Zuckerberg apresentou um misterioso modelo "melancia", com pontuações de benchmark comparáveis ao Opus 5.5, mas sua recepção tem sido mista
No ano passado, Zuckerberg não poupou esforços, investindo generosamente na contratação de talentos em IA no mundo todo, com alguns pacotes de remuneração chegando a centenas de milhões de dólares — uma estratégia comparável aos times da NBA que oferecem salários altíssimos para contratar superestrelas. Agora, o investimento em atrair talentos, reestruturar a equipe e expandir o poder computacional finalmente está produzindo resultados mais próximos das expectativas.
Meta acaba de lançar o Muse Wonder e o Muse Wonder Full. Anteriormente conhecidos pelo codinome Watermelon, esses dois modelos focam em tarefas de agentes pessoais e profissionais, com ênfase particular na melhoria da memória entre conversas, execução de tarefas de longa duração e capacidades de programação.
Em entrevista, Zuckerberg afirmou que Meta alcançou a vanguarda da tecnologia de IA.
De acordo com a avaliação publicada pela Meta , o novo modelo Muse Wonder Full igualou, no mínimo, o desempenho do GPT-6.1 Astra e Claude Fable 5.1 em alguns testes de benchmark. Testes realizados pela organização independente Artificial Analysis também demonstram que a série Wonder representa uma transformação completa em relação à geração anterior, figurando entre as três melhores em diversas avaliações de agentes inteligentes e tarefas profissionais.
A equipe que Meta montou com um investimento considerável deu-lhe a confiança necessária para desafiar novamente os principais modelos de mercado e também tornou o caminho da Meta Muse para se tornar uma Agente Pessoal mais tranquilo.
Será que uma memória e capacidade de execução mais robustas podem garantir o sucesso da IA a longo prazo?
O anúncio mais recente Meta dá continuidade à reestruturação de seus negócios de IA, um processo que já dura mais de um ano.
Em abril de 2025, o Llama 4 sofreu um revés, o que levou Zuckerberg a aumentar o investimento em talentos e poder computacional, recrutando Alexandr Wang, fundador da Scale AI, e reorganizando a equipe de pesquisa. Em abril deste ano, a equipe reorganizada lançou o Muse Spark, mas este ainda está atrás de seus concorrentes.
Segundo a Meta , nos últimos 14 meses, a equipe reconstruiu completamente a tecnologia do zero e expandiu continuamente a escala do pré-treinamento e do aprendizado por reforço. A série Wonder, treinada em um data center Prometheus de nível gigawatt, representa o investimento mais recente nessa aposta de alto risco.
A pergunta de Zuckerberg é bastante simples: a IA pode resolver problemas matemáticos complexos, mas pode não ser capaz de lidar com uma chamada de atendimento ao cliente; um assistente pessoal ideal deve ter o bom senso e a capacidade de execução para lidar com assuntos do dia a dia.
Muse Wonder se concentra em duas áreas principais: Memória Ativa e Foco Ativo.
A memória ativa é responsável por reter informações importantes entre conversas e recuperar proativamente conteúdo relevante quando necessário para novas tarefas. Preferências, limitações e circunstâncias pessoais mencionadas anteriormente podem servir como referência para tarefas subsequentes, reduzindo o incômodo de ter que explicar o contexto novamente em cada conversa.
Wang disse à Axios que os agentes inteligentes pessoais precisam garantir que informações importantes sejam preservadas durante trocas de informações que duram dias, semanas ou até meses.
Deslize para a esquerda para ver mais conteúdo.
O Active Focus aborda o problema de tarefas que param no meio do processo. Na realidade, podem ocorrer mudanças de página, falta de informações ou falhas na reserva. O modelo precisa tentar outros métodos, ajustar seu plano com base em novas informações e continuar a tarefa. Meta afirma que o modelo ainda consultará o usuário quando necessário e buscará confirmação antes de ações importantes.
Em sua entrevista mais recente, Zuckerberg resumiu essa ideia como "o modelo é o produto", e características do produto, como capacidades e personalidade, devem ser incluídas no processo de treinamento. Wang acrescentou que a forma como o agente inteligente toma iniciativa e como se comunica com os usuários também se enquadra na categoria de comportamentos do produto que exigem um design específico.
Wang deu à CNBC o exemplo de uma reserva em um restaurante. Quando o agente busca mesas disponíveis, pode encontrar diversos obstáculos. Um dos objetivos do treinamento é fazê-lo tentar outros caminhos, reduzindo o número de vezes que ele para e pede ajuda ao usuário ao encontrar um problema.
A programação é a ferramenta fundamental para testar essas habilidades.
Em um projeto de software em constante desenvolvimento, o modelo precisa estar totalmente ciente dos requisitos: lembrar-se das necessidades, compreender o código existente, modificar vários arquivos e testar e refinar repetidamente. Meta afirmou que ambos os modelos foram treinados em diversas tarefas de longa duração para aprimorar sua capacidade de operar continuamente.
