Muse Wonder est la première série de modèles frontière que Meta a présentée le 12 octobre 2026. Dans son annonce officielle, Meta a dévoilé ensemble Muse Wonder et Muse Wonder Full, présentés comme ses modèles les plus capables à ce jour, avec des performances de pointe sur les tâches agentiques personnelles et professionnelles. Ce lancement intervient quatorze mois après la refonte complète des activités d'IA de Meta, et c'est la première fois que son laboratoire de superintelligence aligne un modèle frontière face à OpenAI et Anthropic, plutôt qu'un modèle léger comme Muse Spark.
Deux modèles, deux portes d'entrée différentes
Les deux modèles ne se distribuent pas de la même façon. Muse Wonder est disponible dès aujourd'hui via la Meta Model API et Muse Code ; TechCrunch a rapporté le même jour un tarif API de 4 dollars par million de tokens en entrée et 20 dollars par million en sortie, soit à peu près le niveau de GPT-6 Sol et de Claude Opus 5.5. Muse Wonder Full, en revanche, est réservé aux abonnés de Muse Code et ne sera pas servi par l'API. Les deux modèles alimenteront ensuite l'agent Muse de Meta, d'abord pour les abonnés. Dans l'Intelligence Index publié le même jour par Artificial Analysis, Wonder obtient 52 et Wonder Full 56 ; Meta décrit de son côté des performances comparables à Fable 5.1 et GPT-6 Astra. Ni les chiffres du constructeur ni l'indice tiers n'ont encore été reproduits de manière indépendante ; l'écart réel n'apparaîtra que lorsque les développeurs feront tourner leurs propres tâches.
Mémoire active et concentration active contre deux faiblesses anciennes des longues tâches
L'ordre des arguments de Meta est révélateur : la mémoire passe avant le code. Active Memory désigne la capacité à conserver ce qui compte pour l'utilisateur d'une conversation à l'autre et à rappeler les bons détails quand une nouvelle tâche l'exige ; sur MemoryBench, un banc d'essai dédié à l'apprentissage continu et à la construction de mémoire, Meta affirme que Wonder dépasse Fable, Opus et Astra. Active Focus concerne l'exécution : quand une tâche se corse, le modèle continue vers l'objectif, essaie d'autres approches, se remet des erreurs et va au bout, en demandant confirmation seulement avant les actions importantes. Les cas cités par Meta sont les demandes d'indemnisation, la lecture d'un bail et l'organisation de finances personnelles, c'est-à-dire un travail d'expert étalé sur plusieurs jours, plus le droit, la finance, la santé et le codage de pointe. Derrière ce discours, un constat simple : le goulot d'étranglement des agents n'est plus seulement la qualité d'une réponse isolée, mais la capacité à se souvenir du contexte et à terminer un travail long.
Lieu d'entraînement, cadre de sécurité et zones d'ombre
Selon Meta, ces modèles ont été entraînés dans son centre de données Prometheus, dans le centre de l'Ohio, mis en service plus tôt cette année. Côté sécurité, l'entreprise indique que la famille est entraînée à ne pas partager d'informations privées sans permission, à refuser l'aide à des actes réellement nuisibles et à être évaluée selon son cadre de montée en échelle de la superintelligence, un rapport de sécurité complet devant suivre. Plusieurs spécifications clés manquent toutefois à l'appel : ni fenêtre de contexte, ni taille de paramètres, ni date de coupure des connaissances n'ont été publiées, et l'absence de Wonder Full sur l'API empêche pour l'instant les entreprises d'appeler la version la plus forte depuis leurs propres systèmes. La place réelle du modèle ne se dessinera qu'à deux conditions : ses performances sur les longues tâches chez les abonnés Muse, et la reproduction indépendante des résultats de mémoire. D'ici là, ce lancement ressemble davantage au signal du retour de Meta à la table des modèles frontière qu'à un verdict générationnel déjà vérifié.
