Meta gir Muse og Meta AI bedre minne og fokus

Active Memory i Muse og Meta AI skal gjøre det mindre nødvendig å gjenta viktig informasjon fra tidligere samtaler. De nye spesialiserte modellene får også Active Focus, som skal hjelpe agenten videre når en oppgave møter en hindring.

Meta kunngjorde utrullingen 6. november 2026. Selskapet bruker Muse Wonder til å trene spesialiserte utgaver av de eksisterende modellene bak Muse og Meta AI. Det er en viktig presisering: Meta gir ikke nødvendigvis alle tilgang til selve Muse Wonder. Selskapet flytter noen av Wonder-egenskapene inn i tjenestene folk allerede bruker.

Det kan høres ut som en liten modelloppdatering, men minne og evnen til å holde fast ved et mål er selve grunnmuren i en nyttig AI-agent. En agent som glemmer premissene eller gir opp ved første feilmelding, er fortsatt mest en pratsom praktikant. Meta hevder nå at Muse bruker kritisk kontekst riktig i 90 prosent av oppgavene, mot 76 prosent tidligere.

Hva har Meta faktisk rullet ut?

Meta ruller ut nye, spesialiserte utgaver av modellene som driver Muse og Meta AI. Modellene er trent ved hjelp av Muse Wonder og får to egenskaper som først ble presentert med Wonder-familien: Active Memory for relevant langtidsminne og Active Focus for mer utholdende oppgaveløsning.

TestingCatalog omtalte utrullingen 9. november, tre dager etter Metas kunngjøring. Meta har ikke oppgitt egne modellnavn, modellstørrelser eller en detaljert tidsplan for når alle kontoer får endringen. «Rulles ut» bør derfor leses bokstavelig. Det betyr ikke at alle nødvendigvis ser de nye egenskapene samtidig.

Dette følger lanseringen av Muse Wonder som Metas frontier-modell for AI-agenter i oktober. Da var Active Memory og Active Focus blant hovedpoengene. Nå bruker Meta Wonder-modellen som treningsgrunnlag for mer spesialiserte modeller. Målet er å spre noen av egenskapene til flere brukere, uten å påstå at alle kjører selve Muse Wonder.

Hva gjør Active Memory?

Active Memory skal skille mellom informasjon som bare gjelder her og nå, og opplysninger som fortsatt er nyttige senere. Modellen trenes til å forstå tid, oppdage når eldre informasjon blir relevant igjen og la utdaterte detaljer ligge. Poenget er ikke å huske alt. Poenget er å huske riktig.

Det skillet er langt viktigere enn et stadig større kontekstvindu. Hvis du planlegger et prosjekt over flere samtaler, kan en gammel frist ha blitt erstattet, en leverandør kan ha falt bort, og et budsjett kan ha blitt justert. En god agent må forstå hvilken opplysning som gjelder nå. Å hente fram alt ukritisk er bare en mer avansert måte å rote på.

I Metas egen Active Memory-evaluering brukte den nye Muse-modellen kritisk kontekst riktig i 90 prosent av oppgavene. Den forrige modellen klarte 76 prosent. Feilraten gikk dermed fra 24 til 10 prosent, som forklarer Metas formulering om 2,4 ganger mindre glemsel av kritisk informasjon. Det er en tydelig forbedring i selskapets egen test, men Meta har ikke publisert antall oppgaver, full testprotokoll eller resultater fra en uavhengig evaluering.

Meta sier at samme arbeid skal gjøre Meta AI bedre til å dele komplekse problemer opp i trinn, stille skarpere oppfølgingsspørsmål og følge med når brukeren endrer retning midt i samtalen. Selskapet har derimot ikke lagt fram tilsvarende prosenttall for Meta AI. De konkrete målingene i kunngjøringen gjelder Muse.

Hva gjør Active Focus?

Active Focus skal holde Muse rettet mot målet når noe uventet skjer. Modellen er trent på flaskehalser fra praktiske oppgaver, slik at den kan prøve igjen, finne en annen vei eller be om avklaring i stedet for å stoppe ved første hindring.

Det er lett å undervurdere hvor viktig dette er. Mange agentdemoer ser flotte ut så lenge nettsiden, filen eller API-et oppfører seg nøyaktig som forventet. Virkeligheten gjør sjelden det. En knapp har flyttet seg, et felt mangler, en innlogging utløper eller et vilkår endres. Agenten må da forstå at metoden feilet uten å miste selve målet.

Meta rapporterer en forbedring på 67 prosent i fullføring av hverdagsoppgaver der uventede problemer oppstår. Selskapet oppgir ikke de absolutte resultatene før og etter, så tallet forteller ikke hvor stor andel av oppgavene modellen faktisk fullførte. En forbedring på 67 prosent kan være imponerende, men den er vanskeligere å vurdere uten startpunkt, utvalg og testoppsett.

Modellene skal også bli bedre til å håndtere flere oppgaver, velge når de kan jobbe selvstendig og når de bør samarbeide direkte med brukeren. Meta fremhever dessuten at de skal tåle nye føringer og presiseringer midt i en oppgave uten å miste tråden. Det er nettopp disse overgangene som skiller en agent fra en vanlig chatbot med en lang systemprompt.

Hvor stor er forbedringen i praksis?

Metas tall peker i riktig retning: kritisk kontekst brukes i 90 prosent av oppgavene, mot 76 prosent før, og Personal Superintelligence Index øker fra 38 til 47 prosent. I tillegg kommer påstanden om 67 prosent bedre fullføring når en hverdagsoppgave møter uventede hindringer.

