Muse Wonder er Metas modelserie til AI-agenter, der skal huske relevant kontekst og arbejde gennem længere opgaver. Serien kombinerer Active Memory og Active Focus med multimodalt input og et kontekstvindue på én million tokens. Funktionerne beskriver modelkapacitet; adgangsrettigheder, datalagring og kontrol afhænger også af det system, modellen indgår i.
Muse Wonder kombinerer relevant hukommelse med vedholdende opgaveløsning, men modellen udgør kun en del af en AI-agent. Adgang, benchmarkmetode, tokenforbrug og datalagring sætter rammerne for brugen, mens dansk sprogkvalitet og konkrete arbejdsgevinster kræver særskilt afprøvning.
Hvad har Meta lanceret med Muse Wonder?
Meta annoncerede Muse Wonder og Muse Wonder Full den 12. oktober 2026. Modellerne retter sig mod personlige og professionelle agentopgaver, herunder dokumentanalyse, planlægning og softwareudvikling. Meta har blandt andet trænet dem på længere forløb med gentagne ændringer, test og revision.
En AI-agent kobler en model med værktøjer og en arbejdsproces, så systemet kan udføre flere trin. Wonder er modelkomponenten. En virksomhed får derfor ikke automatisk en færdig løsning til en bestemt arbejdsopgave ved at vælge modellen.
Hvor er Wonder og Wonder Full tilgængelige?
Muse Wonder er ifølge lanceringen tilgængelig gennem Meta Model API og kodeværktøjet Muse Code. Muse Wonder Full er tilgængelig via Muse Code-abonnement; den aktuelle modelside angiver planerne Power Usage og Maximum Usage. Full har dermed ikke samme almindelige API-adgang som Wonder.
Meta beskriver også en kommende udrulning i assistenten Muse, først til abonnenter. Den plan kan ikke sidestilles med adgang for alle ved lanceringen. De læste kilder dokumenterer ikke særskilt adgang fra Danmark eller en dansk konto- og funktionsoversigt.
Den eksisterende Meta Model API er en adgangsvej til modeller. Den konkrete models navn, version og tilladte funktioner skal stadig fremgå af integrationen.
Hvilke input og output understøtter modellerne?
Modelkortet angiver tekst, billeder, video og lyd som input og tekst som output for begge modeller. De er altså multimodale i deres forståelse af input. Det betyder ikke, at selve modellerne leverer lyd eller video som output, selv om et tilknyttet system kan bruge andre værktøjer.
Kontekstvinduet er angivet til én million tokens. Tokens er de mindre enheder, modellen behandler tekst og andet indhold som. Et stort vindue giver plads til mere materiale i en behandling, men er ikke en garanti for, at alle detaljer bliver anvendt korrekt.
Hvordan adskiller Active Memory sig fra lang kontekst?
Meta bruger betegnelsen Active Memory om at føre vigtig kontekst videre mellem samtaler og hente oplysninger frem, når de bliver relevante. Lang kontekst beskriver derimod, hvor meget materiale modellen kan behandle ad gangen. Vedvarende lagring handler om, hvad det omgivende system faktisk gemmer og senere stiller til rådighed.
| Begreb | Hvad skal vurderes? |
|---|---|
| Kontekstvindue | Hvor meget materiale kan være med i den aktuelle behandling? |
| Relevant genkaldelse | Kan modellen finde den rigtige oplysning og bruge den seneste rettelse? |
| Vedvarende lagring | Hvad gemmes mellem forløb, hvem har adgang, og hvordan slettes det? |
Metas interne MemoryBench tester genkaldelse i samtaler på 64.000–100.000 tokens med distraktioner og oplysninger, der bliver modsagt eller opdateret. En sprogmodel bedømmer svarene. Testen dokumenterer dermed en afgrænset genkaldelsesopgave, ikke datalagringens levetid, sletteregler eller automatisk hukommelse i enhver API-integration.
Hvad betyder Active Focus for en AI-agent?
Active Focus er Metas betegnelse for vedholdende opgaveløsning: modellen forsøger alternative fremgangsmåder, arbejder gennem forhindringer og tilpasser sig nye oplysninger. Lanceringen beskriver også afklarende spørgsmål og kontrol med brugeren før vigtige handlinger.
Den egenskab er forskellig fra et mandat. Et system kan være godt til at fortsætte en opgave uden at have lov til at sende en besked, ændre et register eller publicere kode. Godkendelser og tekniske adgangsgrænser skal derfor vurderes i agentens konkrete opsætning.
Samspillet mellem model og arbejdsproces kendes også fra hukommelse i AI-agenters evaluering: det målte resultat afhænger af mere end modellens navn.
Hvad viser benchmarkresultaterne egentlig?
Meta fremlægger resultater for blandt andet hukommelse, computerbrug, juridiske opgaver og langvarig kodning. Modelkortet skelner mellem interne evalueringer, tredjepartsresultater og resultater rapporteret af andre modelleverandører. En samlet tabel er derfor ikke ét ensartet, uafhængigt forsøg.
