Meta ha appena lanciato Muse Image e dato un’anteprima di Muse Video, i primi modelli di generazione multimediale sviluppati dai Meta Superintelligence Labs. E no, non è l’ennesimo generatore che sputa fuori immagini a caso.
La differenza? Muse Image non mappa semplicemente prompt a immagini. Opera come un agente.
Un modello che usa strumenti, non solo pixel
Invece di generare direttamente, Muse Image ragiona. Invoca strumenti di ricerca e scrittura codice per migliorare l’accuratezza, si auto-corregge le proprie generazioni, e migliora scalando il compute in fase di test. Tradotto: più lo lasci pensare, meglio lavora.
Gli strumenti a disposizione includono coding — durante il reinforcement learning, il modello impara a scrivere ed eseguire codice per produrre grafici precisi, QR code, e condizionare le immagini generate su figure renderizzate. In combo con Muse Spark, può creare GIF animate, siti web con immagini embedded e giochi visivi interattivi.
Poi c’è la ricerca web. Muse Image cerca online per ancorare le immagini generate a informazioni fattuali e riferimenti visivi in tempo reale. Questo migliora drasticamente l’accuratezza su prompt intensivi di conoscenza, tipo eventi attuali o fatti del mondo reale.
Auto-rifinitura emergente
Ecco dove diventa interessante. Muse Image riflette sul proprio lavoro all’interno della sua catena di pensiero. Può fare un edit locale quando un dettaglio è sbagliato, rigenerare da zero se qualcosa di più grande non funziona, o cambiare tattica e usare strumenti per generazione più accurata.
La parte affascinante? Meta non ha progettato questo comportamento. È emerso durante il training RL semplicemente perché l’auto-rifinitura produceva immagini migliori e quindi reward più alti.
Nel processo di generazione visibile negli esempi, il modello cerca immagini di riferimento, assembla layout, corregge formule matematiche (tipo aggiungere la barra di divisione mancante in S = n(n + 1) / 2), e controlla l’immagine finale prima di condividerla. Tutto autonomamente.
Il compute a test-time scala. E come.
Come i language model, Muse Image migliora più pensa durante l’inferenza. Con più compute a test-time, il modello ragiona di più, usa più chiamate a strumenti, più step di auto-rifinitura. Il risultato? Una relazione di scaling approssimativamente log-lineare nei punteggi Elo di preferenza umana.
Dettaglio non banale: questo compute copre due tipi molto diversi di lavoro — token testuali per il ragionamento, token visivi per la generazione. Eppure la qualità è funzione del totale combinato.
Meta ha scoperto che usare il budget di token con giudizio conta tanto quanto scalare. Best-of-N (genera diverse immagini e tieni la migliore) migliora la qualità inizialmente ma satura in fretta. Spendere lo stesso compute in ragionamento deliberato scala considerevolmente meglio. E ragionamento e tool use si compongono quando combinati.
Editing e composizione multi-riferimento
Muse Image edita con precisione, cambiando esattamente quello che l’utente chiede. Mantiene coerenza attraverso turni di editing multipli, supportando rifinitura iterativa e brainstorming aperto verso un risultato target.
Può comporre elementi da molte immagini di riferimento nel prompt — persone, oggetti, vestiti, stili, ambienti. Supporta l’interleaving di testo e immagini inline per composizioni complesse.
Benchmark Arena
Al momento della scrittura (5 luglio 2026 — sì, Meta ha datato il post nel futuro, o è un typo), Muse Image occupa il secondo posto su Arena per text-to-image, single-image editing e multi-image editing, misurato tramite ranking Elo di preferenza umana.
Muse Video: l’anteprima
Insieme a Muse Image, Meta ha condiviso un’anteprima di Muse Video. Offre performance competitive in aderenza al prompt, fedeltà visiva e consistenza temporale. Con supporto audio nativo.
Meta sta investendo nelle aree con gap attuali: sincronizzazione audio-video e movimenti veloci fisicamente accurati. Su Arena, Muse Video è al terzo posto per text-to-video.
Content Seal: watermarking invisibile
Per aiutare le persone a verificare se un’immagine è generata da AI, Muse Image include Content Seal, il sistema di watermarking invisibile di Meta. Le immagini create portano un segnale di provenienza nascosto che resta intatto anche quando croppate, compresse, ridimensionate o screenshottate.
Meta sta sviluppando uno strumento di detection in preview che permette di verificare se un’immagine porta il watermark Content Seal. Content Seal si estenderà ai video presto.
Integrazione nell’ecosistema Meta
Muse Image è disponibile oggi nell’app Meta AI e su meta.ai, nelle Instagram Stories negli USA, e su WhatsApp in paesi limitati. Arriverà presto su Facebook. Muse Video arriverà presto per creator e Meta AI.
L’integrazione è profonda: combinato con gli strumenti social di Meta AI, gli utenti possono creare immagini con amici e reimmaginare le proprie foto Instagram. Preset personalizzati direttamente in Instagram. Asset di marketing per piccoli business.
Meta sta investendo pesante nella generazione di immagini e video per abilitare creator e business a generare contenuti dinamici attraverso i suoi prodotti. Con un modello che, questa volta, ragiona prima di disegnare.
