JOURNAL / 2026.10.13
Meta lanza Muse Wonder y Wonder Full para agentes que recuerdan y sostienen el trabajo
Los nuevos modelos amplían las opciones para programación y tareas prolongadas. La diferencia entre memoria evaluada, contexto disponible y acceso real determina cuánto del anuncio puede trasladarse a una aplicación.
Meta presentó Muse Wonder y Muse Wonder Full el 12 de octubre. Wonder llega a Meta Model API y Muse Code; Full se ofrece a suscriptores de Muse Code. La incorporación al asistente Muse se anuncia para después, empezando por suscriptores. Es un lanzamiento que permite construir y evaluar desde ahora, aunque las dos variantes no llegan por el mismo camino.
La apuesta merece atención por el tipo de trabajo que intenta sostener. En el anuncio de investigación, Meta llama Active Memory a conservar información relevante entre conversaciones y recuperarla cuando hace falta. Active Focus describe insistir ante un bloqueo, cambiar de estrategia y adaptarse a información nueva. Una refactorización que atraviesa varios archivos necesita ambas cosas: mantener una restricción acordada al principio y recuperarse cuando las pruebas contradicen el plan.
Frente a Muse Spark 1.3, Meta presenta bases mayores y más fuertes. Su comparación estudia si aumentar el esfuerzo de razonamiento mejora también tareas que no fueron objetivo del posentrenamiento. La empresa observa una ventaja de Wonder Full sobre la tendencia de Spark. Es una hipótesis relevante sobre generalización, sustentada aquí por la evaluación del propio fabricante; no permite anticipar todas las combinaciones de herramientas y requisitos de un proyecto ajeno.
Hay una precisión especialmente útil en la tarjeta técnica. MemoryBench es una evaluación interna de conversaciones de 64.000 a 100.000 tokens, con distractores y datos que entran en conflicto o se actualizan; un modelo juez puntúa las respuestas. Eso pone a prueba recuperar detalles cambiantes dentro del material evaluado. No demuestra por sí solo memoria fiable durante meses, borrado efectivo de una preferencia ni separación entre usuarios.
La misma tarjeta describe SWE-Marathon como proyectos extensos de software calificados mediante pruebas ejecutables. Las comparaciones conservan entornos de agentes distintos y Full usa esfuerzo de razonamiento xhigh. Son evidencia sobre sistemas bajo esas condiciones, no una comparación aislada del modelo ni una garantía para cualquier repositorio. Podemos tomar en serio el avance sin convertir una clasificación en una promesa de entrega.
Para quien integra el modelo, la documentación de acceso resuelve una confusión importante: seleccionar el máximo esfuerzo de Wonder en la API no lo convierte en Wonder Full. Full está reservado a los planes Power Usage y Maximum Usage de Muse Code. Wonder acepta los mismos formatos de petición que Spark, lo que facilita probarlo en una integración existente. La guía general lo identifica como versión preliminar y documenta una ventana de aproximadamente un millón de tokens. Esa capacidad de entrada tampoco equivale a un almacén permanente de recuerdos.
Las tarifas publicadas son cuatro dólares por millón de tokens de entrada y veinte por millón de salida, con descuento para entrada en caché. Una tarea prolongada acumula llamadas, contexto y posibles reintentos: el coste relevante será llegar a un resultado aceptable. Además, las suscripciones de Muse Code activan por defecto Contributor mode, que permite usar el contenido para entrenar futuros modelos; puede desactivarse. La API de Wonder sólo ofrece Standard mode, cuyo contenido no se usa para entrenamiento según esa documentación. Elegir vía de acceso también exige revisar ese acuerdo sobre los datos.
Mi valoración es que el lanzamiento amplía una competencia útil: disponer de otra opción para trabajos largos permite comparar comportamiento en el mismo proyecto, además de puntuaciones publicadas. Empezaría con un cambio real y acotado, introduciría una corrección de requisitos a mitad del trabajo y comprobaría si llega a los archivos y pruebas pertinentes. Conservaría los errores, las intervenciones necesarias y el coste completo. Una memoria útil tiene que saber corregirse, no sólo repetir lo que oyó primero.
También mantendría visible qué información guarda la aplicación, de dónde procede y cómo se sustituye. Un agente que recupera con soltura una preferencia obsoleta puede equivocarse con más convicción. Wonder merece esa evaluación por su ambición y su acceso concreto; nuestra confianza debería crecer con la evidencia del trabajo que podamos inspeccionar.
Fuentes primarias consultadas el 13 de octubre de 2026. No hemos ejecutado los modelos ni comprobado sus resultados experimentalmente.