Endoxa Asia – Meta memperkenalkan Muse Wonder dan Muse Wonder Full, dua model kecerdasan buatan yang menjadi langkah pertama perusahaan dalam mengembangkan model AI kelas frontier. Dirancang untuk menangani tugas yang lebih kompleks, keduanya membawa peningkatan kemampuan dibandingkan model Muse Spark, termasuk dalam pengodean dan pengolahan informasi.
Diumumkan oleh Meta Superintelligence Labs pada Senin, 12 Oktober 2026, kedua model tersebut menjadi bagian dari upaya Meta untuk mengejar kemampuan AI yang dikembangkan OpenAI dan Anthropic. Salah satu kemampuan yang paling disorot adalah active memory, teknologi yang dirancang untuk membantu AI mengingat dan menyatukan informasi tentang pengguna dalam jangka waktu panjang.
Menurut pengujian internal Meta, Muse Wonder dan Muse Wonder Full mencatat skor benchmark yang sebanding dengan Fable 5.1 dan GPT-6 Astra. Namun, klaim tersebut berasal dari pengujian yang disampaikan perusahaan dan belum dengan sendirinya membuktikan keunggulan dalam seluruh penggunaan nyata.
Muse Wonder Dirancang untuk Tugas AI yang Lebih Kompleks
Peluncuran Muse Wonder melanjutkan pengembangan model Muse Spark yang sebelumnya berfokus pada kemampuan ringan dengan latensi rendah. Berbeda dari pendekatan tersebut, Muse Wonder dirancang dalam skala lebih besar untuk menangani pekerjaan yang membutuhkan kemampuan penalaran dan pemrosesan lebih kompleks.
Meta memperkenalkan dua versi, yakni Muse Wonder dan Muse Wonder Full. Perusahaan menyebut keduanya memiliki kemampuan yang lebih tinggi dibandingkan Muse Spark, dengan peningkatan skor benchmark serta hasil yang lebih baik pada tugas tertentu, termasuk pengodean.
Dalam model card yang diterbitkan Meta, kedua model tersebut dilaporkan memperoleh hasil benchmark yang sebanding dengan Fable 5.1 dan GPT-6 Astra. Meta menggambarkan peluncuran ini sebagai tahapan baru dalam peningkatan skala model AI dan upaya menuju personal superintelligence, yakni AI yang semakin mampu membantu kebutuhan individual penggunanya.
Meski demikian, skor benchmark hanya menggambarkan performa berdasarkan pengujian tertentu. Pengalaman pengguna tetap bergantung pada jenis tugas, kualitas jawaban, konsistensi, dan kemampuan model menangani konteks yang berbeda.
Active Memory Jadi Fokus Pengembangan Meta
Salah satu aspek utama Muse Wonder adalah active memory. Konsep ini merujuk pada kemampuan model untuk mempertahankan, mengingat, dan menyintesis informasi yang diberikan pengguna, termasuk informasi yang terkumpul selama berhari-hari, berminggu-minggu, hingga berbulan-bulan.
Kemampuan tersebut berkaitan dengan visi Meta dalam mengembangkan asisten AI personal yang tidak hanya menjawab pertanyaan satu per satu, tetapi juga dapat membantu pekerjaan yang berlangsung dalam periode panjang.
Sebagai contoh, asisten dengan memori berkelanjutan berpotensi menggunakan informasi dari percakapan sebelumnya untuk memahami preferensi, mempertahankan konteks sebuah proyek, atau menyusun respons yang lebih sesuai dengan kebutuhan pengguna. Contoh tersebut menggambarkan potensi fungsi memori jangka panjang, bukan jaminan bahwa setiap kemampuan itu akan selalu berjalan sempurna pada Muse Wonder.
Peneliti Meta, Kavya Kopparapu, mengatakan perusahaan mencurahkan banyak upaya agar model dapat mengingat informasi yang penting bagi pengguna dalam jangka waktu panjang.
Untuk mendukung klaim tersebut, Meta menyoroti MemoryBench, benchmark yang menguji kemampuan pembelajaran berkelanjutan dan pembentukan memori. Berdasarkan pengujian perusahaan, Muse Wonder memperoleh skor lebih tinggi daripada Fable, Opus, dan Astra dalam benchmark tersebut.
Namun, kemampuan mengingat informasi juga membawa pertanyaan tentang pengelolaan data pribadi. Semakin banyak konteks pengguna yang dipertahankan oleh sebuah asisten AI, semakin penting pula transparansi mengenai informasi yang disimpan, cara informasi digunakan, dan kendali pengguna terhadap memorinya.
Berapa Harga Muse Wonder?
Meta menetapkan harga akses Muse Wonder melalui Meta Model API sebesar US$4 per satu juta token input dan US$20 per satu juta token output.
Token input merupakan unit pemrosesan informasi yang dikirim ke model, seperti pertanyaan atau instruksi pengguna. Sementara itu, token output merupakan unit yang digunakan untuk menghasilkan jawaban. Karena jumlah token bergantung pada panjang dan kompleksitas interaksi, biaya penggunaan akan mengikuti volume pemrosesan tersebut.
Berbeda dari Muse Wonder, versi Muse Wonder Full tidak tersedia melalui API. Berdasarkan pengumuman yang diberitakan TechCrunch, model tersebut hanya dapat diakses oleh pelanggan Muse Code.
Kedua model juga akan digunakan untuk mendukung Muse, agen AI milik Meta. Integrasi ini memperlihatkan bahwa pengembangan model tidak hanya diarahkan pada percakapan, tetapi juga pada sistem yang dapat membantu menjalankan tugas dengan konteks yang lebih panjang.
Langkah Baru Meta dalam Persaingan AI Frontier
Peluncuran Muse Wonder menjadi perkembangan penting dalam strategi AI Meta setelah perusahaan menata ulang upaya pengembangan kecerdasannya pada 2025. Restrukturisasi tersebut dikaitkan dengan peran Alexandr Wang, pendiri Scale AI, dalam perubahan organisasi AI Meta.
Setelah perubahan itu, Meta lebih dahulu memperkenalkan Muse Spark dan Muse, agen AI yang diumumkan pada September 2026. Muse Wonder dan Muse Wonder Full kini memperluas strategi tersebut ke model yang ditujukan untuk pekerjaan lebih kompleks.
Meta menyatakan model-model baru itu dilatih di pusat data Prometheus yang berlokasi di Ohio tengah, Amerika Serikat. Fasilitas tersebut mulai beroperasi pada tahun yang sama dengan pengumuman Muse Wonder.
Langkah ini menempatkan Meta dalam persaingan pengembangan model AI berkemampuan tinggi, ketika perusahaan teknologi berlomba menghadirkan sistem yang dapat menangani tugas kompleks sekaligus menjadi asisten personal.
Bagi pengguna, perkembangan yang patut diperhatikan bukan hanya skor benchmark atau ukuran model, melainkan seberapa konsisten AI membantu pekerjaan sehari-hari, seberapa baik ia mempertahankan konteks, dan bagaimana informasi pribadi dikelola.
Muse Wonder menandai upaya Meta memperluas kemampuan modelnya ke arah tersebut. Sejauh mana active memory dapat memberikan manfaat nyata akan bergantung pada penerapannya, hasil penggunaan di luar pengujian internal, serta perlindungan yang disediakan bagi data pengguna.
About The Author
Komentar