A demonstração oficial também incluiu "cozinhar a partir de imagens", que gera jogos de cozinha 3D interativos com base em imagens, e o agendamento de planos de corrida combinando preferências pessoais com o navegador e vários aplicativos.
Para trabalhos profissionais, Meta lista avaliações jurídicas, financeiras e relacionadas à saúde, entre as quais o Harvey's Legal Agent Benchmark exige que os modelos gerem resultados de trabalho jurídico com base em materiais originais e instruções detalhadas.
Os testes de Análise Artificial mostram que a série Wonder melhorou significativamente o desempenho geral, com seis dos dez testes na versão completa classificados entre os três primeiros. Na intensidade de inferência mais alta, o agente de programação que combina Muse Code e Wonder Full tem desempenho equivalente ao Claude Code combinado com Sonnet 5.5, e até mesmo supera ligeiramente o combinado com Opus 5.5.
As primeiras experiências nas plataformas de redes sociais têm sido mistas, com algumas pessoas satisfeitas e outras desapontadas.
O usuário Chetaslua apresentou uma animação com personagens de Dragon Ball, afirmando que os visuais foram inteiramente gerados por código e elogiando a responsividade do Muse. Ele também observou que a dublagem foi feita pela ElevenLabs e a música foi produzida por Suno.
Outro usuário, Max Blade, lançou o mesmo desafio à Muse Wonder Full e à Opus 5.5: criar um "simulador AAA de cortador de grama" que permita aos usuários beber cerveja e fumar charutos ao mesmo tempo.
A julgar pelas imagens comparativas que ele publicou, a grama, as árvores e a iluminação na versão Opus são incrivelmente detalhadas, enquanto os cenários e as mãos dos personagens na versão Muse são visivelmente grosseiros. Ele acredita que o Muse ainda precisa de refinamento nesse tipo de tarefa de jogo 3D.
O usuário Bhavy compartilhou uma opinião semelhante em uma comparação de cenas de foguetes. Ele afirmou que o efeito do Muse Wonder era inferior ao do Kimi K3, embora sua gravação tenha custado US$ 14,30, enquanto a do Kimi custou aproximadamente US$ 6,90, o que significa que ele pagou muito mais por pouco ganho. A julgar pelas imagens que acompanham o texto, a cena do Muse Wonder tem um aspecto mais cartunesco, enquanto a versão do Kimi exibe mais detalhes da estrutura do foguete e da fumaça.
O chefe da Meta AI, Alexandr Wang, reconheceu em uma resposta nas redes sociais aos usuários que as capacidades de programação do novo modelo não são tão boas quanto as do Opus 5.5, e que a equipe está atualmente investigando vários bugs.
Em relação à insatisfação de alguns usuários com as demonstrações de jogos em 3D, Wang explicou que a equipe não havia treinado especificamente para esse tipo de demonstração e esperava que os usuários utilizassem os modelos em projetos de programação reais. Ele afirmou que a equipe escolheu a direção do treinamento com base nas necessidades reais dos usuários do Muse, embora tenha reconhecido que mais esforço poderia ter sido dedicado aos cenários de demonstração.
Em seu blog oficial, Meta também tentou responder a outra pergunta: as melhorias do modelo podem ser aplicadas a outras tarefas que não foram especificamente abordadas durante o treinamento?
A equipe comparou o desempenho do Muse Spark 1.3 e do Muse Wonder Full em tarefas familiares e não familiares. De acordo com a Meta , ambos os modelos melhoraram à medida que a carga computacional da inferência aumentou, mas o desempenho do Wonder Full em tarefas não familiares ainda superou as expectativas com base nas projeções de tendência do Spark.
Meta atribui isso a uma base sólida: um modelo base maior e mais robusto que permite que os benefícios do treinamento subsequente sejam aplicados em diferentes modelos.
Essa transferibilidade é particularmente importante para agentes inteligentes individuais que precisam lidar com diferentes objetivos, ferramentas e restrições. No entanto, essa conclusão vem das próprias descobertas da Meta , e teremos que esperar para ver quais cenários do mundo real ela abrange.
Além dos rankings, Meta também precisa convencer os usuários a gastar dinheiro a longo prazo.
Ao mesmo tempo que aprimora as capacidades de seus modelos, Meta também está aproveitando a oportunidade para impulsionar serviços pagos.
No lançamento, o Muse Wonder estava disponível através da API Meta Model e do Muse Code, enquanto o mais poderoso Wonder Full estava disponível apenas para assinantes do Muse Code. De acordo com a CNBC, as assinaturas do Muse Code custavam US$ 50 e US$ 200 por mês.
O aplicativo de assistente pessoal Muse, usado pelos usuários regulares, será integrado ao Wonder futuramente e disponibilizado primeiro aos assinantes.
