Meta เปิด Muse Wonder ให้ agent จำข้ามงานและทำต่อได้นานขึ้น แต่รายงาน safety ฉบับเต็มยังมาไม่ถึง

Meta เปิดตัว Muse Wonder และ Muse Wonder Full วันที่ 12 ตุลาคม 2026 โดยวางตำแหน่งเป็นโมเดล frontier สำหรับ agent ที่ทำงานส่วนตัวและงานอาชีพต่อเนื่อง จุดขายไม่ใช่แค่ตอบคำถามเก่งขึ้น แต่คือ Active Memory ที่ดึงบริบทจากหลายบทสนทนากลับมาใช้ และ Active Focus ที่พยายามทำงานยาว แก้ทางเมื่อเจออุปสรรค และเช็กกับผู้ใช้ก่อน action สำคัญครับ

สิ่งที่ต้องอ่านพร้อมคำโฆษณาคือเส้นแบ่งของหลักฐาน Meta เผยคะแนน benchmark และราคาแล้ว แต่หน้า Meta AI Research ระบุว่ารายงาน safety พร้อมผลประเมินเพิ่มเติมยัง “จะตามมา” ขณะที่ Axios ชี้ว่าความสามารถที่บริษัทอ้างยังต้องดูผลทดสอบอิสระและการใช้งานจริง โดยเฉพาะเมื่อ agent จำข้อความ ปฏิทิน เอกสาร และลงมือแทนผู้ใช้ได้

สรุป 30 วินาที

• Muse Wonder เปิดผ่าน Meta Model API และ Muse Code ส่วน Muse Wonder Full เปิดให้สมาชิก Muse Code บางแผน ไม่ได้มี endpoint API แยกตามหน้าราคาที่ตรวจ
• ทั้งสองโมเดลมี context window 1 ล้าน token แต่ “context ยาว” ไม่เท่ากับความจำระยะยาวที่ถูกต้องเสมอ Active Memory เป็นระบบเลือกเก็บและเรียกบริบทกลับมาอีกชั้น
• Meta บอกว่า Active Focus ช่วยให้โมเดลลองทางอื่น ฟื้นจาก error ทำงานหลายขั้น และถามก่อน action สำคัญ แต่ยังไม่มีอัตราความผิดพลาดในงานจริงที่เปิดให้ตรวจครบ
• ราคา Muse Wonder บน API คือ 4 ดอลลาร์ต่อ input 1 ล้าน token, 0.20 ดอลลาร์ต่อ cached input 1 ล้าน token และ 20 ดอลลาร์ต่อ output 1 ล้าน token ณ วันที่ตรวจ
• Wonder Full อยู่ใน Muse Code แผน Power 50 ดอลลาร์ต่อเดือนและ Maximum 200 ดอลลาร์ต่อเดือนตามหน้า developer; ยังไม่มีราคาไทยอย่างเป็นทางการในแหล่งที่ตรวจ
• Meta ระบุว่ามีการทดสอบงานกฎหมาย การเงิน สุขภาพ computer use ความจำ และ coding แต่หลายคะแนนมาจากชุดทดสอบที่บริษัทเลือกและรายงานเอง
• Wonder ไม่ใช่ open-weight ในประกาศนี้ รุ่นที่ Meta เปิดน้ำหนักก่อนหน้าคือ Muse Glimmer; Axios ระบุว่าบริษัทยังไม่บอกว่าจะเปิด Wonder หรือไม่
• รายงาน safety ฉบับเต็มยังไม่เผย ณ verifiedAt จึงยังไม่ควรตีความคำว่า “most aligned” เป็นหลักประกันสำหรับข้อมูลส่วนตัวหรือ action ภายนอก

