A Meta anunciou o lançamento de novos modelos de IA especializados para usuários do aplicativo de assistente pessoal Muse e da plataforma Meta AI, onde esses modelos leves foram treinados usando o modelo avançado da empresa, Muse Wonder, enquanto a empresa mantém o modelo Wonder original para tarefas mais complexas e para assinantes via API.
A Meta não anunciou nomes comerciais ou símbolos oficiais para os novos modelos, mas esclareceu que foram projetados especificamente para atender às necessidades práticas do usuário comum, como determinar quando devem trabalhar de forma independente ou quando é necessária a revisão do usuário, e lidar com ajustes imediatos durante a execução de tarefas sem perder o contexto essencial.
Recurso de Active Memory e manipulação de contexto
Os novos modelos baseiam-se no recurso Active Memory (Memória Ativa), introduzido anteriormente com o modelo Wonder, uma tecnologia que ajuda os modelos a lembrar detalhes e conectar conversas anteriores e novas. De acordo com dados de avaliação interna da Meta, os novos modelos no Muse tiveram sucesso no uso de contexto crítico em 90% das tarefas, em comparação com 76% das versões anteriores.
Active Focus para superar obstáculos
Além da memória, a Meta equipou os modelos com o recurso Active Focus (Foco Ativo), dedicado a manter a continuidade do trabalho ao enfrentar obstáculos ou erros inesperados no mundo real, como o travamento de sites durante o agendamento de um compromisso ou a conclusão de uma tarefa rotineira. A Meta registrou uma melhoria de 67% na conclusão de tarefas rotineiras ao enfrentar problemas inesperados usando os modelos atualizados.
O que este desenvolvimento representa na prática?
Este lançamento representa uma estratégia de custo-benefício para expandir o alcance das capacidades de IA avançada para uma ampla base de usuários gratuitos através de aplicativos como WhatsApp, Instagram, Facebook e Messenger. Em vez de executar um modelo massivo e de alto custo como o Wonder para todos os usuários, a Meta utiliza os modelos maiores para treinar modelos menores e mais focados em tarefas específicas, como gerenciar a caixa de entrada de e-mails ou fazer reservas em restaurantes, o que reduz os custos operacionais e mantém a eficiência de resposta nos aplicativos de consumo.