Det mest håndfaste tallet er minnetesten, fordi Meta gir både før- og etterverdi. Økningen fra 76 til 90 prosent er 14 prosentpoeng. Det er ikke det samme som 14 prosent relativ forbedring, og det er heller ikke det samme som at modellen husker 90 prosent av alt en bruker noen gang har sagt. Målingen gjelder oppgaver der modellen skal bruke kritisk kontekst i Metas eget evalueringsoppsett.

Personal Superintelligence Index er også Metas egen samlemåling. Den viser at selskapet ser en klar forbedring, men navnet er større enn dokumentasjonen som følger med denne korte kunngjøringen. Jeg ville derfor brukt tallene som et signal om retningen, ikke som en ferdig dom over kvaliteten. Uavhengige tester og vanlig bruk over tid må vise om forskjellen merkes utenfor Metas egne scenarioer.

Det finnes heller ingen dokumentasjon her som måler norsk språk, norske dialekter eller norsk tale. Denne utrullingen er en kildebasert nyhet, ikke min egen test. Den sier noe om Metas målte kontekstbruk og oppgavefullføring i Muse, men den gir ikke grunnlag for å påstå at modellen er bedre på norsk.

Hvorfor bruker Meta spesialiserte modeller?

Meta beskriver de spesialiserte modellene som en måte å hente bestemte egenskaper fra Muse Wonder inn i Muse og Meta AI. Selskapet sier at målet er å gi flere tilgang til bedre minne, planlegging og evne til å komme seg videre etter feil.

Dette ligner en praktisk arbeidsdeling: Wonder brukes til å lære fram ønsket atferd, mens mer målrettede modeller gjør jobben i produktet. Meta sier ikke hvilken treningsmetode som er brukt, hvor store de nye modellene er, hvor mye regnekraft de krever eller om de er billigere og raskere. Derfor er det for tidlig å kalle dette destillering eller en bestemt teknisk oppskrift. Det selskapet faktisk bekrefter, er at modellene er trent ved hjelp av Muse Wonder.

For brukeren er modellnavnet mindre viktig enn oppførselen. Muse er på vei fra å være en assistent som svarer på hver enkelt beskjed, til en agent som skal følge opp mål over tid. Det passer også med Metas tidligere plan om å gjøre Muse til en mer aktiv driftspartner for småbedrifter. Da blir minne og utholdenhet ikke pynt på esken, men krav til at tjenesten i det hele tatt skal være nyttig.

Hva bør du se etter når modellen dukker opp?

Se først etter om du må gjenta færre premisser i lengre samtaler. En reell forbedring bør merkes når gammel informasjon blir relevant igjen, når en tidligere beslutning er blitt erstattet, og når du endrer en betingelse midt i arbeidet. Modellen skal hente fram det som fortsatt gjelder uten å dra med seg utdaterte detaljer.

Deretter bør du følge med på hva Muse gjør når en plan ryker. Prøver den en fornuftig alternativ metode, eller gjentar den bare samme feil med nye ord? Ber den om hjelp når en avgjørelse faktisk krever deg, eller fortsetter den på egen hånd uten kontroll? Active Focus er bare nyttig dersom utholdenheten kombineres med dømmekraft.

Ikke gi en oppgradert minnefunksjon mer tilgang enn oppgaven krever. Langtidsminne kan være svært nyttig, men du bør fortsatt være bevisst på hvilke personopplysninger, kundedata og bedriftsopplysninger du legger inn i en skytjeneste. Metas korte lanseringstekst forklarer modellatferden, men gir ikke en full gjennomgang av lagring, sletting eller kontrollene brukeren får over minnet.

Jeg synes dette er en langt mer nyttig retning enn enda en lansering som bare skryter av en topplassering på et smalt benchmark. Hvis Meta faktisk har redusert kritisk glemsel og gjort agenten bedre til å komme seg rundt hindringer, kan det merkes i vanlig arbeid. Men tall fra leverandøren er starten på vurderingen, ikke slutten.

Meta har valgt en fornuftig vei: ta de mest nyttige egenskapene fra Muse Wonder og få dem ut i Muse og Meta AI gjennom spesialiserte modeller. Nå gjenstår den delen som alltid er vanskeligst – å bevise at minnet holder orden på virkelige samtaler, og at fokuset varer når virkeligheten ikke følger demoen.

Ofte stilte spørsmål

Er de nye modellene det samme som Muse Wonder?

Nei. Meta beskriver dem som spesialiserte utgaver av de eksisterende modellene bak Muse og Meta AI, trent ved hjelp av Muse Wonder. De får noen av Wonder-egenskapene, men Meta sier ikke at alle brukere nå kjører selve frontier-modellen.

Når får alle Active Memory og Active Focus?

Utrullingen startet 6. november 2026, men Meta har ikke oppgitt en detaljert tidsplan for land, plattformer eller kontoer. Endringen kan derfor dukke opp gradvis, og manglende synlig modellnavn er ikke nok til å fastslå hvilken modell som kjører.

Lagrer Active Memory alt jeg skriver til Meta AI?

Metas kunngjøring sier at modellen skal skille midlertidig informasjon fra varige og utdaterte opplysninger. Den korte teksten gir ikke en full forklaring av lagring, sletting eller brukerkontroller. Sjekk gjeldende personvern- og minneinnstillinger før du deler følsomme data.

Er Meta AI dokumentert bedre på norsk etter oppdateringen?

Nei, ikke i materialet Meta har publisert om denne utrullingen. Tallene gjelder kritisk kontekst og oppgavefullføring i Muse. De dokumenterer ikke norsk uttale, dialektforståelse, tale eller generell norsk språkkvalitet.