Meta 上线 Muse 专项模型：下放 Muse Wonder 能力，搭载 Active Memory 与 Active Focus

Meta 正式向 Muse 和 Meta AI 推送专门化模型（Specialized Models）。该模型基于 Muse Wonder 架构进行针对性训练，旨在将其在个人与专业智能体任务中验证的先进能力，下沉并普及至更广泛的用户群体。此次更新的核心在于将 Active Memory（主动记忆）与 Active Focus（主动专注）两大系统引入专门化模型，以解决长程对话中的信息遗忘与复杂任务执行中的目标偏移问题。

Active Memory：长程上下文管理与信息筛选

在传统的多轮对话或长程任务中，模型往往难以准确判断早期对话细节在当前节点的相关性。Active Memory 机制通过专项训练，使模型具备了区分临时信息与永久信息的能力，并能够进行跨时间推理，动态识别哪些历史上下文依然有效，哪些已经陈旧。

根据 Meta 提供的评估数据，该机制在信息保留的准确性上取得了显著改进：

• 遗忘率降低：当前 Muse 模型在帮助用户达成目标所需的关键信息遗忘率上，较前代减少了 2.4 倍。
• 上下文调用准确率：在 Active Memory 专项评估中，当前模型在 90% 的任务中能够正确使用关键上下文，而上一代模型的这一比例为 76%。
• 综合智能指数提升：在 Personal Superintelligence Index（个人超级智能指数）评估中，当前模型得分为 47%，高于上一代的 38%。

Active Focus：异常处理与目标导向保持

当智能体在执行任务过程中遇到意外问题或环境变化时，保持目标导向是确保任务完成率的关键。Active Focus 旨在解决这一瓶颈。该机制的训练数据涵盖了基于现实世界情况建模的异常场景，教导模型在遇到阻碍时，能够自主决定是坚持当前路径、尝试恢复状态，还是代表用户寻找替代执行路线。

测试数据显示，在日常任务执行中，当出现意外问题时，配备 Active Focus 的模型在任务完成率上获得了 67% 的增益。

智能体行为演进与 Meta AI 交互优化

专门化模型进一步借鉴了 Muse Wonder 在智能体工作流中的行为表现，提升了任务调度的灵活性。模型现在能够同时处理多个并发任务，并自主决策何时独立追求目标，何时需要与用户进行实时协作。在任务运行期间，即使用户提供了新的引导或澄清指令，模型也能动态适应，而不会丢失初始设定的核心目标。

在 Meta AI 的应用层面，这些底层能力的提升转化为更高效的协作体验：

1. 复杂问题拆解：模型能够将模糊或复杂的用户需求分解为清晰的执行步骤。
2. 主动追问：在信息不足时，模型能够提出更具针对性的后续问题，以明确用户意图。
3. 对话连贯性：当用户在对话中途改变方向或调整需求时，模型能够平滑过渡，保持对话逻辑的连贯性，避免上下文断裂。