Meta 研究博文《Bringing Specialized Models to Muse and Meta AI》官方社交图，浅蓝线条图案上有文章标题
Meta AI Research《Bringing Specialized Models to Muse and Meta AI》官方 OG 图，裁切为 1120×630、16:9 WebP。, Meta Superintelligence Labs

要点

  • 2026-11-06，Meta Superintelligence Labs 发布《Bringing Specialized Models to Muse and Meta AI》，页面写 2 minute read，datePublished 为 2026-11-06T00:00:00.000Z。
  • 上线的是用 Muse Wonder 训练的现有模型专用版，面向 Muse 与 Meta AI 用户，而不是把 Wonder 系列本身交给所有人。
  • 文内数字：个人超智能指数当前 Muse 模型 47%、上一版 38%；Active Memory 评测里正确使用关键上下文的任务为 90% 对 76%；Muse 上遗忘关键信息约降 2.4 倍；遇到意外问题时日常任务完成提升 67%。
  • 可核对的是这组内部数字，以及「专用版而非 Wonder 全量下放」。不能用这篇短文证明个人超智能已经能稳定记住你。

Meta Superintelligence Labs 在 2026 年 11 月 6 日发了一篇约两分钟的研究博文，标题是《Bringing Specialized Models to Muse and Meta AI》。它说，几周前推出的 Muse Wonder 系列被用来训练现有模型的专用版本，这些版本正在进入 Muse 和 Meta AI。

这不是把最强模型直接发给所有人。它是一次能力下放：把 Wonder 上先做出的 Active Memory 与 Active Focus，接到已经在消费者产品里运行的模型上。检验对象应是文内那组内部数字，以及「专用版」和 Wonder 本身的差别，而不是把「更会记住、更会坚持目标」读成个人超智能已经可用。

[1]

硬事实（https://research.meta.ai/blog/specialized-models-for-muse-and-metaai；datePublished 2026-11-06T00:00:00.000Z；作者署 Meta Superintelligence Labs；页面写 2 minute read；访问于上海时区 2026-11-08）：

  • 背景：文称几周前推出 Muse Wonder 系列，称其是该实验室迄今最强、并称在个人与职业 agent 任务上达到当时领先水平。这里的 agent 任务，指助手应替你在工作和日常生活中执行的任务。当天发布的是：用 Muse Wonder 训练现有模型的专用版，并推给 Muse 与 Meta AI 的使用者。
  • 产品口径：把部分前沿能力带给更多人，而不是宣布 Wonder 对所有用户开放。页面 JSON-LD 描述写的是 "Bringing key frontier capabilities to everyone with specialized models for Muse and Meta AI"。
  • Personal Superintelligence Index，即个人超智能指数：当前 Muse 模型 47%，上一版 Muse 模型 38%。页面用图表列出这两项，没有给出题目构成、样本数或计分规则。
  • Active Memory：让 Muse 与 Meta AI 记住重要信息，并识别何时先前信息再次变得有用。训练目标包括区分临时信息与长期信息、跨时间推理，以及区分仍有效与已经过时的信息。
  • Active Memory 数字：Muse 上「遗忘达成目标所需关键信息」约降低 2.4 倍。在名为 Active Memory eval 的评测中，「正确使用关键上下文的任务」当前为 90%，上一版为 76%。
  • Active Focus：在遇到意外阻碍时继续朝目标推进。文称模型在多种模拟现实瓶颈上受过训练，以便更努力尝试、从错误中恢复，或替用户找替代路径。在 Muse 上，遇到意外问题时完成日常任务的表现提升 67%。文中没有给出这一相对提升所对照的基线完成率。
  • 其他行为描述：专用模型被写成更会同时处理多项任务，知道何时独立推进目标、何时与用户实时协作，并能在任务进行中接受纠正而不轻易混乱。对 Meta AI，原文只给定性说法：把复杂问题拆成步骤、追问更准、用户中途改方向时跟得上。文中没有单列 Meta AI 的指数或评测分数。
  • 结尾：实验室称希望让更多人用上更强的 superintelligence。
[1]

