Meta toi Muse Wonderin kärkimallien joukkoon – avoin versio jäi pienemmäksi

Meta julkaisi 12. lokakuuta 2026 Muse Wonderin ja Muse Wonder Fullin: TechCrunchin mukaan Wonderin API-käyttö maksaa 4 dollaria miljoonalta syötetokenilta ja 20 dollaria miljoonalta tulostetokenilta, kun taas Full on tarjolla vain Muse Code -tilaajille. Mallit on suunnattu henkilökohtaisten ja ammatillisten agenttien tehtäviin, joissa työ jatkuu usean vaiheen ja keskustelun yli.

Avoimet painot kuuluvat erilliselle, paikalliseen käyttöön tarkoitetulle Muse Glimmerille. Meta Superintelligence Labsin johtaja Alexandr Wang muistutti Axiosin haastattelussa Glimmerin aiemmin avatuista painoista ja sanoi: ”We're still committed to open source.” Wonder-mallien painojen avaamisesta ei julkistettu päätöstä. Kärkimallien suorituskykyä koskeva näyttö perustuu julkaisuvaiheessa pääosin valmistajan esittämiin arviointeihin.

Wonder, Full ja Glimmer ovat käytettävissä eri tavoin

Wonder-julkaisussa mallin käyttöoikeus riippuu siitä, mistä versiosta on kyse. Meta Model API:n kautta Muse Wonderin voi liittää omaan ohjelmistoon, ja sama malli on tarjolla myös Muse Codessa. Muse Wonder Fullin käyttö on sidottu Muse Coden tilaukseen; sitä ei tarjota erillisenä API-mallina. Tämä rajaus on olennainen, jos sovellus tarvitsee suoran ohjelmointirajapinnan eikä vain pääsyä malliin Metan ohjelmointipalvelussa.

• Muse Wonder: Meta Model API ja Muse Code. API-käytöstä veloitetaan syöte- ja tulostetokenien mukaan.
• Muse Wonder Full: Muse Code -tilaus. Fullille ei julkistettu vastaavaa API-käyttöreittiä tai ladattavia painoja.
• Muse Glimmer: ladattavat avoimet painot paikalliseen käyttöön. Se on oma, pienempään laitteistoon sovitettu mallinsa eikä Wonder Fullin avoin julkaisu.

API-pääsy ja avoimet painot antavat käyttäjälle erilaisen suhteen malliin. API:ssa malli toimii palveluntarjoajan ympäristössä ja sovellus lähettää sille pyyntöjä; ladattavien painojen kanssa mallin ajaminen ja laitteiston valinta jäävät käyttäjälle. Muse Code puolestaan on valmis käyttöympäristö ohjelmointitehtäviin. Siksi saman tuoteperheen nimi ei yksin kerro, voiko mallia käyttää omassa palvelussa, tilauksen kautta vai omalla koneella.

Muisti auttaa agenttia jatkamaan kesken jäänyttä työtä

Muse Wonderin keskeinen tavoite on pitää tehtävän kannalta tärkeä tieto mukana keskustelusta toiseen. Active Memory tarkoittaa aiemman käyttäjäkohtaisen taustatiedon säilyttämistä ja palauttamista silloin, kun uusi tehtävä sitä tarvitsee. Active Focus kuvaa pitkäjänteistä työskentelyä: malli voi vaihtaa lähestymistapaa esteen kohdatessaan, mukautua uuteen tietoon ja pyytää täsmennystä ennen etenemistä.

Toimintojen merkitys näkyy tehtävissä, joissa yksittäinen vastaus ei riitä. Julkaisun esimerkeissä Wonder kokoaa käyttäjän kuvista pelattavan kolmiulotteisen keittiöpelin, laatii henkilökohtaisiin toiveisiin perustuvan juoksusuunnitelman ja sovittaa hääjuhlien istumajärjestystä annettuihin ehtoihin. Näissä töissä agentin pitää pitää tavoite mielessä samalla, kun se käsittelee uusia rajoituksia ja tekee peräkkäisiä valintoja. Esimerkit kuvaavat mallille tarkoitettuja tehtäviä, eivät riippumatonta mittausta niiden onnistumisesta.