ทำไมเรื่องนี้เกี่ยวกับคุณ

ถ้าคุณใช้ AI ช่วยตามงานหลายสัปดาห์ ปัญหาเดิมคือทุกครั้งต้องเล่าบริบทใหม่ หรือไม่ก็วางเอกสารก้อนใหญ่เข้า prompt จนแพงและตรวจยาก Active Memory พยายามแก้เรื่องนี้โดยทำเหมือนผู้ช่วยที่มีแฟ้มประจำตัว รู้ว่าโปรเจกต์ใช้ศัพท์อะไร ใครอนุมัติงาน และข้อจำกัดเดิมคืออะไร เมื่อบริบทนั้นกลับมาถูกจังหวะ งานต่อเนื่องจะลื่นขึ้นจริง

แต่แฟ้มที่จำได้ก็เป็นหนี้ด้าน privacy ด้วย หาก agent จดข้อมูลสุขภาพ สัญญา ค่าใช้จ่าย หรือบทสนทนาภายในไว้ผิด scope ผลกระทบไม่จบที่คำตอบพลาด มันอาจนำข้อมูลของงานหนึ่งไปใช้กับอีกงานหรือเลือก action จากเงื่อนไขที่หมดอายุแล้ว สำหรับคนทั่วไปให้นึกถึงร้านข้าวตามสั่งที่จำได้ว่าเราไม่กินเผ็ด—สะดวกมาก จนวันที่สั่งให้คนอื่นแล้วร้านยึดความจำของเราแทนคำสั่งใหม่

ทีม software จะเห็นผลอีกด้านใน Muse Code เพราะงาน coding ระยะยาวต้องจำ requirement, แก้หลายไฟล์, รัน test และย้อนจาก failure Meta บอกว่า Wonder ทำงานประเภทนี้ได้ดีขึ้นและรองรับการ delegate sub-agent แต่การเก่งขึ้นทำให้ blast radius ใหญ่ขึ้นด้วย หาก permission ตั้งกว้าง โมเดลที่พยายาม “ไปต่อ” อาจแก้ไฟล์หรือเรียกเครื่องมือมากกว่าที่ reviewer คาด การออกแบบ approval จึงสำคัญพอ ๆ กับคะแนน coding

ทำงานยังไง: ความจำหนึ่งชั้น โฟกัสอีกชั้น และเครื่องมือเป็นมือจริง

Active Memory ตามคำอธิบายของ Meta คือความสามารถเก็บสิ่งสำคัญจากบทสนทนาและเรียกส่วนที่เกี่ยวข้องกลับมาเมื่อเริ่มงานใหม่ มันไม่ใช่การยัดทุกข้อความเก่าเข้า context ตลอดเวลา เพราะวิธีนั้นแพงและทำให้ข้อมูลเก่ารบกวนโจทย์ปัจจุบัน ระบบต้องมีขั้นเลือกว่าจะจำอะไร จัดหมวดอย่างไร และค้นอะไรกลับมาใช้

Active Focus คือพฤติกรรมตอนลงมือ โมเดลอาจวางแผน แบ่งงาน ลองทางเลือก และฟื้นจาก error แทนที่จะหยุดเมื่อคำสั่งแรกไม่ผ่าน Meta ประเมินผ่านงาน agent, computer use, coding และงานยาว เช่น SWE-Marathon แนวคิดเหมือนพนักงานถือแฟ้มเดิมแล้วเดินเรื่องต่อหลายเคาน์เตอร์: ความจำบอกบริบท ส่วน focus บอกว่าจะเดินต่ออย่างไร

ชั้นที่สามคือ tools ถ้าโมเดลเพียงร่างข้อความ ความเสียหายยังจำกัดอยู่ในหน้าจอ แต่เมื่อเชื่อม browser, terminal, calendar, message หรือระบบเอกสาร output ของโมเดลกลายเป็น action จริง Meta บอกว่าโมเดลถูกฝึกให้เช็กก่อนสิ่งสำคัญและปกป้องข้อมูลส่วนตัว แต่ผู้ใช้งานยังต้องวาง policy ที่ระบบบังคับได้ ไม่ใช่พึ่งคำสัญญาระดับพฤติกรรมเพียงชั้นเดียว

