Meta-მ Muse Wonder გამოუშვა — ძლიერი შედეგები ჯერ საკუთარი ტესტებია

Meta-მ 2026 წლის 12 ოქტომბრის ოფიციალური ანონსით გამოუშვა Muse Wonder და Muse Wonder Full. Muse Wonder ხელმისაწვდომია Meta Model API-სა და Muse Code-ში, ხოლო Muse Wonder Full — Muse Code-ის აბონენტებისთვის. მოდელები გათვლილია ხანგრძლივ ამოცანებზე, პროგრამირებასა და ასისტენტებზე, რომლებსაც საუბრის კონტექსტის დამახსოვრება და სამუშაოს გაგრძელება სჭირდებათ.

გამოშვების დღესვე Artificial Analysis-ის დამოუკიდებელმა შეფასებამ Muse Wonder-ს 52, Muse Wonder Full-ს კი 56 ქულა მიანიჭა თავისი Intelligence Index-ის ვერსია 4.3-ის მიხედვით, მაქსიმალური მსჯელობის რეჟიმში; წინა Muse Spark 1.3-მა იმავე პირობებში 48 ქულა მიიღო. ეს უკვე გარე გაზომვაა, მაგრამ ის Meta-ს მიერ გამოქვეყნებული ყველა შედარებითი შედეგის გამეორება არ არის. მკითხველისთვის გადამწყვეტია, რომ API-ში ხელმისაწვდომი მოდელის შესაძლებლობები არ მიეწეროს მხოლოდ აბონენტებისთვის განკუთვნილ Full ვარიანტს.

რომელი მოდელია ხელმისაწვდომი და სად

Muse Wonder-ის გამოყენება დეველოპერს შეუძლია საკუთარი პროგრამიდან Meta Model API-ის მეშვეობით ან Muse Code-ში. Muse Wonder Full ცალკე ვარიანტია და API-ში არ გაიცემა: მასზე წვდომა Muse Code-ის შესაბამის გამოწერას უკავშირდება. ამ განსხვავების გამო ერთი ოჯახის სახელით წარმოდგენილი შედეგები ავტომატურად ვერ აღწერს იმას, რასაც API-ის მომხმარებელი მიიღებს.

Muse Code პროგრამირებისთვის განკუთვნილი გარემოა, ხოლო API მოდელის სხვა პროგრამებში ჩართვის საშუალებას იძლევა. Full-ის სახელი უფრო ძლიერი ვარიანტის მოლოდინს ქმნის, მაგრამ მისი ხელმისაწვდომობის პირობა Muse Code-ის გამოწერაა და არა API-ში Muse Wonder-ის პარამეტრის შეცვლა. ეს სხვაობა მნიშვნელოვანია მაშინაც, როცა ერთმანეთს ადარებენ მოდელის შესაძლებლობებსა და მის გამოყენების ღირებულებას: აბონენტის სამუშაო გარემო და ტოკენებით დათვლილი API-გამოძახება სხვადასხვა შეთავაზებაა.

Muse Wonder-ის გამოყენება მომავალში თავად Muse-ის გამოცდილებაშიც იგეგმება, თავდაპირველად აბონენტებისთვის. ეს შემდეგი გავრცელების ეტაპია; ამჟამად დადასტურებული გაშვება Meta Model API-სა და Muse Code-ს ეხება. საქართველოს მომხმარებლისთვის ანგარიშის შექმნისა და გამოწერის კონკრეტული პირობები ადგილობრივი ხელმისაწვდომობის ცალკე საკითხია, რომელსაც მოდელების საერთო ანონსი არ წყვეტს.

რას აკეთებს Active Memory და Active Focus

Active Memory საუბრის განმავლობაში მიწოდებული მნიშვნელოვანი კონტექსტის შენარჩუნებასა და მოგვიანებით მისი შესაბამის ამოცანასთან დაკავშირებას ემსახურება. არსებითი ნაწილი მხოლოდ ტექსტის დამახსოვრება არ არის: მოდელმა უნდა ამოიცნოს, როდის გახდა ადრე ნათქვამი დეტალი კვლავ საჭირო. მაგალითად, თუ მომხმარებელმა რამდენიმე საუბარში შეცვალა მოთხოვნები, ასისტენტმა ახალი დავალების შესრულებისას სწორედ მოქმედი შეზღუდვები უნდა გაითვალისწინოს. ეს აღწერს ფუნქციის მიზანს და არა გარანტიას, რომ ყოველი დეტალი ყოველთვის სწორად დაბრუნდება.

Active Focus ხანგრძლივ სამუშაოში მიზნის შენარჩუნებას ეხება. მოდელი შექმნილია იმისთვის, რომ დაბრკოლებისას სხვა მიდგომა სცადოს, შეცდომის შემდეგ გააგრძელოს მუშაობა და ახალი ინფორმაცია გაითვალისწინოს. საჭიროების შემთხვევაში მან დაზუსტება უნდა ითხოვოს, მნიშვნელოვანი მოქმედების წინ კი მომხმარებელს მიმართოს. ასე აღწერილი ქცევა განსაკუთრებით ეხება ისეთ დავალებებს, სადაც პასუხს რამდენიმე მოქმედება, შესწორება და ხელახალი მცდელობა სჭირდება.