Pitkäkestoinen muisti lisää myös käsiteltävän henkilökohtaisen tiedon merkitystä. Kalenteri, viestit ja muut yksityiset aineistot voivat auttaa agenttia ymmärtämään käyttäjän tavoitteita, mutta käyttöoikeudet ja tietojen säilytys riippuvat palvelusta, jossa agentti toimii. Mallin kyky muistaa jotakin ei yksin ratkaise, mitä sen pitäisi muistaa tai milloin tietoa saa käyttää.

Kärkivertailu riippuu malliversiosta ja tehtävästä

Metan tutkimusjulkaisu esittää Wonderin ja Wonder Fullin kärkitason malleina agentti-, muisti- ja ohjelmointitehtävissä. Vertailuissa tarkastellaan muun muassa MemoryBenchillä aiemman tiedon hyödyntämistä ja SWE-Marathonilla pitkäkestoista ohjelmistotyötä. Tulos kuvaa aina nimettyä mallia ja testin ehtoja: Fullin saavuttamaa tulosta ei voi sellaisenaan pitää API:ssa tarjottavan Wonderin tuloksena.

Testit kattavat eri puolia agentin toiminnasta. Muistitehtävässä ratkaisevaa on olennaisen aiemman tiedon löytäminen; ohjelmistotyössä malli joutuu ylläpitämään tavoitetta muutosten, virheiden ja korjausten läpi. Hyvä sijoitus yhdessä arvioinnissa ei siten kerro automaattisesti vasteajasta, käytön kokonaiskustannuksesta tai suomenkielisten tehtävien laadusta. Julkaisun jälkeinen riippumaton kattavuus on vielä rajallista, joten laajaa suorituskykyjärjestystä on liian aikaista pitää vakiintuneena.

Hinnan ja suorituskyvyn vertailussa käyttöreitti ratkaisee yhtä paljon kuin testipisteet. Wonderille ilmoitettu tokenihinta soveltuu API-käyttöön, mutta Fullin käyttö perustuu Muse Code -tilaukseen. Jos vertailussa käytetään Fullia ja kustannusarviossa Wonderin API-hintaa, tulos ja hinta koskevat eri versioita. Julkaistu näyttö antaa siis kaksi erillistä kysymystä: miten kumpikin malli suoriutuu ja millä ehdoilla kyseiseen versioon pääsee käsiksi.

Avoimet painot jäivät Glimmerille

Muse Glimmer on malliperheen ladattava vaihtoehto paikalliseen käyttöön. Se on suunnattu kuluttajalaitteistolle, kun taas Wonderin ja Fullin julkaistut käyttöreitit kulkevat Metan palvelujen kautta. Glimmerin avoimuus antaa mahdollisuuden ajaa mallia omassa ympäristössä, mutta ei avaa Wonderin painoja eikä siirrä Fullin ominaisuuksia paikalliseen malliin.

Ero näkyy myös siinä, mistä käytön rajat syntyvät. Paikallisesti ajettavaa Glimmeriä rajoittavat käytettävissä oleva laitteisto ja siihen valittu toteutus. Wonderin API-käytössä ratkaisevat palvelun ehdot ja kulutukseen perustuva hinnoittelu; Fullissa pääsy määräytyy Muse Code -tilauksen kautta. Näitä vaihtoehtoja voi verrata saman tuoteperheen sisällä, mutta niiden saatavuutta ei voi yhdistää yhdeksi lupaukseksi avoimesta kärkimallista.

Wonderin on tarkoitus tulla myöhemmin myös Muse-avustajan toimintoihin, ensin tilaajille. Tarkkaa laajennuspäivää ei julkistettu. Seuraava konkreettinen muutos käyttäjille on siten palvelun avautuminen Museen; mallien välisten suorituskykyerojen arviointi tarkentuu, kun samoilla ehdoilla tehtyjä riippumattomia kokeita kertyy.

Lue myös:

• Meta Muse hoitaa yrityksen taustatöitä – maksut vaativat yhä luvan
• REST vai GraphQL? Pienempi vastaus voi vaatia raskaamman palvelimen
• 88 %:n työ muuttui tekoälyllä – puolet jäi ilman johdon ohjausta