Meta 推出 Muse Wonder 系列模型，效能直逼 Claude 5.5 頂尖水準

Meta Superintelligence Labs (MSL) 經過 14 個月的發展，終於成為頂尖實驗室，並推出了 Muse Wonder 和 Muse Wonder Full 模型，與 OpenAI 的 Sol/Terra/Luna 和 Anthropic 的 Opus/Sonnet/Haiku 系列相媲美。

雖然 Muse 沒有明確說明模型大小，但 Muse Wonder Full 在某些基準測試中超越了 Fable 和 Astra，不過由於後訓練的程度不同，目前尚不清楚 Wonder 是否屬於 Fable/Astra 等級的模型。

Artificial Analysis 指出，Meta 發布的 Muse Wonder 和 Muse Wonder Full 在最大推理努力下，其 Artificial Analysis Intelligence Index v4.3 分數分別達到 52 和 56。這比僅在六週前發布的 Muse Spark 1.3（最大值 48）有了顯著提升。

Meta Superintelligence Labs (MSL) 推出了其第二代模型系列 Muse Wonder（代號「西瓜」🍉）。在實驗室成立約 14 個月後，第三方評估顯示其效能已接近頂尖水準。

在發布前幾小時，內部人士紛紛發布了西瓜相關的預告。@kimmonismus 轉發了 @synthwavedd 洩露的定價資訊：每百萬輸入代幣 4 美元，每百萬輸出代幣 20 美元，擁有 100 萬的上下文視窗，而最大推理的「Wonder Full」版本則專屬於 MuseCode Power/Maximum Usage 方案。

@finkd 宣布了這個模型家族，並解釋 Muse Spark 是 MSL 的第一個系列，而 Wonder 則是「一個更大、更先進的模型類別，將我們帶到了頂尖水平」。這次發布的兩個模型分別是 Muse Wonder（快速頂尖模型）和 Muse Wonder Full（完整模型）。

模型的可用性有所區分。Wonder 可透過 Meta Model API 和 Muse Code 取得，而 Full 則僅供 Muse Code 訂閱者使用。Wonder 將為 Muse 個人代理產品提供動力，訂閱者可優先使用。

Meta 將這些模型定位為「個人和專業代理工作」的最新技術。@alexandr_wang 提到了三個主要功能：主動記憶（Active Memory），可在數天、數週甚至數月內保持記憶；主動專注（Active Focus），能克服障礙完成任務；以及領域專業知識（Domain expertise），在金融和法律領域達到最新技術水準，在健康領域表現強勁。

Wang 表示，自 Muse Spark 於四月發布以來，Meta 持續擴大預訓練和強化學習的規模。@AIatMeta 形容這是「從重建基礎到在 14 個月內推向頂尖」。@AIatMeta 聲稱該系列模型經過訓練，能抵抗惡意指令並謹慎處理私人資訊，但沒有提及詳細的系統卡。

發布當天，Wonder 和 Wonder Full 出現了使用限制錯誤，導致 Muse Code 配額異常快速耗盡。該問題已於當天修復，所有用戶的配額也已重置。Wang 指出「我們肯定還有一些問題需要解決」。

Zuckerberg 和 Wang 參加了 Stripe 的 Cheeky Pint 節目。討論章節包括「押注 1000 億美元」、代理商務、OpenRouter、「為何 AI 不會贏者通吃」以及 MSL 的組織結構。

Artificial Analysis 提供了最詳細的第三方解讀。Intelligence Index v4.3 顯示，Wonder Full（最大值）得分 56，Wonder（最大值）得分 52，高於 Muse Spark 1.3（最大值 48）。Spark 1.3 和 Wonder 之間的發布間隔僅為六週。Opus 5.5 以 58 分領先。

Wonder Full 在所有十項指數評估中都有所改進，其中最大的進步體現在代理任務上：Terminal-Bench 4.0 從 33% 提升到 57%；GDPval-AA v2.1 從 1681 提升到 1857 Elo；AA-Briefcase 從 1581 提升到 1729 Elo。