คำว่า context 1 ล้าน token ใน หน้าโมเดล หมายถึงหน้าต่างข้อมูลที่รับได้ต่อคำขอ ไม่ได้ยืนยันว่าความจริงทุกบรรทัดจะถูกเรียกใช้ถูกต้อง และไม่ได้บอกอายุ retention ของ memory ที่ผลิตภัณฑ์บันทึก ทีมต้องแยกสามคำให้ชัด: context window, persistent memory และ external storage เพราะแต่ละอย่างมีค่าใช้จ่าย นโยบายลบ และความเสี่ยงคนละแบบ

เงิน ข้อมูล และผลกระทบ

สำหรับ API ต้นทุน output สูงกว่า input ห้าเท่าตามราคาที่ประกาศ หาก agent ทำงานยาวและบรรยาย reasoning/result จำนวนมาก ค่า output จะโตเร็ว งานที่ fan-out หลาย sub-agent ยังทำให้ request ซ้ำ แม้ cached input เหลือ 0.20 ดอลลาร์ต่อหนึ่งล้าน token ทีมควรตั้ง token budget, จำนวนรอบ, timeout และเพดานค่าใช้จ่ายต่อ task ก่อนเปิดให้ผู้ใช้จำนวนมาก

Wonder Full ไม่มีราคา token เพราะผูกกับ subscription Muse Code แผน Power และ Maximum TechCrunch จึงอธิบายความต่างชัดว่า Wonder ใช้ผ่าน API ได้ ส่วน Full อยู่กับสมาชิก coding product การเทียบค่าใช้จ่ายต้องเทียบ outcome ต่อ task ไม่ใช่เทียบราคา token กับค่าสมาชิกรายเดือนตรง ๆ และยังไม่มีหลักฐานในแหล่งที่ตรวจว่าบริการ ราคา หรือ billing เป็นเงินบาทในไทย

ข้อมูลคือค่าใช้จ่ายอีกชนิดหนึ่ง Agent ที่จำยาวต้องมีหน้าจอให้ผู้ใช้เห็น แก้ และลบ memory ได้ พร้อม audit ว่าข้อมูลชิ้นใดถูกเรียกใช้ใน action ไหน ทีมองค์กรควรแยก workspace, จำกัด connector รายบทบาท และไม่ใส่ secret ลง persistent memory หากข้อมูลต้องหมดอายุให้กำหนด TTL และทดสอบการลบจริง ไม่ใช่เพียงซ่อนจาก UI

ผลกระทบทางคนก็ต้องวัด งานกฎหมาย การเงิน และสุขภาพที่ Meta ยกเป็นตัวอย่างมีต้นทุนจากคำตอบผิดสูง ผู้เชี่ยวชาญควรเป็นผู้อนุมัติ output สุดท้าย และระบบต้องแสดงแหล่งข้อมูล วันที่ และ assumption หากใช้ agent ร่างเอกสาร การจำ preference ของผู้ใช้ไม่ควรถูกยกระดับเป็นข้อเท็จจริงของลูกค้าหรือคนไข้

อะไรยังไม่ชัด และแหล่งข่าวไม่ตรงกันตรงไหน

Meta เรียก Wonder ว่า state of the art และแสดงตารางเทียบหลาย benchmark ส่วน Axios ใช้กรอบว่าเป็น claim ที่ต้องรอ independent testing ความต่างนี้ไม่จำเป็นต้องแปลว่าฝ่ายใดผิด แต่แปลว่าคะแนนเปิดตัวตอบได้เพียง “ทำอย่างไรในชุดทดสอบนี้” ยังตอบไม่ได้ว่าความแม่น ความทน และค่าใช้จ่ายใน workflow ของคุณเป็นอย่างไร

