Meta发布Muse Wonder，强化记忆与长程执行

发生了什么

Meta在10月12日发布Muse Wonder与Wonder Full，强调长期记忆和持续完成复杂任务。Wonder通过Meta Model API及Muse Code开放，Full面向Muse Code订阅用户；进入个人助手Muse的推送另按阶段进行。1

对读者来说，首先要分清模型、开发工具和个人助手。某个模型已经在API出现，并不代表所有应用界面都同步切换。

具体是什么

Meta把两项能力称为Active Memory和Active Focus：前者关注跨对话寻找相关背景，后者关注持续执行、处理阻碍并适应新信息。1 这类能力最终是否有用，需要在连续工作中观察。

例如，品牌资料发生修改后，助手能否在下一次设计中使用新版本；项目调整截止日期后，它能否识别旧计划已经失效。只让模型复述一句用户偏好，无法测出这些关键差异。

Simon通过自己的命令行插件测试了新模型，并分享了不同推理档位的图形样例。2 这可作为使用线索，但单类样例不能替代工作流评估。

怎么用

从官方发布页进入API或Muse Code，核对账户支持情况后，选一个需要多轮背景的任务。1 建议先用非敏感资料搭建小型测试项目。

第一轮提供目标、约束和旧资料；第二轮只更新其中一项要求；第三轮要求模型交付结果并说明依据。检查它是否采用最新版本、是否把不相关的记忆带入结果，以及遇到冲突时是否能指出问题。

如果用于编程，可让模型完成一个模块的修改、测试和说明，而不是无限制地“把产品做完”。每个阶段保留可查看的文件与执行结果，便于在失败时确定原因。

对于长期记忆，还应准备删除或纠正背景信息的场景，确认错误记录不会一直影响后续输出。

意味着什么

我的判断是，个人助手的竞争正从单轮回答扩展到持续合作质量。用户需要的是在适当时机想起正确背景，同时知道什么时候旧信息不再适用。

这会让小团队更重视资料管理。版本、负责人和有效日期越清楚，助手越容易正确引用。相反，长期记住一堆互相冲突的文件，未必比每次重新提供一份干净材料更有效。

对内容创作者，这也是更有价值的测评方向：公开连续任务的变化过程，观察模型怎样纠错，而不是只展示一次惊艳输出。

局限与风险

Meta的能力表述与评测结果来自其公布的方法，个人样例也有覆盖范围限制。12 本文没有亲自运行模型。

长期记忆可能保存错误判断，持续执行也可能放大最初的误解。接入应用前，要确认实际权限、任务结束条件和重要动作的复核方式。模型能保持专注，不代表它知道业务中所有隐藏约束。