Wonder Full 在十項評估中的六項中排名前三：在 GDP.pdf (33%) 和 CritPt (33%) 上排名第一；在 GDPval 上排名第二；在 AA-Briefcase、AutomationBench-AA (71%) 和 SciCode (63%) 上排名第三。

Wonder（非 Full 版本）的提升包括 Terminal-Bench 從 33% 提升到 52%；AutomationBench 從 58% 提升到 68%。

每項指數任務的代幣使用量方面，輸出代幣量兩種模型約為 54k，比 Spark 1.3 的 60k 減少約 10%。相比之下，Gemini 4 Argon 為 62k，Fable 5.1 為 78k，GPT-6.1 Sol 為 38k，GPT-6 Astra 為 27k。輸入代幣量方面，Full 使用 6.44M，而 Wonder 使用 7.69M。

每項指數任務的成本方面，Wonder 成本為 4.52 美元，主要由於高輸入使用量。Wonder Full 沒有公布代幣價格，因此無法計算其成本。在編碼代理指數方面，Muse Code 中的 Wonder Full 得分為 68，與 Claude Code + Sonnet 5.5 (68) 持平，並領先於 Opus 5.5 (66)。Wonder 得分為 63；Spark 1.3 得分為 54。

模型規格包括 1M 上下文視窗，輸入支援文字、圖像、影片和音訊，輸出僅限文字。定價為每百萬代幣輸入 4 美元，快取輸入 0.20 美元，輸出 20 美元。

Vals AI 報告，Wonder Full (Max) 在 Vals Index 上排名第五，比前一代提升 6.4 分，並領先所有 OpenAI 模型。ProofBench (私有) 得分 94/100，而 Spark 1.3 為 58。頂級模型得分為 99-100。Terminal-Bench 4 的得分翻倍，與 Fable 5.1 並列第四。

Meta 報告的數據顯示，Wonder Full 在 SWE-Marathon、DeepSWE v1.1、Harvey LAB 和 MemoryBench 等基準測試中均超越了 Opus 5.5 和 GPT-6 Astra。其他第三方信號也證實了 Wonder 在 DeepSWE 中的領先地位，以及在 ProgramBench、HealthBench Pro 和 Perplexity 的 WANDR 評估中與 Fable 5.1 相當的表現。

@RayanKrishnan 的獨立合作夥伴筆記指出，代幣效率是最大的突破。在他們的網路安全基準測試中，Wonder 實現了零拒絕，且得分高於 Full。MSL 在對齊方面取得了「重大進展」。這些模型是強大的執行者，但在科學發現直覺方面較弱；其 RSI Index 結果尚待公布。當天 Meta 股價上漲 3%。

Meta 強調了非後訓練任務與後訓練任務的性能，以此證明其並非僅為基準測試而優化，並展現了「大型模型特徵」。@giffmana 對此表示贊同；@scaling01 證實了 ID-vs-OOD 圖是 Meta 提供的。@ren_hongyu 和 @jack_w_rae 強調了相較於 Spark 1.3 的分佈外增益。

@shuchaobi 提供了最實質的內部人士說法：優化目標是「個人賦能」，而非工作自動化。在非常長期的指令遵循方面做了大量工作。明確訓練模型抵抗「懶惰」，使其在放棄前保持持久性。定義和評分行為，並投入對齊工作，以在高優化壓力下對抗獎勵駭客。他聲稱該模型能一次性解決大多數 IMO 問題和一些開放的研究問題，並透過鷹架支援。他還描述了將其用於移民、購房和遺產規劃。

@alexandr_wang 表示研究「始於評估」：MSL 建立了內部個人超級智慧指數 (PSI)，而非追逐外部基準，並聲稱「大型模型特徵（我們已量化！）」。@_jasonwei 認為「規模化勝出」。Meta 的大部分團隊都轉向支援該模型，包括業務開發團隊聘請人類專家進行數據審查。他還稱其「非常適合多模態」。

