Meta 为 Muse 和 Meta AI 推出 Active Memory 与 Active Focus…

Meta AI Research 于 2026 年 11 月 6 日宣布，正在推出 Muse 和 Meta AI 背后模型的专用版本，这些模型使用 Muse Wonder 训练，当前 Muse 模型在其个人超级智能指数上得分为 47%，而上一版模型为 38%。

此次更新为两款产品带来了 Active Memory 和 Active Focus。所部署的模型是 Meta 现有系统的专用版本，通过 Muse Wonder 得到改进，而非 Wonder 系列本身的推出。这种方式借助助手现有的模型，将 Wonder 引入的能力扩展给更多人。

Active Memory 选择相关上下文

Active Memory 让助手能够保留重要信息，并在这些信息与后续对话相关时将其调取出来。训练内容涵盖临时信息与永久信息之间的区别、随时间推移进行推理，以及识别细节何时仍然相关或已经过时。这使得记忆成为一个关于选择与时机的问题：模型必须判断哪些先前的上下文现在适用，哪些已经过时。

对于改进后的 Muse 模型，Meta 报告称，对用户目标至关重要的信息的遗忘减少了 2.4 倍。其 Active Memory Eval 显示，当前模型在 90% 的任务中正确使用了关键上下文，而上一版模型为 76%。这些数字描述的是问题的不同方面：保留实现目标所需的信息，以及在任务过程中正确应用该上下文。

Active Focus 让任务持续推进

Active Focus 旨在当意外挑战打断工作时，让 Muse 继续朝着目标推进。Meta 使用旨在反映现实条件的各种瓶颈对模型进行训练，使其能够为用户坚持、恢复或寻求替代方案。在 Muse 中，Meta 报告称，在出现意外问题的日常任务上，完成率提升了 67%。

这些专用模型还处理智能体在任务进行中如何与人协作的问题。它们被设计为能够同时处理多项事务，在独立推进与实时协作之间做出选择，并纳入引导或澄清而不至于困惑或丢失任务。这将坚持性与响应性联系起来：智能体可以继续追求目标，同时在用户介入时仍能改变方向。

在 Meta AI 中，同样的改进旨在让助手成为更好的思考伙伴和协作者。它可以将复杂问题拆解为清晰的步骤，提出更精准的追问，并在用户于对话中途改变方向时保持同步。

对用户而言，此次推广的实际考验在于连续性：有用的上下文能否在情况变化后得以保留，工作能否从障碍中恢复，以及能否在不丢失目标的情况下纳入修正。这些行为将 Meta 报告的结果与其打算在 Muse 和 Meta AI 中支持的日常协作联系起来。