Meta passe à la vitesse supérieure dans l’intelligence artificielle. Le laboratoire Superintelligence Labs a dévoilé Muse Wonder et Muse Wonder Full, deux nouveaux modèles présentés comme les plus avancés de l’entreprise à ce jour. Plus imposants et plus performants que Muse Spark, ils marquent une nouvelle étape dans la stratégie de Meta pour rivaliser avec les modèles de pointe d’OpenAI et d’Anthropic.
Selon les évaluations publiées par Meta, les deux modèles atteignent des résultats comparables à ceux de Fable 5.1 et de GPT-6 Astra sur plusieurs benchmarks. L’entreprise met notamment en avant leurs capacités en programmation et leur aptitude à traiter des tâches complexes, mais aussi une caractéristique essentielle pour ses ambitions : leur capacité à retenir et à exploiter les informations personnelles fournies par les utilisateurs.
Avec cette nouvelle génération, Meta ne cherche plus seulement à proposer une IA rapide et légère. Le groupe veut développer des assistants capables de comprendre les besoins de leurs utilisateurs sur la durée, en conservant les informations pertinentes d’une conversation à l’autre.
Muse Wonder et Wonder Full : deux modèles plus ambitieux
Jusqu’ici, Meta avait notamment misé sur Muse Spark, un modèle relativement léger conçu pour répondre rapidement aux demandes. Muse Wonder et Muse Wonder Full adoptent une approche différente, avec une taille et des capacités supérieures, selon les informations communiquées par l’entreprise.
Meta affirme que les deux modèles obtiennent des résultats comparables à ceux de Fable 5.1 et de GPT-6 Astra dans ses évaluations. Les performances en programmation et sur les tâches complexes figurent parmi les améliorations mises en avant. Ces résultats restent toutefois issus des tests présentés par Meta et ne suffisent pas, à eux seuls, à établir une supériorité générale face à la concurrence.
Les deux modèles n’auront pas non plus les mêmes conditions d’accès. Muse Wonder sera disponible via l’API Meta Model, tandis que Muse Wonder Full sera réservé aux abonnés de Muse Code et ne sera pas proposé par l’intermédiaire de cette API.
Cette distinction suggère que Meta entend répondre à plusieurs usages : l’intégration de capacités avancées dans des applications pour Wonder, et une expérience plus spécialisée pour les utilisateurs de Muse Code avec Wonder Full.
Des tarifs comparables aux modèles haut de gamme concurrents
Le positionnement de Muse Wonder se reflète dans son prix. Via l’API Meta Model, le modèle sera facturé 4 dollars par million de jetons en entrée et 20 dollars par million de jetons en sortie. Ces tarifs le placent dans une gamme comparable à celle de GPT-6 Sol et d’Opus 5.5. Pour les développeurs, le coût réel dépendra cependant du volume de requêtes, de la longueur des conversations et de la quantité de contenu généré.
Meta n’a pas annoncé de tarification API pour Muse Wonder Full, puisqu’il ne sera pas accessible par ce canal. Les deux modèles doivent également alimenter l’agent Muse, l’assistant de l’entreprise conçu pour accomplir des tâches au-delà d’un simple échange de questions et de réponses.
Cette intégration est importante pour la stratégie du groupe : les modèles ne sont pas uniquement destinés à obtenir de bons résultats dans des évaluations techniques. Ils doivent aussi servir de moteur à des assistants capables d’exécuter des actions et de suivre les besoins des utilisateurs dans le temps.
La mémoire active, un axe majeur de développement
L’une des priorités de Meta concerne la capacité de ses modèles à conserver et à synthétiser les informations communiquées par un utilisateur. L’entreprise désigne cette approche sous le terme d’« active memory », ou mémoire active.
L’objectif est de permettre à l’IA de se souvenir des éléments pertinents au fil des jours, des semaines et des mois, plutôt que de traiter chaque interaction comme une conversation isolée. Un assistant doté d’une telle mémoire pourrait, par exemple, mieux tenir compte des préférences exprimées précédemment ou retrouver des informations utiles à une tâche en cours.
Pour évaluer cette capacité, Meta met en avant MemoryBench, un benchmark consacré notamment à l’apprentissage continu et à la construction de mécanismes de mémoire. Selon les résultats communiqués par l’entreprise, Muse Wonder dépasse Fable, Opus et Astra sur cette évaluation.
La mémoire pourrait ainsi devenir un critère de différenciation majeur pour les assistants personnels. Elle soulève toutefois des questions importantes concernant la gestion des données, le contrôle laissé à l’utilisateur et la possibilité de consulter ou de supprimer les informations conservées. Les éléments présentés par Meta portent avant tout sur les performances de mémoire et ne permettent pas, à eux seuls, de juger de l’ensemble des garanties offertes aux utilisateurs.
Meta veut combler son retard sur les modèles de pointe
Le lancement de Muse Wonder et de Wonder Full intervient après une réorganisation des activités d’intelligence artificielle de Meta menée par Alexandr Wang, fondateur de Scale AI, en 2025. Depuis cette restructuration, l’entreprise avait notamment lancé Muse Spark, puis son agent Muse, sans publier de modèle qu’elle positionnait aussi directement face aux systèmes les plus avancés du marché.
Cette nouvelle étape doit permettre à Meta de renforcer sa présence sur le segment des modèles haut de gamme, où OpenAI et Anthropic occupent une place importante. Le groupe mise sur des modèles plus puissants, mais aussi sur leur intégration à des assistants capables de conserver du contexte et d’accomplir des tâches dans la durée.
L’infrastructure joue également un rôle dans cette ambition. Meta indique que Muse Wonder et Muse Wonder Full ont été entraînés dans son centre de données Prometheus, situé dans le centre de l’Ohio et entré en service en 2026. Ce site s’inscrit dans les investissements massifs du groupe pour soutenir le développement de systèmes d’IA toujours plus exigeants en puissance de calcul.
Avec Muse Wonder et Wonder Full, Meta franchit donc une nouvelle étape dans sa course aux modèles de pointe. La véritable différence pourrait toutefois se jouer moins sur les benchmarks que sur la capacité de ses assistants à se souvenir durablement des besoins des utilisateurs, tout en offrant un contrôle clair sur les informations conservées.