Meta 发布的内部对比数字

个人超智能指数

上一版 Muse 模型
38%
当前 Muse 模型
47%

Active Memory 评测，正确使用关键上下文的任务

上一版 Muse 模型
76%
当前 Muse 模型
90%

Muse 上遗忘关键信息

上一版 Muse 模型
未公布基线
当前 Muse 模型
官方称约降 2.4 倍

Muse 上遇意外问题时完成日常任务

上一版 Muse 模型
未公布基线
当前 Muse 模型
官方称提升 67%

证据强度：这是实验室自己的产品研究短文，带两张内部对比图。它不是同行评审论文，也没有第三方复现。能立刻核对的是页面是否仍写 47% 对 38%、90% 对 76%、2.4 倍与 67%，以及正文是否仍把上线对象写成专用版，而不是 Wonder 本身。

数字之间有一层可观察的算术关系。Active Memory 评测从 76% 升到 90%，意味着未正确使用关键上下文的比例从 24% 降到 10%。24 除以 10 等于 2.4。这与「遗忘关键信息约降 2.4 倍」在数字上对齐。Meta 并未写明这两项是同一次测量。把它们当成两次独立的大突破，可能是在重复计算同一类内部结果。把它们当成已经互相印证的独立实验，也超过了原文。

67% 无法做同样的换算，因为基线完成率没有公布。若原先完成率很低，67% 的相对提升仍可能留下大量失败。若原先已经不低，同一个相对数字对应的绝对变化会更大。读者现在无法判断是哪一种。

个人超智能指数从 38% 升到 47%，增加 9 个百分点，仍低于一半。在未知题目构成的情况下，它说明的是 Meta 自己的尺子上有进步，不是外部可复核的「个人超智能」达标。

[1]

最强钢人：不把最强模型直接铺给所有用户，而是用它去训练已经在 Muse 与 Meta AI 里运行的模型，这是一条说得通的产品路径。用户真正感到痛苦的，往往是助手忘掉约束、把过期信息当成现时事实，或任务一卡住就把问题交回用户。把临时与长期信息分开、判断信息是否过时、在受阻时改路再试，正是针对这些痛点。文内把评测写成「正确使用关键上下文的任务」比例，也比空喊「有记忆」更容易核对。

钢人风险：全文约两分钟，没有评测方法、题目数量、对照设置或失败案例。指数和 Active Memory 评测都是内部基准。67% 缺少基线。「Superintelligence」出现在产品语言和实验室名称里，但 47% 的自有指数并不能支撑这个词在日常语言里的分量。Meta AI 一侧没有单独分数，却被写成同样受益。若后续官方补上评测说明、题目样例、独立基准，或给出 Meta AI 的对应数字，应上调对「可核对完成度」的评价。目前这些细节不在这篇博文里。

[1]

对 Muse 与 Meta AI 用户，未来六个月可观察的是：跨对话记住约束与偏好是否真的更稳；过期信息是否更少被当成现时事实；任务受阻时是否更常自己改路，而不是立刻停住。对评测观察者，应看 Meta 是否公布个人超智能指数和 Active Memory 评测的方法，以及 67% 所对照的基线完成率。对产品观察者，也应核对 Wonder 本身的访问范围有没有随这篇「专用版下放」稿一并变化。原文谈的是专用版进入 Muse 与 Meta AI，不是 Wonder 对所有人开放。

[1]

这篇实验室短文的检验对象应是：用 Muse Wonder 训练的现有模型专用版正在进入 Muse 与 Meta AI，以及 47% 对 38%、90% 对 76%、约 2.4 倍与 67% 这组内部数字。不是「个人超智能已经会稳定记住你，并替你把事做完」。数字是官方给出的，方法与基线大多没有给出。把短文抬成记忆问题已经解决，就离开了原文。

【No.2】

[1]