ამ ორი ფუნქციის კავშირი ჩანს პროგრამული პროექტის მაგალითზე: ადრე შეთანხმებული მოთხოვნის გახსენება სასარგებლოა მაშინ, როცა ასისტენტი მას შემდეგ ცვლილებებსაც მიჰყვება და შეცდომის გამო სამუშაოს არ წყვეტს. მოდელის დემონსტრაციებს შორის არის მორგებადი სურათების საფუძველზე შექმნილი სათამაშო სამგანზომილებიანი სამზარეულო და რთული მოთხოვნებით შედგენილი საქორწილო ადგილების განლაგება. ასეთი დემონსტრაციები აჩვენებს, რა ტიპის ამოცანებზეა ოჯახი ორიენტირებული; ისინი სხვადასხვა მომხმარებლის პირობებში საიმედოობის საერთო საზომი არ არის.

რას ზომავს Meta-ს შედარება და რას — დამოუკიდებელი შეფასება

Meta-ს გამოქვეყნებული შედარებითი სურათი მეხსიერების, აგენტური მუშაობისა და პროგრამირების დავალებებს მოიცავს. კომპანიის მიერ შერჩეულ ტესტებში მაღალი შედეგი კონკრეტულ ამოცანასა და გამოყენებულ კონფიგურაციას ეკუთვნის. განსაკუთრებით მნიშვნელოვანია მოდელების სახელების გამიჯვნა: Muse Wonder Full-ის შედეგი ვერ ჩაითვლება Muse Wonder-ის API-ვერსიის შედეგად, მაშინაც კი, როცა ორივე ერთ ოჯახშია.

MemoryBench ამოწმებს, როგორ იბრუნებს მოდელი მნიშვნელოვან ინფორმაციას ხანგრძლივი, მრავალეტაპიანი საუბრიდან. FocusBench-ის საგანი დაბრკოლებების მიუხედავად ამოცანის გაგრძელებაა, ხოლო SWE-Marathon ხანგრძლივ პროგრამულ პროექტებზე მუშაობას ეხება. ეს საზომები სხვადასხვა უნარს ეხება; ერთ-ერთში ძლიერი ქულა თავისთავად არ ნიშნავს უპირატესობას ყველა დანარჩენში. შედეგის მნიშვნელობაზე გავლენას ახდენს ამოცანის შერჩევა, შეფასების წესი, მსჯელობის რეჟიმი და ისიც, მუშაობდა მხოლოდ მოდელი თუ დამატებითი აგენტური გარემო.

დამოუკიდებელი Intelligence Index სხვა ტესტების ერთობლიობაა. მან ორივე ახალ ვარიანტში წინა მოდელთან შედარებით წინსვლა გაზომა, თუმცა მისი ქულები Meta-ს MemoryBench-ის ან FocusBench-ის შედეგების პირდაპირი გამეორება არ არის. ამიტომ ორი რამ ერთდროულადაა მართალი: გარე შეფასება უკვე არსებობს და კომპანიის კონკრეტული შედარებითი უპირატესობები კვლავ იმ ტესტების პირობებით უნდა წავიკითხოთ, რომლებშიც ისინი მიიღეს. ფართო დასკვნას სწორედ ერთნაირ პირობებში გაზომილი ერთი და იმავე ვარიანტების შედეგები სჭირდება.

რა ღირს API და როგორ მუშავდება გაგზავნილი შიგთავსი

Meta Model API-ის ოფიციალური ტარიფებისა და მონაცემთა რეჟიმების მიხედვით, Muse Wonder-ის ერთი მილიონი შეყვანილი ტოკენი 4 დოლარი, ერთი მილიონი გამომავალი ტოკენი 20 დოლარი, ხოლო იმავე მოცულობის ქეშირებული შეყვანა 0,20 დოლარი ღირს. ეს Muse Wonder-ის API-ფასებია; Muse Wonder Full-ის გამოწერა ტოკენების ამ ტარიფით არ ფასდება. საბოლოო ხარჯი დამოკიდებულია იმაზე, რამდენ შეყვანასა და პასუხს მოითხოვს კონკრეტული სამუშაო.

მონაცემების პირობებიც გამოყენების გზის მიხედვით იცვლება. Muse Wonder API-ში Standard რეჟიმში მუშაობს და ამ რეჟიმში გაგზავნილი შიგთავსი Meta-ს მოდელების გასაწვრთნელად არ გამოიყენება. Muse Code-ის გამოწერებში Contributor რეჟიმი ნაგულისხმევად ჩართულია: ის გაგზავნილი მოთხოვნების, კოდის, ფაილების, კონტექსტისა და მიღებული პასუხების მომავალი მოდელების გასაწვრთნელად გამოყენების ნებართვას ითვალისწინებს. გამოწერის პარამეტრებში მისი გამორთვა შესაძლებელია.

ეს განსხვავება განსაკუთრებით არსებითია მეხსიერებაზე დამყარებული ასისტენტისთვის, რომელსაც შესაძლოა შეტყობინებების, კალენდრის ან სამუშაო დოკუმენტების კონტექსტი მიეწოდოს. პირადი ინფორმაციის გამჟღავნებისგან მოდელის დაცვა და გაგზავნილი შიგთავსის სასწავლო მიზნით გამოყენების წესი სხვადასხვა საკითხია. API-ისა და Muse Code-ის არჩევა შესაბამისად ცვლის არა მხოლოდ წვდომის ფორმასა და ფასს, არამედ იმასაც, რა პირობებით მუშავდება მომხმარებლის მიერ მიწოდებული მასალა.

ასევე წაიკითხეთ:

• Gemini 4 Argon ძლიერ შედეგებს აჩვენებს — წვდომა ჯერ დახურულია
• AI აგენტებს საკუთარი იდენტობა ექნებათ — 12 კომპანია წესებზე შეთანხმდა
• Meta Enterprise Platform იწყება — პროდუქტები ცნობილია, ფასი და ვადა ჯერ არა