Meta ha anunciado el lanzamiento de nuevos modelos de inteligencia artificial especializados para los usuarios de la aplicación de asistente personal Muse y la plataforma Meta AI. Estos modelos ligeros han sido entrenados utilizando el modelo avanzado de la compañía, Muse Wonder, mientras que la empresa mantiene el modelo Wonder original para tareas más complejas y para suscriptores a través de la API.
Meta no ha anunciado nombres comerciales ni códigos oficiales para los nuevos modelos, pero ha aclarado que han sido diseñados específicamente para adaptarse a las necesidades prácticas del usuario común, como determinar cuándo deben operar de forma autónoma o cuándo requieren la revisión del usuario, y gestionar modificaciones instantáneas durante la ejecución de tareas sin perder el contexto esencial.
La función de memoria activa y el manejo del contexto
Los nuevos modelos se basan en la función de Active Memory (memoria activa) presentada anteriormente con el modelo Wonder, una tecnología que ayuda a los modelos a recordar detalles y conectar conversaciones pasadas con las nuevas. Según los datos de evaluación interna de Meta, los nuevos modelos en Muse lograron utilizar el contexto crítico en el 90% de las tareas, en comparación con el 76% de las versiones anteriores.
Enfoque activo para superar obstáculos
Además de la memoria, Meta ha dotado a los modelos de la función Active Focus (enfoque activo), diseñada para mantener la continuidad del trabajo al enfrentar obstáculos o errores inesperados en el mundo real, como la caída de sitios web durante la reserva de una cita o la realización de una tarea rutinaria. Meta registró una mejora del 67% en la finalización de tareas rutinarias al enfrentar problemas inesperados utilizando los modelos actualizados.
¿Qué representa este avance en la práctica?
Este lanzamiento representa una estrategia rentable para ampliar el alcance de las capacidades de inteligencia artificial avanzada hacia una amplia base de usuarios gratuitos a través de aplicaciones como WhatsApp, Instagram, Facebook y Messenger. En lugar de ejecutar un modelo masivo y de alto costo como Wonder para todos los usuarios, Meta utiliza los modelos grandes para entrenar modelos más pequeños y más enfocados en tareas específicas, como la gestión del buzón de entrada o la reserva de restaurantes, lo que reduce los costos operativos y mantiene la eficiencia de respuesta en las aplicaciones de consumo.