Einstieg
Meta und Open Source, das war für mich jahrelang fast ein Synonym. Llama zum Download, offene Gewichte, über eine Milliarde Downloads. Diese Woche hat sich das endgültig geändert, und ich glaube, viele haben es noch gar nicht richtig mitbekommen.
Am Montag, dem 12. Oktober, hat Metas Superintelligence Lab mit Muse Wonder und Muse Wonder Full die ersten Modelle veröffentlicht, die Meta selbst als “Frontier-Modelle” bezeichnet, also als Modelle, die ganz oben mitspielen sollen. Das Besondere daran ist nicht nur, was die Modelle können, sondern was sie nicht sind: Es gibt keine Gewichte zum Herunterladen. Kein Github-Repo, kein Lizenztext, den du dir durchlesen kannst. Nur eine API und ein Abo.
Ich schaue mir an, was in Muse Wonder steckt, warum Meta diesen Kurswechsel macht und was davon für dich als Nutzer oder Entwickler wichtig ist.
Was ist das überhaupt?
Muse Wonder ist der große Bruder von Muse Spark, dem Modell, mit dem Meta im April dieses Jahres seine KI-Strategie neu aufgezogen hat. Spark war bewusst klein und schnell gehalten, quasi der Motor für die Meta-AI-Funktionen in Facebook, Instagram und WhatsApp. Wonder ist jetzt der Versuch, oben mitzuspielen, da wo bisher GPT-6, Claude Fable und Gemini stehen.
Es gibt zwei Varianten:
- Muse Wonder: über die Meta Model API nutzbar, für alle mit Entwickler-Zugang.
- Muse Wonder Full: die größere Ausführung, aber nur für Abonnenten von Muse Code, Metas Programmier-Assistenten. Keine API, kein Einzelkauf.
Beide Modelle treiben außerdem den Muse-Agenten an, Metas persönlichen KI-Assistenten.
Kurz zu den Begriffen, falls dir die noch nicht geläufig sind:
- Frontier-Modell ist Branchenjargon für “eines der aktuell leistungsfähigsten Modelle überhaupt”, unabhängig vom Anbieter.
- Open Weights bedeutet: Die trainierten Zahlenwerte des Modells liegen zum Download bereit, du kannst es selbst betreiben. Genau das gibt es bei Wonder nicht.
- Kontextfenster ist das Kurzzeitgedächtnis des Modells. Bei Wonder sind das rund eine Million Token, also ungefähr ein dickes Sachbuch, das du in einem Rutsch hineinschieben kannst.
Wie funktioniert das?
Das eigentlich neue Feature heißt Active Memory, zu Deutsch etwa “aktives Gedächtnis”. Normale Sprachmodelle vergessen alles, sobald das Kontextfenster voll ist oder der Chat zu Ende ist. Wonder soll dagegen Informationen, die du ihm über Zeit gibst, behalten und selbstständig miteinander verknüpfen.
Stell dir das vor wie einen Assistenten, der sich nicht nur merkt, was du ihm gerade gesagt hast, sondern auch, was du ihm letzte Woche erzählt hast, und daraus eigenständig Schlüsse zieht. Nicht “ich kopiere deine Notizen in eine Datei”, sondern “ich verstehe, dass dein Projekt X mit deinem Kunden Y zusammenhängt, auch wenn du das nie explizit so formuliert hast”. Genau dafür hat Meta einen eigenen Test entwickelt, MemoryBench genannt, bei dem Wonder laut Metas eigenen Angaben besser abschneidet als Claude Fable, Claude Opus und GPT-6 Astra.
Wichtig an dieser Stelle: Das sind Zahlen aus Metas eigenem Modellpapier. Unabhängige Labore haben MemoryBench meines Wissens noch nicht nachgeprüft. Bei den allgemeinen Fähigkeiten, also Textverständnis, Programmieren, logisches Denken, ordnet Meta Wonder selbst auf einer Höhe mit Claude Fable 5.1 und GPT-6 Astra ein, nicht darüber.
Trainiert wurde das Ganze laut Berichten im neuen Prometheus-Rechenzentrum von Meta in Ohio, das erst dieses Jahr ans Netz ging. Das zeigt auch, wie viel Infrastruktur inzwischen hinter so einem Modell steckt.
Warum ist das relevant?
Für mich aus zwei Gründen.
