[AINews] Muse, Glimmer et Spark : les poids ouverts relancent la promesse de superintelligence personnelle

[AINews] Dreamer rejoint Meta Superintelligence Labs, bilan de 9 mois sur la Superintelligence Personnelle

Meta Superintelligence Labs vient de réaliser une nouvelle opération éclair en recrutant l'équipe de Dreamer, une startup spécialisée en agents personnels, à peine 11 jours après l'enregistrement d'un podcast avec ses fondateurs. Ce mouvement, qualifié d'execuhire, une formule hybride alliant licence technologique, recrutement et acquisition partielle sans rachat total, confirme l'appétit vorace de Nat Friedman et Alex pour les équipes capables de construire une couche d'agents grand public. Ce recrutement intervient au moment précis du 9e anniversaire du manifeste "Personal Superintelligence" de Mark Zuckerberg, dans lequel il annonçait vouloir offrir à chaque utilisateur une superintelligence personnelle capable de connaître ses objectifs, ses aspirations et de l'aider à les atteindre. Dreamer et son agent Sidekick, un système d'agents-dans-l'agent centré sur l'utilisateur, s'inscrit directement dans cette vision. L'enjeu pour Meta est clair : contrôler la distribution grand public d'une IA profondément personnalisée, un terrain où l'écosystème et le reach de Team Zuck constituent un avantage décisif. Cette opération fait suite à l'acquisition de Manus en décembre pour 2 milliards de $, également bouclée en 10 jours. Si Manus impressionnait par sa technique et sa distribution, Dreamer se distingue par une approche plus "OS", une philosophie d'écosystème plus intégrée. La combinaison des deux équipes positionne Meta Superintelligence Labs parmi les laboratoires d'agents grand public les plus redoutables au monde. En parallèle, le secteur observe une convergence des architectures agentiques vers des workflows longs, parallélisés et riches en outils. Anthropic a notamment élargi les capacités de Claude au contrôle direct du bureau (souris, clavier, écran) sur macOS via Claude Cowork et Claude Code, tandis que plusieurs praticiens soulignent que le vrai goulot d'étranglement n'est plus la puissance des modèles, mais leur fiabilité opérationnelle dans des tâches réelles.

Meta Superintelligence Lab lance Muse Spark : modèle multimodal avec compression du raisonnement et agents parallèles

Meta Superintelligence Labs a dévoilé Muse Spark, le premier modèle de sa famille Muse, marquant une étape majeure dans la course aux modèles de raisonnement multimodaux. Conçu nativement pour traiter texte et images de manière simultanée -- et non via un module visuel ajouté après coup -- Muse Spark intègre l'utilisation d'outils, un raisonnement visuel en chaîne de pensée, et une orchestration multi-agents. Sur le benchmark ScreenSpot Pro, qui évalue la capacité à localiser des éléments d'interface dans des captures d'écran, le modèle obtient un score de 72,2 (84,1 avec outils Python), devançant Claude Opus 4.6 Max à 57,7 et GPT-5.4 Xhigh à 39,0. Ces chiffres positionnent Muse Spark parmi les meilleurs modèles actuels sur les tâches combinant vision et langage. Ce qui distingue techniquement Muse Spark, c'est l'approche de Meta autour de trois axes de montée en puissance : le préentraînement, l'apprentissage par renforcement (RL), et le raisonnement au moment de l'inférence. Sur le préentraînement, Meta a entièrement reconstruit sa pile technique en neuf mois, atteignant les mêmes capacités que son précédent modèle Llama 4 Maverick avec dix fois moins de calcul. Le RL, appliqué après le préentraînement, entraîne le modèle à produire de bonnes réponses plutôt qu'à simplement prédire des tokens -- Meta annonce une progression log-linéaire stable sur les métriques pass@1 et pass@16. Enfin, le raisonnement à l'inférence introduit un phénomène que l'équipe appelle "thought compression" : le modèle apprend d'abord à penser plus longtemps pour mieux répondre, puis une pénalité sur la longueur de la réflexion le force à comprimer son raisonnement, avant qu'il n'étende à nouveau ses solutions pour atteindre de meilleures performances. Cette dynamique produit un modèle plus efficace par token généré. Le mode Contemplating représente peut-être l'innovation architecturale la plus audacieuse : Muse Spark peut orchestrer plusieurs agents en parallèle au moment de l'inférence, chacun explorant une piste de raisonnement différente. Ce choix s'inscrit dans une stratégie plus large de Meta, qui investit massivement dans l'infrastructure -- dont le data center Hyperion -- pour soutenir ces trois axes de scaling simultanément. La division a été rebaptisée Meta Superintelligence Labs, signalant une ambition explicite de leadership sur l'AGI. Avec OpenAI, Google DeepMind et Anthropic qui poussent chacun leurs propres architectures de raisonnement, la sortie de Muse Spark illustre que la prochaine frontière ne sera pas seulement la taille des modèles, mais la manière dont ils apprennent à penser -- et à comprimer cette pensée -- avant de répondre.

