Meta、能動的メモリを備えた初のフロンティアAIモデル「Muse Wonder」を発表

MetaのSuperintelligence Labは、「Muse Wonder」と「Muse Wonder Full」のリリースにより、フロンティアモデル領域へ正式に進出しました。2026年10月12日（月）に発表されたこれらのモデルは、他の主要なAIラボが開発した最先端システムと直接競合するための、同社にとって初めての試みです。今回の発表は、軽量で効率重視のモデルから、複雑な推論や長期的なインタラクションに対応する高機能システムへと軸足を移すという、Metaの戦略的な転換を示しています。

何が起きたか

新リリースである「Muse Wonder」と「Muse Wonder Full」は、Metaの以前のモデル「Muse Spark」よりも規模が大きく、より高性能なものとして位置づけられています。「Muse Spark」が低遅延と軽量なパフォーマンスに焦点を当てていたのに対し、「Wonder」シリーズはより高いベンチマークスコアや、ソフトウェアコーディングなどの要求の高いタスクでの優れた結果を目指しています。モデルカードに記載されているMetaの内部テストによると、両方の「Wonder」モデルはFable 5.1やGPT-6 Astraに匹敵する性能指標を達成しており、現在利用可能な商用AIモデルの中でトップティアに確実に入っています。

これらのモデルへのアクセスは、異なるチャネルを通じて提供されます。「Muse Wonder」はMeta Model API経由で利用可能で、価格は入力トークン100万あたり4ドル、出力トークン100万あたり20ドルです。この価格設定は、GPT-6 SolやOpus 5.5などの競合他社 closely alignsしています。一方、「Muse Wonder Full」は公開APIでは提供されません。代わりに、Metaの特化型コーディング環境である「Muse Code」のサブスクライバーのみが独占的に利用できます。また、両モデルとも、Metaのより広範なパーソナルアシスタントプラットフォームである「Muse agent」の基盤エンジンとしても機能します。

今回のリリースは、Scale AI創業者のAlexandr Wang氏が主導し、前年8月に実施されたMetaのAI部門の大規模再編成に続くものです。その再編成以来、Metaは軽量なモデルやエージェントのリリースに注力していましたが、OpenAIやAnthropicのような注目度の高い最先端モデルのリリースは避けていました。これらの新モデルのトレーニングは、2026年前半に稼働を開始したオハイオ州中部にあるMetaのPrometheusデータセンターで行われました。

仕組み

「Muse Wonder」モデルにおける中心的な技術革新は、Metaが「アクティブメモリー（active memory）」と呼ぶ機能です。この機能により、モデルはユーザーから数日から数ヶ月にわたって提供された情報を保持し、統合することが可能になります。これは、長時間のセッションにおいてコンテキストの維持や特定のユーザー設定の想起に苦戦することが多い、現在の大型言語モデル（LLM）の一般的な課題に対処する設計です。継続学習とメモリ構築を改善することで、これらのモデルは一時的なクエリ処理機ではなく、パーソナライズされたアシスタントのように機能することを目指しています。

この能力を検証するために、Metaは継続学習とメモリ保持のためのフレームワークを特にテストするベンチマーク「MemoryBench」を利用しました。これらのテストにおいて、「Muse Wonder」はFable、Opus、Astraよりも高いスコアを記録したと報告されています。アーキテクチャは、重要なユーザー固有のデータを識別・保存する能力を優先しており、モデルが個人のニーズに対する永続的な理解を構築できるようにしています。研究科学者のKavya Kopparapu氏は、チームが「ユーザーにとって重要なことを時間とともに記憶できること」を確保することに重点を置いたと述べています。

主要な詳細

• 「Muse Wonder」と「Muse Wonder Full」はMeta初のフロンティアモデルであり、以前の「Muse Spark」の能力を上回ります。
• Metaのモデルカードによると、両モデルのベンチマークスコアはFable 5.1およびGPT-6 Astraに匹敵します。
• 「Muse Wonder」はAPI経由で利用可能で、価格は入力トークン100万あたり4ドル、出力トークン100万あたり20ドルです。
• 「Muse Wonder Full」は「Muse Code」のサブスクライバー限定であり、公開APIからはアクセスできません。
• モデルには「アクティブメモリー」機能が搭載されており、長期想起に関するベンチマーク「MemoryBench」で競合他社より高いスコアを記録しています。
• トレーニングは、2026年前半に開設されたオハイオ州中部のPrometheusデータセンターで実施されました。

なぜ重要なのか

ソフトウェアエンジニアやテック系創業者にとって、「Muse Wonder」の導入は、ハイエンドなAI推論における競争環境を広げるものです。GPT-6 Solなどの確立されたリーダーとの価格同等性は、トップティアモデル間での差別化要因がコストではなくなることを示唆しています。代わりに、差別化はアクティブメモリーや統合の深さといった専門的な機能からもたらされる可能性が高いです。パーソナライズされたコーチングアプリや複雑なプロジェクト管理ツールなど、長期的なユーザーコンテキストを必要とするアプリケーションを開発している開発者にとって、メモリ保持を明示的に最適化した実行可能な代替手段が新たに登場しました。

「Muse Wonder Full」を「Muse Code」のサブスクライバーに限定することは、AIサービスにおける垂直統合のトレンドが高まっていることも浮き彫りにしています。最も強力なモデルを特定のサブスクリプションエコシステム内に留めることで、Metaは開発者が生のAPIアクセスだけでなく、ツールスイート全体を採用するようにインセンティブを与えています。この動きは、オープンAPIアクセスの柔軟性と、統合された独自スタックによる潜在的なパフォーマンス向上のバランスを取りながら、チームが開発環境を選択する方法に影響を与える可能性があります。

できること

• アプリケーションで競争力のある価格での高性能推論が必要な場合、Meta Model APIを通じて「Muse Wonder」を評価してください。
• MemoryBenchスタイルのプロンプトを使用して「アクティブメモリー」機能をテストし、長期コンテキスト保持がユーザー体験を改善するかを確認してください。
• チームがAI支援コーディングに大きく依存しており、より強力な「Muse Wonder Full」へのアクセスを望む場合は、「Muse Code」へのサブスクリプションを検討してください。
• トークン価格と統合の複雑さを考慮に入れ、GPT-6 SolやOpus 5.5と比較した総所有コスト（TCO）を比較検討してください。
• これらのモデルによって駆動される「Muse agent」のパフォーマンスを監視し、アクティブメモリーが実際のリアルワールドのアシスタントタスクにどう変換されるかを理解してください。
• コーディングや推論タスクにおける具体的な精度要件を満たすことを確認するため、詳細なベンチマークデータを含むモデルカードを確認してください。