1. O que é o Muse Wonder?
2. Como foi o lançamento do Muse Wonder
3. O que muda no Muse Wonder: memória, foco e uso de computador
4. Muse Wonder nos benchmarks: onde lidera e onde fica atrás
5. Quanto custa o Muse Wonder e como acessar
6. Segurança e o que o anúncio deixa em aberto
7. Conclusão
Durante boa parte de 2026, a Meta compensou com distribuição o que faltava em capacidade de modelo. O agente pessoal Muse chegou ao WhatsApp em setembro rodando sobre o Muse Spark, um modelo desenhado para ser leve e rápido, enquanto OpenAI e Anthropic dividiam o topo das tabelas de desempenho. O Muse Wonder, apresentado em 12 de outubro de 2026, é a primeira tentativa da empresa de disputar esse topo com um modelo de fronteira próprio.
Nos números divulgados pela Meta, o Muse Wonder Full supera Claude Opus 5.5, Claude Fable 5.1 e GPT-6 Astra em memória e em tarefas longas de engenharia. Também lidera boa parte das avaliações de trabalho profissional. Duas ressalvas pesam para quem decide: no índice agregado de inteligência da Artificial Analysis o Claude Opus 5.5 continua na frente, e a versão mais capaz da nova família não está na API, apenas na assinatura do Muse Code.
Este artigo explica o que é o Muse Wonder, como foi o lançamento e quais capacidades a Meta destaca no modelo. Na sequência, detalha onde ele lidera e onde fica atrás nos benchmarks, quanto custa, como acessar e o que o anúncio ainda deixa em aberto.
O Muse Wonder é uma família de modelos de linguagem de grande porte (LLMs) desenvolvida pelo Meta Superintelligence Labs, o laboratório de IA da Meta, e lançada em 12 de outubro de 2026. Ela reúne dois modelos, o Muse Wonder e o Muse Wonder Full, treinados para executar tarefas longas em nome do usuário: programar em bases de código extensas, operar navegadores e aplicativos e lembrar o contexto de uma pessoa ao longo de várias conversas.
São os primeiros modelos que a própria Meta posiciona no mesmo patamar dos líderes do setor. A diferença em relação ao Muse Spark, lançado em abril, está no tamanho: o Spark foi feito para responder rápido e custar pouco, enquanto o Wonder é maior, mais lento e mais capaz em raciocínio e programação. O Wonder Full ocupa o topo da família como o modelo mais avançado que a empresa já lançou.
Os nomes da linha Muse se sobrepõem, e vale separá-los. Muse é o agente pessoal de consumo; Muse Spark e Muse Wonder são modelos; Muse Code é o agente de programação no terminal, vendido por assinatura. Na API, o identificador do novo modelo é muse-wonder-1.0.
O anúncio chega cerca de 14 meses depois de a Meta iniciar uma reconstrução da sua área de inteligência artificial a partir do zero. A família Llama, principal aposta da empresa até 2025, havia ficado para trás em desempenho. A resposta foi refazer a pilha de treinamento e montar um novo laboratório, que estreou com o Muse Spark.
Internamente, o modelo era conhecido pelo codinome Watermelon (Axios, 2026). Foi treinado no Prometheus, data center da Meta com escala de gigawatt no centro de Ohio, que entrou em operação neste ano (TechCrunch, 2026). A empresa descreve o lançamento como mais um degrau rumo ao que chama de superinteligência pessoal.
A distribuição tem três camadas. O Muse Wonder já está disponível na Meta Model API e no Muse Code. O Muse Wonder Full fica restrito aos assinantes do Muse Code e não é servido pela API. Em breve, o Muse Wonder também deve passar a rodar o agente Muse, primeiro para assinantes pagos. Depois, vai servir de base para modelos especializados que a Meta pretende levar a todos os usuários.
Há uma mudança de postura que merece registro. A Meta construiu reputação com modelos de pesos abertos e liberou em agosto os pesos do Muse Glimmer, mas sobre o Muse Wonder não informou se fará o mesmo.
A Meta organiza o anúncio em torno de quatro capacidades que considera centrais para agentes pessoais e profissionais. Duas ganharam nome próprio, Active Memory e Active Focus, e atacam as falhas mais comuns de agentes em uso real: esquecer o que importa e travar no meio de tarefas difíceis.
