摘要： Meta 在 2026 年 11 月 6 日宣布，將旗下 Muse 和 Meta AI 背後的模型換成用 Muse Wonder 訓練出來的特化版本，把這款旗艦模型的 Active Memory 與 Active Focus 能力帶給一般用戶。Meta 給出的數字包括 Active Memory eval 從 76% 升到 90%，以及遇突發狀況的任務完成率提升 67%。對做 agent 產品的人來說，這是一個把前沿能力「往下沉」到消費端產品的具體案例，值得拆開來看。
特化模型是怎麼做出來的
這次的重點不是發布新模型，而是把既有模型重新訓練。根據 Meta AI Research 的公告，Muse 和 Meta AI 現在使用的特化版本是「trained using Muse Wonder」，也就是以旗艦模型作為能力來源，把關鍵行為移植到日常產品背後的模型上。
Meta 在文中提到的訓練目標相當具體：模型要能判斷資訊屬於暫時還是永久、跨時間推理、分辨哪些內容仍然相關哪些已經過時；還要在各種貼近現實的瓶頸場景上受訓，學會更努力嘗試、自行恢復或代用戶找替代方案。此外，特化模型也繼承了 Muse 特別重視的行為，例如知道什麼時候該獨立推進目標、什麼時候該和用戶即時協作，並且能在任務執行中間接受用戶的修正而不會混亂。
Active Memory：先分清「會過期」的資訊
Active Memory 的核心機制是對記憶做分類管理。Meta 聲稱改版後的 Muse 在遺忘關鍵目標資訊方面減少了 2.4 倍，Active Memory eval 的成績從前一版的 76% 提升到 90%（評測指標是「正確使用關鍵上下文的任務比例」）。同一份公告也把 Personal Superintelligence Index 的成績從 38% 提升到 47%。
實務上，這正是做長期 agent 最痛的地方：用戶第一週說的預算上限，到了第四週還算不算數？我之前在討論 Meta 把記憶和持續專注做成產品功能時提過，把「記憶該記什麼、該忘什麼」當成一等公民來設計，比單純加大 context window 更關鍵。這次 Meta 把同一套能力落到消費端模型，等於替這個方向再背書一次。
Active Focus：卡關時不把問題丟回給你
另一項移植的能力是 Active Focus。按 Meta 的描述，模型在遇到預期外的挑戰時，會繼續朝目標推進：更用力嘗試、自行恢復，或代表用戶找替代路徑。Meta 給出的數字是，Muse 的模型在「出現突發狀況的日常任務」上完成率提升了 67%。
這個設計方向值得留意：它把「卡住了怎麼辦」從用戶的負擔移回模型端。對 builder 的啟示是，評估自家 agent 時不能只測順利路徑，要主動在流程裡塞入失敗點，看它會不會自己繞過去。
同一週的語音消息，補上同步機制的細節
時間點上，Meta 在 11 月 5 日也發布了 Muse Voice，據 Unwire 報導，功能由 Muse Realtime Voice 和 Muse Realtime Avatar 兩項即時模型組成：語音模型產生一個同時包含說話內容和表達方式的訊號，聲音解碼器與動畫模型共用同一訊號來源，因此聲音、嘴形與表情能保持同步。用戶可以在 AI 回答途中直接插話，Muse 提供數百種聲線可選。這雖然不是這次特化模型公告的一部分，但同樣指向「消費端 agent 朝即時互動走」的同一條路。
這份資料沒說的事，和下一步該驗什麼
先講邊界。所有數字都來自 Meta 自家評測，目前沒有獨立基準可驗證 Personal Superintelligence Index、Active Memory eval 或那 67% 的提升。語音與虛擬角色功能目前僅在美國開放，Meta 尚未公布香港及其他市場的上線時間；延伸到 AI 眼鏡與 Muse Charm 的日期也未確定。另外要分清楚，所謂「視像通話」是與動畫角色交談，並非與真人視訊，資料也未顯示系統會透過用戶鏡頭辨識表情。
如果要從這次改動裡帶走一件可執行的事：替自己的 agent 設計兩組測試——一組驗記憶的時效性（把舊資訊標記為過期後，看模型還會不會引用），一組驗卡關恢復（在中途注入障礙，看它是否自行找替代方案）。Meta 沒有公開「用 Wonder 訓練特化模型」的具體方法，小團隊能否複製這種蒸餾流程，目前資料不足以回答，這也是接下來最值得追的技術細節。