Meta 发布首批前沿模型，主打记忆能力

Meta 发布首批前沿模型，主打记忆能力

10 月 12 日，Meta 发布了 Muse Wonder 和 Muse Wonder Full，这是它首次将自家模型称为前沿（frontier）级别。开发期间的代号是 Watermelon。Meta 称这两款模型能与全球最好的系统一较高下，在个人与专业智能体真正要做的那些工作上尤其出色。

如果你关注各大实验室，这种说法并不陌生，但功能是新的。Meta 在这里卖的并不是又一份跑分榜单上的荣耀，而是一个关于连续性的承诺：一个助手能把关于你的某些东西，从一次对话带到下一次。

这个承诺值得认真对待，因为它指向一个行业已经忍受了两年的能力缺口。模型几乎在所有方面都变强了，唯独记不住东西。Muse Wonder 就是 Meta 试图解决用户抱怨最多那一件事的尝试。

两项能力挑大梁

Meta 把它们叫做 Active Memory 和 Active Focus，命名直白得不太常见。

Active Memory 会跨对话保存用户的重要细节，并在它们与新任务相关时把它们找回来。实际效果就是，你不必每次开一个新会话都重新解释一遍你的技术栈、你的偏好，或是某个项目的约束条件。执掌 Meta Superintelligence Labs 的 Alexandr Wang 说得很直白：记忆之所以重要，是因为有了它，没人需要在几天、几周甚至几个月后重新介绍自己。

Active Focus 解决的是另一种失败。智能体擅长开始，却不擅长收尾。Active Focus 的设计目标是让系统持续朝一个目标推进：第一条路走不通时就换别的方法，有新信息出现时就做出调整。它区分开的是一个只回答问题、和一个死磕到底直到把任务做完的模型。

这两项功能从相反的两端攻击同一个根本问题。记忆给智能体一个过去，专注给它一个未来。两者都没有的系统会困在一个永恒的当下，只会对你一秒前刚输入的东西做出反应。

Meta 声称了什么，又是对着谁说的

Meta 公布的基准测试显示，Wonder 系列模型追平甚至超过了 OpenAI 和 Anthropic 近期发布的产品，包括 GPT-6 Astra 和 Claude Fable 5.1。WIRED 把这轮发布解读为 Meta 在经历一次代价高昂的 AI 组织重建之后重返前沿。这些模型在 Meta 的 Prometheus 数据中心训练，公司称其规模达到吉瓦级。

定价为每百万输入 token 4 美元，每百万输出 token 20 美元。Muse Wonder 可通过 Meta Model API 和 Muse Code 使用，而能力更强的 Muse Wonder Full 仅向 Muse Code 订阅用户开放。Muse Wonder 还会为 Meta 的 Muse 助手未来版本提供支持，先从付费用户开始。

这个定价值得注意的是它没做什么。Meta 并不打算在成本上取胜。它的定价大体与前沿模型看齐，这说明公司相信拉来用户的是能力，而不是折扣。

记忆在真实工作流里是什么样

把 Active Memory 为什么比听起来更重要讲具体一点会有帮助。今天，与智能体一起做一个长期项目，意味着你要在心里维护一本上下文的流水账。你先提醒它框架，再提醒它代码风格，然后是部署目标，再然后还有某个服务已经弃用这件事。每个新会话都要把这本账从零开始重记，而每一次重记，都是智能体跑偏的机会。

一个能记住这些细节的模型会改变工作的节奏。你把精力花在问题上，而不是反复交代背景上。在一个持续数周的项目里，省下的注意力会不断累积，产出也会更稳定，因为智能体不必每天早上重新推导一遍它的假设。

问题在于，记忆的好坏完全取决于它的卫生习惯。旧的决定会变成错误的决定。一条存下来的偏好可能固化成一种偏见。一个被记住的事实，可能是一个被记住的错误。好的记忆系统需要体面地遗忘，而这一点还没有人完全解决。

开源这个问题

Meta 很大一部分声誉建立在开放模型上，它并没有打算放弃这个故事。Wang 指出，公司最近发布了 Muse Glimmer 的权重，以及把 Muse 智能体放到你自己硬件上所需的技术。“我们仍然致力于开源，”他说。

Meta 没有说的是，Wonder 系列本身会不会开放。这种沉默才是有意思的地方。如果前沿能力越来越多地存在于记忆和长程专注里，那么权重的重要性就不如它们周围的那套脚手架和基础设施，而这些恰恰是公司可能更愿意留住的部件。

迈向“个人超级智能”的一步

Meta 公开的长期目标，用 Mark Zuckerberg 的话说，是个人超级智能：一种理解个人目标与偏好、而不是只产出通用能力的 AI。Wonder 系列被定位为早期的一步，未来还计划推出更多专用模型，广泛部署到 Meta 的各款应用里。

这个方向与它卖的产品是一致的。Meta 已经拥有数亿人投入注意力的那些界面。一个记得你的模型，在这些界面里比一个只是在考试里分数更高的模型更有价值。那家了解你信息流的公司，也想了解你的意图，而记忆就是它通向那里的路。

该让你停一停的地方

一个记住个人信息并替你行动的智能体，恰恰就是那种会把记忆功能变成安全攻击面的系统。存了什么、存在哪里、谁能取回、一条错误的记忆如何扩散，这些都不是脚注，它们就是产品本身。

Meta 表示它已经加强了对网络和生物领域滥用的防护，并增加了对个人信息的保护，发布时还附上了模型卡，更完整的报告随后会发布。在公司之外的研究人员拿到这些系统之后，声称的优势能否站得住，要靠独立测试来决定。在那之前，基准测试只是公司的一面之词，而记忆密集的系统很难从外部评估，因为它们的行为有太多取决于它被要求记住什么。

这次发布为什么不止关乎 Meta

过去两年的模型竞争，大多围绕每一美元能买到多少原始能力。Muse Wonder 指向的是另一条轴：一个模型能在多大程度上、多久时间对一个人保持有用。记忆和专注并不光鲜，也很难用 30 秒的短片演示。但它们也是区分一个你偶尔去问问的聊天机器人，和一个你会长期留着的助手的关键。

如果这条轴最终被证明是用户真正看重的，那么竞争格局就会改变。胜出的实验室将是那些让连续性变得可信的，而不是那些只会一直往上爬排行榜的。而那些把记忆当成一个勾选项来做的实验室会发现，一个健忘的助手不仅更没用，实际上也更难让人信任。