Active Memory é a capacidade de carregar o contexto relevante sobre uma pessoa de uma conversa para outra e recuperar os detalhes certos quando a tarefa pede. A diferença para a memória comum de chat está na iniciativa: o modelo precisa reconhecer sozinho quando uma informação antiga volta a ser útil, sem que o usuário a repita.
É nessa frente que o Muse Wonder tem seu resultado mais consistente. No MemoryBench, que testa a retenção de contexto, o Wonder marcou 85,6% e o Wonder Full, 85,5%, contra 81,5% do Claude Opus 5.5, 81,4% do GPT-6 Astra e 79% do Claude Fable 5.1. Curiosamente, aqui o modelo menor supera o maior por um décimo.
Active Focus descreve como o modelo persiste em um objetivo difícil, testando caminhos alternativos, contornando bloqueios e se adaptando a informações novas. Ao longo do processo, pede esclarecimento quando falta informação e consulta o usuário antes de ações importantes.
Na prática, isso se traduz em tarefas delegadas que rodam por horas. Segundo a Meta, o Muse Wonder planeja o trabalho, distribui partes para subagentes, chama ferramentas em paralelo e se recupera de erros sem interromper a execução. A empresa mede essa capacidade com o FocusBench e com o SWE-Marathon, avaliação de projetos de software de duração muito longa.
A terceira frente é operar softwares como uma pessoa faria. O modelo enxerga e controla navegadores e aplicativos de desktop e celular. Nas demonstrações do lançamento, ele monta um plano de corrida a partir das preferências de um usuário e encomenda brindes personalizados com fotos tiradas do Instagram. Também organiza o mapa de mesas de um casamento cheio de restrições.
A quarta é o conhecimento de domínio em direito, finanças e saúde, áreas em que o usuário precisa entender um contrato de aluguel ou o resultado de um exame. Para direito, a Meta usa o Harvey LAB, que exige trabalhar com documentos originais e seguir instruções detalhadas até produzir uma peça jurídica.
Os números a seguir vêm da tabela que a Meta publicou na página oficial do modelo (Meta, 2026), com todos os concorrentes no nível máximo de esforço de raciocínio. A comparação inclui o Claude Opus 5.5, o Claude Fable 5.1 e o GPT-6 Astra.
A liderança do Muse Wonder Full se concentra em trabalho profissional e em engenharia de longa duração. No índice interno de superinteligência pessoal da Meta, marcou 59,1 contra 55,2 do Opus 5.5. No AutomationBench, de fluxos de negócio de ponta a ponta, fez 45,4% contra 41,6% do Astra. E no SWE-Marathon chegou a 57,5% contra 46,3% do Opus 5.5, a maior distância de toda a tabela.
O quadro se inverte em outras frentes. O Claude Opus 5.5 lidera o ProgramBench, de programação a partir do zero, com 70,5% contra 59% do Wonder Full, além de OSWorld, Terminal-Bench e HealthBench Pro. O GPT-6 Astra fica à frente no GDP.pdf, de trabalho profissional com documentos. No índice agregado da Artificial Analysis, o Opus 5.5 soma 58 pontos, contra 56 do Wonder Full, mesma nota do Claude Sonnet 5.5, e 52 do Wonder (TechRepublic, 2026).
Dois cuidados ajudam a ler a tabela. O primeiro é que a métrica de maior destaque, o Personal Superintelligence Index, é um índice composto pela própria Meta, sem metodologia auditada por terceiros. O segundo é que o mesmo benchmark varia conforme quem roda e em qual versão: o Opus 5.5 aparece com 59,6% no Terminal-Bench 4.0 usado pela Meta, enquanto a Anthropic reportou 66,4% no lançamento do modelo.
A Meta acrescenta um argumento que vai além das notas. Segundo a empresa, o Muse Wonder Full se sai melhor em tarefas que não foram alvo do pós-treinamento do que o histórico do Muse Spark 1.3 faria prever, porque parte de um modelo-base maior. É uma resposta direta à crítica de benchmaxxing, a otimização de modelos para pontuar bem em testes conhecidos. O ponto pesa para agentes pessoais, que enfrentam combinações de objetivos e ferramentas impossíveis de antecipar no treinamento.