Meta Superintelligence Labs lance Muse Spark 1.1, un modèle de raisonnement multimodal pour les tâches à base d'agents sur Meta Model API

Meta Superintelligence Labs a dévoilé Muse Spark 1.1, un modèle de raisonnement multimodal conçu pour les tâches agentiques, et a ouvert en parallèle un aperçu public de la Meta Model API. Ce second élément marque un tournant structurel : jusqu'ici, les modèles de Meta étaient distribués principalement en poids ouverts, alors que Muse Spark 1.1 est fermé, hébergé et facturé au token. Le modèle dispose d'une fenêtre de contexte d'un million de tokens (1 048 576 selon la documentation technique de l'API) et accepte du texte, des images, de la vidéo et des documents en entrée, avec une sortie textuelle. Son effort de raisonnement est ajustable à chaque requête, et l'API propose en complément la sortie structurée, l'appel d'outils en parallèle, une Files API, la mise en cache des prompts et un outil de recherche web renvoyant des réponses sourcées. Côté accès, les particuliers profitent du mode "Thinking" gratuitement dans l'application Meta AI et sur meta.ai, tandis que les développeurs paient 1,25 dollar par million de tokens en entrée et 4,25 dollars par million en sortie, avec 20 dollars de crédits offerts à la création d'un compte. Le lancement reste pour l'instant réservé aux États-Unis, sans disponibilité en Europe. Sur le plan des performances, Meta positionne clairement Muse Spark 1.1 comme un modèle d'orchestration plutôt qu'un champion du code. Il domine les benchmarks liés à l'usage d'outils : 88,1 sur MCP Atlas contre 82,2 pour Opus 4.8, 75,3 pour GPT-5.5 et 78,2 pour Gemini 3.1 Pro, et 54,7 sur JobBench contre 48,4, 38,3 et seulement 15,9 pour Gemini. Il obtient aussi le meilleur score sur Humanity's Last Exam (62,1). En revanche, sur le code pur, il se classe troisième, avec 61,5 sur SWE-Bench Pro et 53,3 sur DeepSWE 1.1, loin derrière Gemini 3.1 Pro sur ce dernier test (67,0). Ce qui distingue vraiment le modèle, c'est sa gestion active de son contexte massif : il mémorise ses actions, retrouve des informations issues de travaux antérieurs et compacte ce qu'il conserve. Il peut aussi déléguer des tâches à des sous-agents en parallèle lorsqu'il agit comme agent principal, et exécuter fidèlement une mission tout en sachant remonter un problème lorsqu'il agit comme sous-agent, avec une capacité de généralisation immédiate à de nouveaux outils, serveurs MCP ou compétences personnalisées. Cette sortie s'inscrit dans une bataille plus large entre grands laboratoires d'IA pour dominer les usages agentiques, où la capacité à orchestrer des outils et des sous-tâches complexes compte désormais autant que la performance brute sur le code. En rendant son API compatible avec le format OpenAI, Meta facilite l'intégration : migrer vers Muse Spark 1.1 revient essentiellement à changer une URL de base plutôt qu'à réécrire une application, et les environnements compatibles avec le format Anthropic peuvent pointer vers l'équivalent Messages API. Pour l'automatisation d'ordinateur, le modèle a été entraîné à choisir entre écrire un script ou cliquer directement selon ce qui est le plus efficace, générant des lots d'actions à chaque étape. L'absence d'accès européen et le choix par Meta de son propre jeu de benchmarks invitent toutefois à la prudence avant d'en tirer des conclusions définitives sur sa supériorité réelle face aux modèles concurrents.

💬 Muse Spark 1.1 n'essaie pas de battre GPT-5.5 ou Gemini sur le code, il joue une autre partie : celle de chef d'orchestre qui délègue à des sous-agents et gère un million de tokens de contexte sans perdre le fil. C'est révélateur d'un vrai basculement dans la course à l'IA, la bataille se déplace du "qui code le mieux" vers "qui orchestre le mieux", et les scores sur MCP Atlas ou JobBench comptent maintenant autant que SWE-Bench. Reste que c'est fermé, payant, réservé aux US, et benchmarké par Meta lui-même, donc j'attends de voir ça tourner ailleurs qu'en démo avant de crier au génie.

Meta ouvre son laboratoire sur la superintelligence et publie son premier modèle, Muse Spark

Meta a dévoilé mercredi Spark, le premier modèle d'intelligence artificielle de sa nouvelle famille Muse, présentée comme "une refonte de fond en comble" de ses efforts en matière d'IA. Ce lancement est le premier produit concret des Meta Superintelligence Labs, une structure créée il y a moins d'un an avec l'objectif affiché de "tenir la promesse d'une superintelligence personnelle pour tous". Contrairement aux modèles précédents de Meta, Spark est propriétaire et non open source, bien que Mark Zuckerberg ait précisé sur Threads que la famille Muse inclurait à terme "de nouveaux modèles open source". Ce lancement marque une rupture nette avec la stratégie Llama, la gamme de modèles open source que Meta développait jusqu'ici et qui avait reçu un accueil mitigé aussi bien de la part des utilisateurs que dans les classements indépendants. Muse Spark se distingue notamment par son intégration profonde avec les plateformes sociales du groupe : Instagram, Facebook et Threads. À l'image de Grok chez xAI, qui exploite les contenus publiés sur X, Spark peut déjà établir des liens vers des publications publiques liées à un lieu ou à un sujet tendance. À terme, Meta promet d'aller plus loin, avec des recommandations citant des contenus partagés par des utilisateurs, et des Reels, photos et posts intégrés directement dans les réponses, avec crédit aux créateurs. Meta entre ainsi dans la compétition directe avec OpenAI, Google et Anthropic sur le marché des assistants IA grand public, en misant sur un avantage différenciant majeur : son accès à des milliards d'interactions sociales quotidiennes. La création d'un laboratoire dédié à la superintelligence reflète une ambition qui va bien au-delà des usages actuels de l'IA générative. La question reste ouverte de savoir comment Meta conciliera l'exploitation des données utilisateurs avec les exigences croissantes en matière de vie privée, notamment en Europe, où le cadre réglementaire impose des contraintes strictes sur l'utilisation des données personnelles à des fins d'entraînement.