Um agente pode escrever uma função em segundos e ainda se perder quando precisa alterar vários arquivos, lidar com um teste quebrado e retomar uma decisão tomada horas antes. A Meta está mirando esse segundo problema com Muse Wonder e Muse Wonder Full, apresentados em 12 de outubro: modelos voltados a programação e tarefas que exigem continuidade.
A proposta combina Active Memory, para recuperar contexto relevante, e Active Focus, para persistir diante de obstáculos. São capacidades descritas pela empresa, não uma garantia de que o agente concluirá qualquer projeto. A diferença prática está em tentar manter o objetivo ao longo do trabalho, em vez de produzir apenas uma boa resposta isolada.
O que já dá para usar
A disponibilidade exige atenção porque os nomes parecem mais próximos do que os produtos são.
| Variante | Acesso confirmado no lançamento |
|---|---|
| Muse Wonder | Meta Model API e Muse Code |
| Muse Wonder Full | Muse Code nos planos Power Usage e Maximum Usage |
O Wonder está em preview. A API usa o identificador muse-wonder-1.0 e oferece uma janela de 1.048.576 tokens. Selecionar esforço de raciocínio máximo não transforma essa versão no Full.
O preço por milhão de tokens é de US$ 4 para entrada, US$ 0,20 para entrada em cache e US$ 20 para saída. Como exemplo de conta, 100 mil tokens de entrada sem cache e 20 mil de saída somam US$ 0,80, antes de serviços adicionais. Uma sequência de tentativas, ferramentas e correções pode consumir várias chamadas; preço por token sozinho não revela o custo da entrega.
Memória ajuda, mas também precisa de regras
Para uma equipe, lembrar restrições e decisões anteriores pode reduzir retrabalho. A leitura da MnzAI Labs é que essa vantagem deve ser testada com mudanças de contexto: o agente abandona uma orientação antiga quando recebe uma correção? Recupera a decisão certa ou insiste em um plano que já foi descartado?
Há uma escolha concreta sobre dados. No Standard mode, a Meta informa que o conteúdo não é usado para treinar seus modelos. Assinaturas do Muse Code começam em Contributor mode, que permite esse uso em troca de mais capacidade e pode ser desligado nas configurações. O Wonder na API não oferece Contributor mode. Antes de conectar um repositório corporativo, esse ajuste merece a mesma atenção que permissões de ferramentas.
Um agente que lembra mais também precisa saber quando uma decisão deixou de valer.
O placar não substitui a implantação
O model card detalha avaliações de código e trabalho profissional, mas as comparações não usam sempre o mesmo ambiente de execução. Em SWE-Marathon, por exemplo, os resultados incluem produtos e configurações distintos. Isso torna o placar útil como pista e insuficiente como previsão de desempenho no seu repositório.
A Meta também anuncia uma futura integração do Wonder ao assistente Muse, começando por assinantes. Essa etapa não deve ser confundida com o acesso já liberado para desenvolvedores.
O teste que interessa agora é uma tarefa representativa, com critérios de aceite e limite de custo definidos antes da execução. Meça resultado, intervenções humanas e falhas de recuperação. Se o modelo sustenta o trabalho com menos supervisão e sem ampliar a exposição dos dados, há um ganho operacional para discutir, além da posição no ranking.
Fontes em inglês: pesquisa da Meta, anúncio e cronograma, guia para desenvolvedores, documentação de modelos e modos de dados, preços, visão geral da API e model card e metodologia.