Meta ha iniciado la distribución de nuevos modelos de inteligencia artificial especializados para todos los usuarios de su agente personal Muse y otros servicios de Meta AI. Estos modelos han sido entrenados utilizando su avanzado modelo de frontera, Muse Wonder, que sigue disponible para los suscriptores con tareas más complejas.
Aunque Meta no ha revelado los nombres de estas nuevas versiones, se sabe que son variantes «especializadas» basadas en la tecnología de Muse Wonder y que incorporan dos innovadoras funcionalidades: Memoria Activa y Enfoque Activo, características que debutaron con Wonder.
Muse Wonder fue presentado el 12 de octubre junto a su versión más potente, Wonder Full, esta última restringida a los planes más caros de Muse Code, el agente orientado a la programación de Meta. Mientras tanto, los modelos Wonder están accesibles vía la API de Meta Model y en escenarios de uso general como en la app Muse. 
Modelos entrenados con Wonder para todos los usuarios
Lanzada en septiembre, la aplicación Muse de Meta se basó inicialmente en un modelo más pequeño, Muse Spark, ganando popularidad al introducir a los consumidores en el concepto de agentes personales. Destaca que Muse ofrece un nivel gratuito, lo cual reduce la barrera de entrada frente a otras propuestas como Dots de OpenAI o Duet de Anthropic, que requieren planes de suscripción elevados.
Desde un punto de vista técnico, Meta no se limitó a crear una versión a escala reducida del modelo Wonder, sino que entrenó estos nuevos modelos focalizándose en las conductas y necesidades reales que se demandan en una app de consumo como Muse. Esto implica que los agentes tienen la capacidad de decidir cuándo avanzar por su cuenta y cuándo consultar al usuario, además de adaptarse a correcciones durante el desarrollo de una tarea sin perder el hilo.
Utilizar un modelo avanzado para entrenar versiones más ligeras es una práctica común para implementar comportamientos de frontera a gran escala, aunque Meta no ha ofrecido detalles específicos sobre su metodología.
Además, estos modelos están diseñados para usos muy concretos: un agente personal debe ser capaz de reservar mesa en un restaurante o gestionar el buzón de un usuario, funciones para las que no es necesario que el modelo tenga una comprensión tan amplia como un modelo de frontera, pero sí que pueda recordar información relevante de semanas atrás y continuar tareas complejas, incluso si surgen fallos técnicos durante el proceso.
Cómo funciona Memoria Activa
Memoria Activa es una función que permite que los modelos retengan y utilicen detalles de conversaciones previas en interacciones nuevas. Meta explica que sus modelos aprendieron a distinguir entre información temporal y permanente, razonando a través del tiempo para determinar qué datos siguen siendo relevantes y cuáles han quedado obsoletos.
Según las evaluaciones internas de Meta, los modelos con Memoria Activa utilizan correctamente el contexto crítico en el 90% de las tareas, una mejora sustancial frente al 76% con el modelo anterior.
La capacidad de Enfoque Activo
Enfoque Activo es otra capacidad que garantiza que los modelos persistan en una tarea cuando surgen problemas inesperados. Meta señala que entrenaron a sus modelos para superar diversos cuellos de botella reales, de forma que puedan esforzarse más, recuperarse o encontrar alternativas por cuenta propia.
En Muse, esto se traduce en una mejora del 67% en la finalización de tareas rutinarias ante imprevistos, aunque la compañía no ha especificado la referencia anterior para este dato.
Estos modelos también optimizan la capacidad de decidir cuándo trabajar de forma autónoma y cuándo solicitar confirmación, además de manejar correcciones durante el desarrollo de una tarea sin perder el rumbo.
Dos niveles de modelos para usuarios y suscriptores
En la API de Meta, el acceso a Wonder tiene un coste de 4 dólares por cada millón de tokens de entrada y 20 dólares por cada millón de tokens de salida. Por su parte, Muse ofrece una versión gratuita y Meta AI está integrado en plataformas como WhatsApp, Instagram, Facebook y Messenger.
El entrenamiento de modelos más ligeros con la tecnología Wonder supone una forma más económica de ofrecer capacidades avanzadas a un gran número de usuarios, en lugar de desplegar el modelo Wonder completo para todos ellos.