For SWE-Marathon oplyser modelkortet konkret, at modellerne er kørt i forskellige agentprodukter, og at Wonder Full-resultatet bruger ræsonneringsniveauet xhigh. Sammenligningen isolerer dermed ikke modellens bidrag fra agentrammen. Et højt resultat kan begrunde afprøvning, men dokumenterer ikke samme succesrate i virksomhedens egne opgaver.
En juridisk benchmark dokumenterer heller ikke særskilt dækning af dansk ret, og en sundhedstest dokumenterer ikke, at alle svar er korrekte i en konkret patienthistorie.
Hvordan skal omkostningerne forstås?
Pr. 13. oktober 2026 angiver Metas modelside for Muse Wonder 4 amerikanske dollar pr. million inputtokens, 0,20 dollar pr. million cachelagrede inputtokens og 20 dollar pr. million outputtokens. Det er forbrugstakster for Wonder, ikke en tilsvarende API-prisliste for Wonder Full.
Prisen på en færdig opgave afhænger også af antal forsøg, hvor meget materiale der behandles, og eventuelle eksterne værktøjer. En agent, der fortsætter længe, kan bruge flere tokens, selv om den enkelte tokenpris er uændret. En relevant sammenligning omfatter derfor både forbrug, resultatkvalitet og den tid, mennesker bruger på kontrol.
Hvad kan det betyde på arbejdspladser i Danmark?
Den praktiske mulighed er længere, sammenhængende dokument- og kodearbejde med mindre manuel gentagelse af kontekst. Det er en mulig anvendelse, ikke en dokumenteret lokal produktivitetsgevinst. Adgang, integration og kvalitet skal være afklaret, før mulighederne kan omsættes til drift.
Et afgrænset eksempel er en projektstatus, hvor agenten skal sammenholde godkendte dokumenter og indarbejde en ændret deadline:
- Opgaven får et fast kildesæt og et tydeligt krav til det færdige udkast.
- En gammel deadline erstattes med en ny, så testen undersøger, om rettelsen slår igennem.
- Udkastets datoer, konklusioner og kildehenvisninger kontrolleres af en medarbejder.
- Deling eller ændring i andre systemer behandles som en særskilt handling med eget mandat.
Forløbet er et illustrativt kontrolpunkt. Det gør det muligt at vurdere relevant genkaldelse og korrekthed uden samtidig at give agenten brede skriverettigheder.
Er dansk sprogkvalitet og undervisningsbrug dokumenteret?
Modelkortet beskriver flersproget træning, men siger også, at alle træningssprog ikke er evalueret. De læste kilder fremlægger ikke særskilte danske resultater. Danske fagudtryk, datoformater og rettelser i lange dokumentforløb er derfor relevante emner for en lokal afprøvning.
Undervisningsbrug har desuden en konkret aldersafgrænsning: modelkortet angiver, at modellen ikke er tiltænkt personer under 18 år. Meta angiver samtidig, at den, der stiller systemet til rådighed, har ansvar for at vurdere og afbøde risici ved sådan brug og overholde gældende lovgivning. Lanceringen dokumenterer ingen læringseffekt.
Hvilke databeskyttelsesspørgsmål følger med hukommelsen?
Hvis en agent behandler personoplysninger, omfatter vurderingen både oplysningerne i den aktuelle opgave og eventuel lagring mellem opgaver. Datatilsynets cloudvejledning kræver overblik over leverandørkæden og de behandlinger, der foregår. Væsentligt ændrede behandlinger vil typisk kræve en fornyet risikovurdering.
- Hvilke oplysninger indgår i dokumenter, værktøjskald og gemt kontekst?
- Hvilke leverandører får adgang, og hvilke opbevarings- og slettevilkår gælder?
- Kan oplysninger tilgås fra tredjelande, herunder ved support?
Datatilsynet regner også se-adgang fra et tredjeland som behandling og overførsel. Et stort kontekstvindue eller bedre hukommelse dokumenterer ikke i sig selv GDPR-overholdelse. Muse Wonder må heller ikke antages at have samme lokale dataflow som en særskilt model til lokal agentdrift.
Hvilke begrænsninger består trods bedre agentkapacitet?
Meta fremhæver fortsat risiko for upræcise og skæve svar, fejl i flertrinsræsonnement og begrænsninger i rumlig forståelse. Resultater kan desuden variere med værktøjer, instruktioner og agentramme. Vedholdenhed kan derfor ikke erstatte kontrollen af, om agenten arbejder videre på et korrekt grundlag.
Modelkortet anbefaler ekstra systemværn og menneskelig bekræftelse før irreversible handlinger. Metas vurdering af resterende risiko som moderat eller lavere følger virksomhedens egen sikkerhedsramme og forudsætter afværgeforanstaltninger. Den er ikke en myndighedsgodkendelse af en konkret anvendelse.
Hvilke kilder ligger til grund?
Metas Muse Wonder-lancering beskriver formål og udrulning. Det tilhørende modelkort dokumenterer kapacitet, evalueringsmetode og begrænsninger, mens modelsiden angiver aktuel adgang og takster. Databeskyttelsesafgrænsningen bygger på Datatilsynets cloudvejledning.