Erstens der Strategiewechsel. Llama war für die Open-Source-Community über Jahre ein Anker. Über eine Milliarde Downloads, täglich rund eine Million neue. Mit Muse Spark im April hat Meta diesen Weg schon leise verlassen, mit Wonder wird es jetzt offiziell: Das Flaggschiff bleibt closed. Meta-Chef für KI, Alexandr Wang, hatte im Frühjahr angekündigt, dass größere Modelle kommen und spätere Versionen irgendwann wieder offen werden sollen. Einen Zeitplan dafür gibt es bis heute nicht. Wer auf Llama als verlässliche, offene Alternative zu den US-Platzhirschen gesetzt hat, muss sich fragen, wie lange dieses Argument noch trägt.
Zweitens der Preis. Über die API kostet Muse Wonder 4 Dollar pro Million Input-Token und 20 Dollar pro Million Output-Token. Das liegt in etwa auf Augenhöhe mit GPT-6 Sol von OpenAI und Claude Opus 5.5 von Anthropic. Mit anderen Worten: Meta tritt hier nicht als Billig-Anbieter an, sondern direkt als vierter Platzhirsch neben OpenAI, Anthropic und Google. Das ist ein anderes Spiel als noch bei Spark, das vor allem über Masse und kostenlose Nutzung in den Meta-Apps lief.
Für alle, die wie ich viel mit Automatisierung und KI-Agenten arbeiten, ist Active Memory der spannendere Teil als der reine Preis. Ein Agent, der sich über Wochen an Kontext erinnert, ohne dass ich jedes Mal alles neu erklären muss, würde einiges an Workflow-Bauarbeit einsparen. Ob das in der Praxis so robust funktioniert wie im Modellpapier beschrieben, ist eine andere Frage.
Was sollte ich beachten?
Du bekommst kein Modell zum Selbstbetreiben. Wenn dir bei einem Anbieter wichtig ist, dass du die Kontrolle über die Infrastruktur hast, oder dass du nicht von einer einzigen Firma abhängig bist, ist Wonder nicht dein Modell. Das volle Full-Modell bekommst du zusätzlich nur über ein Abo, nicht einzeln abgerechnet.
MemoryBench ist Metas eigener Maßstab. Eine Firma, die ihr eigenes Produkt auf einem selbst gebauten Test vorne sieht, ist erst mal keine Überraschung. Warte auf unabhängige Tests, bevor du Active Memory als bewiesen überlegen einordnest.
Die Konkurrenz hat gerade erst nachgelegt. GPT-6 ist seit dem 7. Oktober für alle ChatGPT-Nutzer ausgerollt, inklusive einer neuen “Intelligent UI”, bei der Antworten als Grafiken, Rechner oder kleine interaktive Werkzeuge statt nur als Text kommen. Du entscheidest aktuell also nicht zwischen einem neuen und einem alten Modell, sondern zwischen mehreren frischen Angeboten, die sich in echter Konkurrenz gerade überbieten.
Datenabhängigkeit bei Active Memory. Ein Modell, das sich Dinge über dich merkt und selbst verknüpft, sammelt notwendigerweise mehr über dich als ein Modell, das nach jedem Chat alles vergisst. Wenn du das für Firmendaten oder Kundendaten einsetzt, lohnt sich ein genauer Blick in die Datenschutzbedingungen, bevor du Active Memory großflächig nutzt.
Fazit & Ausblick
Mein Eindruck nach dieser Woche: Meta hat sich entschieden, bei den wirklich großen Modellen nicht mehr der offene Außenseiter zu sein, sondern ein fünfter Mitspieler im geschlossenen Spitzenfeld. Ob das für Meta aufgeht, hängt davon ab, ob Active Memory im Alltag wirklich etwas bringt, das GPT-6 oder Claude nicht auch können. Rein auf dem Papier sehe ich aktuell kein Modell, das die anderen drei klar abhängt.
Für mich persönlich beobachte ich vor allem, ob Active Memory in echten Agenten-Workflows etwas Nennenswertes bringt. Falls ich das in den nächsten Wochen selbst teste, melde ich mich mit einem ehrlichen Zwischenstand, nicht mit Marketing-Sprech.
Kein Bullshit, nur Signal: Starkes Modell, aber closed, und die großen Versprechen zum Gedächtnis kommen bisher nur von Meta selbst.
Deine Gedanken dazu:
Würde es dich stören, wenn Llama als offene Alternative langsam verschwindet, oder war dir das ohnehin egal?
Wie wichtig ist dir, dass sich ein KI-Assistent über Wochen an dich erinnert, statt bei jedem Chat neu zu starten?
Traust du einer Firma zu, dass sie fair einschätzt, wie gut ihr eigenes Gedächtnis-Feature im Vergleich zur Konkurrenz wirklich ist?
Würdest du für ein Modell mit besserem Langzeitgedächtnis mehr bezahlen als für eines mit mehr reiner Rechenleistung?