descrita não é um histórico que você abre e edita. É um comportamento treinado, e a Meta diz que ele foi ajustado para separar o que é temporário do que é permanente.
Na prática, isso muda a segunda pergunta que você faz ao assistente. Se contou na semana passada que trocou de emprego, o modelo deveria tratar o fato como estável e não como detalhe da conversa de terça.
A empresa também afirma que o modelo aprendeu a raciocinar ao longo do tempo e a distinguir o que ainda vale do que já envelheceu, o que é mais difícil do que parece quando o contexto chega picado em várias mensagens.
Os números que a Meta publicou sobre os modelos
Todos os números desta seção são da própria Meta, medidos nas avaliações internas dela. Não há contagem de tarefas publicada, e nenhum laboratório externo testou os modelos até agora.
Na avaliação interna de Active Memory, o modelo atual usou contexto crítico corretamente em 90% das tarefas, contra 76% do anterior. A Meta descreve a diferença como redução de 2,4 vezes no esquecimento de informação crítica.
No Personal Superintelligence Index, também da Meta, o placar é 47% contra 38%.
São avaliações caseiras, e todos os números servem para indicar direção, não para colocar o Muse acima de concorrente em ranking independente.
Active Focus e a tarefa que não morre no primeiro erro
A segunda mudança é menos glamourosa e provavelmente mais útil no dia a dia. O modelo foi treinado para tentar de novo, se recuperar ou achar outro caminho quando algo inesperado aparece no meio de uma tarefa.
A Meta reporta 67% de melhora na conclusão de tarefas cotidianas do Muse em que surgem problemas inesperados. Ela não publica a taxa de conclusão de partida, então o percentual não diz de onde o modelo saiu.
A base do cálculo segue fechada.
Mesmo assim, a promessa é a que mais aparece no uso real. Um agente que desiste no primeiro erro é o motivo mais comum de alguém voltar a fazer a tarefa na mão, e é exatamente esse retrabalho que a empresa diz ter atacado.
Por que o Muse Wonder ficou fora da versão gratuita
Aqui está a distinção que a própria Meta fez e que boa parte das manchetes embaralhou. Quem usa a versão gratuita não recebeu o Muse Wonder.
Recebeu modelos especializados treinados com ele. O Wonder continua reservado para as tarefas mais difíceis nos planos pagos, segundo a descrição da empresa.
Quem ganha com isso? Em tese, quem não paga nada.
O contraste com o mercado é direto. Segundo o The New Stack, recursos parecidos de agente na OpenAI (Dots) e na Anthropic (Duet) seguem restritos aos planos mais caros das duas empresas.
O que a Meta não contou sobre os modelos
Não há tamanho de modelo, número de parâmetros, arquitetura, dados de treino ou receita de treinamento. A empresa também não divulgou em quais regiões a liberação começou.
Não existe controle para o usuário ver ou apagar o que a memória guardou.
Nada disso foi anunciado.
Isso importa para quem vai usar. Um modelo que lembra mais é útil e também é um registro a mais sobre você, e a governança desse registro ainda não está descrita em lugar público.
Como testar o Muse agent update no seu uso
O teste honesto começa por continuidade. Peça algo em uma conversa, feche o app, volte no dia seguinte e retome o assunto sem repetir o contexto inteiro.
Depois provoque o Active Focus com um passo que costuma falhar, como um link quebrado ou um arquivo com nome errado, e observe se o modelo contorna o problema ou trava ali.
Se o assistente responde em português no seu celular, teste em português. Memória que funciona em inglês e escorrega na concordância não resolve nada para quem escreve aqui, e esse é o tipo de falha que só aparece com uso real.
Vale medir duas coisas: quantas vezes você precisou repetir o contexto e quantas vezes a tarefa terminou sem você intervir. São métricas simples e mais honestas do que qualquer índice proprietário.
A pergunta que fica é se avaliações independentes vão reproduzir os 90% e os 67%. Até lá, o que existe é uma estratégia de distribuição incomum e números da casa, divulgados sem contagem de tarefas e sem teste de fora.