Meta บอกว่าบาง coding benchmark มี third-party run แต่ไม่ได้ทำให้ benchmark ทั้งตารางเป็นอิสระทั้งหมด และ Personal Superintelligence Index เป็น composite ภายในบริษัท ผู้อ่านไม่ควรนำคะแนนคนละชุดมาบวกลบเหมือนข้อสอบเดียวกัน ต้องดู tool access, reasoning effort, binary/partial scoring และจำนวน retry ของแต่ละแถว

จุดที่สำคัญที่สุดคือ safety report หน้า newsroom บอกว่าจะมีผลประเมินเพิ่มเติม “เร็ว ๆ นี้” ส่วน Axios รายงานว่ามี model card บางส่วนและรายงานเต็มจะตามมา ณ วันที่ 13 ตุลาคม แหล่งที่เปิดอ่านยังไม่ให้รายละเอียดครบเรื่อง prompt injection ผ่าน connector, memory poisoning, การลบข้อมูล, false confirmation หรืออัตราที่โมเดลลง action สำคัญโดยไม่ถาม จึงยังสรุปไม่ได้ว่าขอบเขตเหล่านี้ผ่านในระดับ production

ยังไม่ชัดว่า Muse Wonder จะเข้า consumer products ใดบ้างในไทย เมื่อใด ภาษาไทยผ่านการประเมินระดับใด และ persistent memory มี retention/region control อย่างไร Meta บอกเพียงว่าจะนำไปขับเคลื่อนประสบการณ์ Muse โดยเริ่มที่ subscriber ข้อมูลนี้ไม่พอให้ทีมไทยสัญญาว่าฟีเจอร์พร้อมใช้งานหรือรองรับข้อกำกับข้อมูลขององค์กร

ควรทำอะไร

ผู้ใช้ทั่วไปควรเริ่มจากงานที่ย้อนกลับได้ เช่นร่าง checklist หรือสรุปเอกสาร เปิด connector เท่าที่จำเป็น และตรวจ memory ที่ agent เก็บ อย่าให้สิทธิ์ส่งข้อความ ซื้อของ หรือแก้ไฟล์สำคัญเพียงเพราะโมเดลถามยืนยันในภาษาที่ดูมั่นใจ ถ้า action มีผลต่อเงิน กฎหมาย สุขภาพ หรือคนอื่น ให้มีคนกดอนุมัติจากข้อมูลต้นทาง

ทีมพัฒนาควรสร้าง eval ของตัวเองก่อนย้าย production: ใส่ข้อมูลเก่าที่ขัดกับคำสั่งใหม่, เอกสารที่มี prompt injection, memory คนละ tenant, task ที่ควรหยุด และ budget ที่หมดกลางงาน ตรวจว่า agent fail closed และ audit trail บอกได้ว่า model อ่านอะไร เรียก tool ใด และใครอนุมัติ

ทีม procurement ควรรอเอกสาร safety ฉบับเต็มก่อนรับ claim ที่ต้องใช้กับ compliance ขอรายละเอียด data retention, training use, region, deletion SLA, incident response และ subcontractor เพิ่มจากราคา อย่าตัดสินจาก benchmark หรือคำว่า frontier เพียงอย่างเดียว และทำ exit plan สำหรับ export/ลบ memory หากต้องเปลี่ยนผู้ให้บริการ

Recap checklist

• แยก context window, persistent memory และ external storage
• ตั้ง token/action/time budget ต่อ task
• ให้คนอนุมัติ action ที่กระทบเงินจริง เอกสารจริง หรือบุคคลอื่น
• ทดสอบ memory poisoning, cross-tenant retrieval และ prompt injection
• ตรวจราคา API กับ subscription คนละรูปแบบ
• ไม่อ้างว่ารองรับไทยหรือเปิดในไทยจนมีหลักฐานทางการ
• รอและอ่าน safety report ฉบับเต็มก่อนงานความเสี่ยงสูง
• วัด workflow จริง แทนยึด benchmark เปิดตัวอย่างเดียว