Meta (Meta Platforms) (META-US) 12日推出全新人工智能模型 Muse Wonder 与 Muse Wonder Full，进一步扩大旗下 AI 助理 Muse 的能力，同时测试用户是否愿意为更高端的人工智能服务付费。

新模型锁定个人及专业工作代理任务，涵盖法律、金融、健康信息分析、长时间程序开发及跨应用程序操作，Meta 计划先向开发者与订阅用户开放，再逐步集成至一般消费者使用的 Muse。

Meta 表示，Muse Wonder 系列是公司目前能力最强的模型，创建在先前推出的 Muse Spark 基础上，经过约14个月的人工智能研发架构重整后推出。两款模型的主要目标，是让 AI 不只回答问题，也能理解用户的需求、规划多步骤工作、使用工具、处理过程中遇到的错误，并持续运行任务直到完成。

两款模型的定位有所不同。Muse Wonder 已通过 Meta Model API 及程序开发工具 Muse Code 提供用户，开发者可以依实际使用量付费。Muse Wonder Full 则是更高端的版本，专门处理复杂程度更高、运行时间更长的工作流程，目前仅提供 Muse Code 的 Power Usage 与 Maximum Usage 订阅方案用户。

Meta 同时推出 Muse Code 的 Maximum Usage 方案，使用额度为 Everyday Usage 方案的80倍，并维持相同的5小时及每周额度重置机制。Muse Wonder Full 也可通过 Power Usage 方案使用，让开发者依照工作量与使用需求选择订阅层级。

在 API 定价方面，Muse Wonder 每100万个输入 token 收费4美元，每100万个输出 token 收费20美元；已缓存的输入 token 则降至每100万个0.20美元。这代表开发者的实际成本将取决于输入内容、模型生成的回应长度，以及可利用多少缓存内容。

Meta 也计划将 Muse Wonder 集成至面向一般消费者的 Muse 服务，并优先向订阅用户推出。这项安排反映公司正尝试把 AI 模型的技术能力转化为直接收入，而不再只依赖广告等既有商业模式。对 Meta 而言，关键不仅是模型能否完成更多任务作，也在于用户是否认为这些额外能力值得付费。

新模型的一项内核功能是 Active Memory，让 AI 能够在不同对话之间保留与任务相关的重要信息，并在后续工作中重新取用。Meta 希望借此改善用户长期使用 AI 助理时的连续性，避免每次打开新对话都必须重新提供背景数据。

另一项功能 Active Focus，则让模型在遇到困难时持续朝既定目标推进，包括尝试其他解决方法、从错误中恢复，并在必要时向用户询问更多信息。当工作涉及重要操作时，模型也会在运行前确认，以降低代理系统自行采取不适当行动的风险。

Meta 将 Muse Wonder 的应用范围延伸至法律、金融及健康等专业领域，例如协助用户理解租赁合约、整理个人财务、处理保险理赔，以及分析复杂文档。程序开发方面，模型则瞄准从制作小型应用程序、游戏到运行更复杂的软件开发任务，并强调长时间工作流程中的规划、工具使用与调试能力。

在安全设计方面，Meta 表示已针对新模型进行训练，使其避免未经许可泄露私人信息、拒绝协助运行具有实际危害的行为，并加强抵御网络攻击的能力。由于个人 AI 代理可能接触用户的消息、行事历与文档，Meta 认为隐私保护与权限控管是此类产品能否扩大应用的关键。

不过，AI 代理的价值与风险往往同时增加。当模型从单纯回答问题进一步发展至操作软件、使用工具及代表用户完成任务，系统如何判断授权范围、避免误操作，以及在何种情况下必须向用户确认，都将影响产品能否获得消费者与企业信任。

Muse Wonder 的推出也反映 Meta 正加速追赶人工智能竞争对手。过去数年，市场焦点集中在大型语言模型的回答品质与推理能力，如今竞争逐渐转向能够运行实际工作的 AI 代理，以及如何将这些能力转化为订阅收入和开发者服务收入。

Meta 已将人工智能视为长期策略的内核，并投入大量资源建设运算基础设施、招募研究人才及开发自有模型。公司指出，Muse Wonder 系列是在大型 Prometheus 数据中心的运算基础上训练而成，并结合预训练与强化学习等技术，提升模型处理复杂任务的能力。

对投资人而言，Muse Wonder 的商业化进展将成为观察 Meta AI 投资回报的重要指针。若开发者愿意持续使用付费 API，或一般消费者愿意升级订阅以取得更强大的 AI 助理功能，将有助于公司创建广告以外的收入来源；但若用户对价格敏感，或模型表现与竞争产品的差距不足以支持付费，直接变现的成效仍有待观察。

Meta 此次采取分层提供服务的方式，一方面通过 API 按用量向开发者收费，另一方面以 Muse Code 订阅方案提供更高端的模型能力，未来再将部分功能带入一般消费者使用的 Muse。这套策略能否成功，将取决于模型实际表现、使用成本、可靠性与用户对个人 AI 代理的付费意愿。