Na Meta Model API, o Muse Wonder custa US$ 4 por milhão de tokens de entrada, US$ 0,20 por milhão de tokens lidos do cache e US$ 20 por milhão de tokens de saída. A janela de contexto é de 1 milhão de tokens. É a mesma tabela de preços do Claude Opus 5.5 e menos da metade do GPT-6 Astra, que cobra US$ 10 na entrada e US$ 50 na saída.
A coincidência de preço com o Opus 5.5 desloca a comparação para outro critério. Com o mesmo custo por token, a decisão passa a depender de quantos tokens cada modelo gasta para concluir a mesma tarefa, dado que não aparece nas páginas de lançamento da Meta.
O Muse Wonder Full segue outra lógica. Ele só pode ser usado dentro do Muse Code, nos planos Power Usage, de US$ 50 por mês, e Maximum Usage, de US$ 200 por mês. Os dois oferecem, respectivamente, 20 e 80 vezes o volume do plano básico. Para empresas, isso significa que o modelo mais capaz da família não pode ser integrado a sistemas próprios, apenas usado como ferramenta de programação.
Para desenvolvedores, a API aceita clientes compatíveis com o SDK da OpenAI, o que barateia o teste do modelo em aplicações já existentes. O agente Muse, que deve receber o Muse Wonder em breve, foi lançado apenas nos Estados Unidos e não tem data anunciada para o Brasil.
Um agente pessoal age em nome do usuário e lida com mensagens, calendários e documentos privados. A Meta afirma ter treinado a família Muse Wonder para resistir a instruções maliciosas, como as usadas em ataques de injeção de prompt, e para tratar informação privada com discrição. A empresa também apresenta o Muse Wonder como seu modelo mais alinhado até hoje.
Em riscos de uso indevido, a Meta diz ter aplicado suas salvaguardas mais fortes contra armas químicas, biológicas, radiológicas e nucleares e contra ataques cibernéticos. Ao mesmo tempo, preserva o acesso a capacidades de cibersegurança para uso defensivo, conforme o Meta Superintelligence Scaling Framework, a política da empresa para gerir riscos à medida que os modelos escalam.
O anúncio, porém, deixa lacunas que pesam numa avaliação corporativa. O relatório completo de segurança ainda não foi publicado, e a Meta informa apenas que ele sai em breve. A maior parte dos benchmarks é autodeclarada, a versão Full não tem API e não há definição sobre pesos abertos. Para setores regulados, falta ainda informação sobre retenção de dados na Meta Model API, que não aparece nas páginas de lançamento.
Leia também: Prompt Injection: o que é, como funciona e como proteger sua empresa
Em síntese, o Muse Wonder coloca a Meta pela primeira vez na mesma faixa de capacidade de OpenAI e Anthropic, com um perfil próprio. O modelo lidera em memória e em tarefas longas, justamente as capacidades de que um agente pessoal mais depende, e fica atrás em programação a partir do zero e no índice agregado de inteligência.
Em resumo, o perfil do modelo decorre do produto que ele vai alimentar. A Meta treinou a família pensando no agente que já distribui pelo WhatsApp, por isso priorizou lembrar contexto e persistir em tarefas difíceis. Ao cobrar pelo Muse Wonder exatamente o mesmo que a Anthropic cobra pelo Opus 5.5, empurrou a disputa para a eficiência por tarefa. E, ao reservar o Wonder Full ao Muse Code, deixou o melhor modelo fora do alcance de quem quer integrá-lo.
Para empresas, o lançamento acrescenta mais um fornecedor de modelo de fronteira disponível por API, o que melhora o poder de negociação e reduz a dependência de um único laboratório. Por outro lado, ainda faltam o relatório de segurança e a informação sobre retenção de dados, e o Full segue restrito à assinatura. Hoje, isso torna o Muse Wonder mais adequado a testes controlados do que a processos críticos.
Avaliações independentes devem confirmar ou contestar os números da Meta nas próximas semanas. Até lá, o critério mais confiável continua sendo rodar o modelo nas próprias tarefas e medir o custo por resultado entregue, e não por token.
Quem opera agentes em produção ganhou mais uma opção para comparar e mais um conjunto de benchmarks para verificar. Para acompanhar lançamentos como este com leitura crítica, assine a AI Factory News e receba toda semana a análise do Distrito sobre modelos, agentes e lançamentos de IA.