O Muse não possui um seletor de modelos nem opções de intensidade de inferência. Wang acredita que os usuários comuns não deveriam precisar estudar manuais técnicos apenas para usar IA e, mesmo após pagar por uma atualização, não deveriam ter que selecionar modelos manualmente; o objetivo deveria ser usar a ferramenta imediatamente, sem necessidade de ajustes.
Em relação à API, o Muse Wonder tem o preço de US$ 4 por milhão de tokens de entrada, US$ 0,20 por milhão de tokens de entrada em cache e US$ 20 por milhão de tokens de saída. Ambos os modelos suportam um contexto de 1 milhão de tokens e podem aceitar entradas de texto, imagem, vídeo e áudio, com saída de texto.
De acordo com o teste do Índice de Inteligência Artificial, o Muse Wonder custa aproximadamente US$ 4,52 por tarefa na intensidade de inferência mais alta. Esse valor é inferior ao Claude Fable 5.1, do Opus 5.5 e do Sonnet 5.5 na mesma comparação, mas superior aos US$ 3,26 do GPT-6 Astra, aos US$ 1,99 do Gemini 4 Argon e aos US$ 0,72 do GPT-6.1 Sol.
A Artificial Analysis destaca que, embora o Wonder consuma menos tokens de saída do que seu antecessor, os custos de entrada mais elevados e o preço da API ainda aumentam o custo total. Em última análise, os usuários também precisam considerar quantos tokens são necessários para concluir a mesma tarefa e quantas vezes o retrabalho é necessário.
O esgotamento dos créditos de assinatura também gerou insatisfação entre alguns usuários.
No teste do simulador de cortador de grama mencionado anteriormente, Max Blade listou o "custo equivalente da API" para o Muse Wonder Full e o Opus 5.5 como US$ 4,11 e US$ 99,43, respectivamente. No entanto, ele alegou que o Muse era muito exigente e havia esgotado seu crédito disponível no plano de US$ 50, forçando-o a fazer um upgrade para o plano de US$ 200 para concluir a tarefa.
Naturalmente, como veterano em modelos de código aberto, este lançamento colocou mais uma vez a "persona de código aberto" da Meta sob escrutínio. Wang afirmou que a intenção original Meta permanece inalterada e que ela ainda apoia o código aberto, mencionando que já havia disponibilizado os pesos do Muse Glimmer e tecnologias relacionadas para a implantação de agentes Muse em hardware.
Em comparação com sua estratégia anterior de trocar abertura por parcerias, a Wonder está colocando Meta em primeiro plano, competindo diretamente nos mercados de assinatura, API e clientes corporativos. A CNBC destaca que Meta está tentando abrir uma nova fonte de receita além de seu negócio principal de publicidade.
No entanto, a capacidade de um agente inteligente se tornar uma fonte de renda estável depende de variáveis externas ao modelo.
Recentemente, alguns usuários reclamaram nas redes sociais que o Muse acessou suas mensagens pessoais sem autorização. Meta discorda, afirmando que, em alguns casos, os usuários podem ter concedido autorização em conversas anteriores, mas depois se esqueceram. A equipe está acompanhando esses problemas e ajudando os usuários a esclarecer como a autorização entrou em vigor.
Ambos os lados têm sua própria versão dos fatos, mas o design do produto Personal Agent precisa encarar uma realidade: os usuários podem ter concordado com o termo há muito tempo, mas o modelo pode usar essa concordância antiga como pretexto em tarefas subsequentes, portanto, o escopo e o período de validade da autorização precisam ser claros à primeira vista.
Meta afirmou que a série Wonder aprimorou sua capacidade de defesa contra comandos maliciosos, gerenciamento de informações privadas e prevenção de abusos nos domínios cibernético e biológico, e um relatório de segurança mais abrangente será divulgado posteriormente.
Zuckerberg mencionou então a ainda não lançada Muse Confidential VM, afirmando que a solução visa manter os dados do usuário e as conversas com os agentes completamente confidenciais em relação à própria Meta .
Curiosamente, em entrevista ao Financial Times, Zuckerberg rejeitou a sugestão de "frear" o desenvolvimento da IA, argumentando que os laboratórios devem garantir a segurança por meio de medidas tecnológicas e desenvolvimento responsável. Ele também revelou que Meta já está desenvolvendo a próxima fase de seu modelo e espera que o progresso se acelere a partir daí.
As capacidades do modelo, em constante aprimoramento, devem, em última análise, dar suporte à visão de Zuckerberg de um Agente Pessoal, permitindo que a IA lide com tarefas pessoais cotidianas. Usar tecnologia de ponta para pedir comida, agendar compromissos e processar e-mails pode parecer exagero, mas essas tarefas exigem lidar com informações em constante mudança e diversas necessidades individuais.
A abordagem escolhida pela Muse Wonder também oferece uma maneira mais concreta de medir o progresso dos modelos. As capacidades da IA podem ser testadas pelos problemas mais complexos, enquanto o valor de um agente inteligente individual deve ser comprovado por meio de pequenas tarefas repetitivas que sempre exigem a atenção de alguém.