其他 MSL 員工也分享了他們的看法，例如 @hwchung27 提到「大型模型的神奇之處」，@EdwardSun0909 提到內部命名和 TBD Labs 的代理團隊，@benparr 提到主動記憶減少了重複解釋，@yashvarpatel 演示了電腦使用代理 (CUA) 作為驗證器，以及 @Answeror 提到 Muse Code 是用 Wonder Full 構建的。

Wang 轉發了一系列第三方讚揚：「在我的硬核物理測試中擊敗了 Astra」、「Meta 將在消費級代理領域大獲全勝」、「可能真的是世界上最好的 AI 模型」。這些應視為供應商的宣傳。

@theo 獲得了早期使用權。他將其與 Opus 5.5 並列 S 級，高於 GPT-6.1 Sol。他表示 Meta 現在「大幅」領先 Google，而 OpenAI 已滑落至第三。他將其與 Opus 一起使用，Opus 在 T3 Code Orchestrator V2 中呼叫 Wonder 進行程式碼審查和架構審查，並澄清他並非建議取代 Opus。

他讚揚其獨特的文風，「不是另一種 Claude 的平庸提煉」，並且它尊重 agents.md。Muse Code 也可在 T3 Code 內部運作。

@kimmonismus（早期使用權，聲稱未收費）表示，它能抵抗刁鑽問題，精確遵循指令，並能自我檢查程式碼。創意寫作「有點枯燥」。他稱現在是「三強鼎立」的局面，並強調其價格比 Fable 5/5.1 的 10/50 美元低了 60%。

@gneubig 表示它在 OpenHands UX 分析任務中表現良好，比 GPT 模型更簡潔。@QuixiAI 認為 Wonder Full（高）優於 Astra，但低於 Claude Code Fable/Opus 5.5。它速度更快，能處理 Codex「卡住」的編譯器工作。它還追蹤了大約 20 個 Claude 會忘記的零星任務。

@clairevo 認為它擅長代理任務、編碼和電子郵件；但在前端設計、SVG、影片和創意工作方面較弱。@Yuchenj_UW 認為這證明了 Meta 在昂貴人才和 Scale 收購上的投資是正確的。@andrew_n_carr 認為 Nat Friedman 的作用被低估了。

@scaling01 估計 Meta 仍落後 OpenAI 和 Anthropic 約 3-6 個月。他的 SVG 比較（披露為 Meta 提供的訪問權限）稱 Wonder Full「過於花哨」，過度關注物件數量，與 Opus 5.5 相比，「大約四個月前是個優秀的結果」。從積極面來看，他指出其良好的準確性與成本曲線以及準確性與輸出代幣曲線。

他表示它「很可能不是一個循環模型」，並希望有更詳細的系統卡。他反駁了「OpenAI 完蛋了」的說法，因為 OpenAI 有其內部數學結果，並警告 AA Index 並非值得關注的正確指標。@teortaxesTex 正在等待第三方確認其達到「Fable 水平」。

他認為 OpenAI 和 Anthropic 領先足夠遠，可以在彼此之間「保持步調」，因為公開訪問的模型落後於他們的內部模型。@BlackHC 質疑 Meta 的 ASI 風險治理，同時指出其目前的安全性基準分數不錯。

@theo 反對 Full 僅限訂閱者使用且沒有價格。他表示這兩個版本是「非常不同的模型」：Full 在 AA 上以更少的代幣量與 Opus xhigh 匹敵。Wonder 在相同的代幣使用量下，得分低於 GPT-6.1 Sol。

早期的質疑基於其薄弱的 three.js/3D 演示。@theo 認為「3D 極致化」本身就是一種基準測試極致化。實驗室最近增加了 3D 強化學習環境，Opus 5.5 在 3D 方面比 Fable 5.1 好約四倍，儘管它「充其量只是一個好 5% 的模型」。

@alexandr_wang 承認：「我們沒有明確地在 3D 演示遊戲上訓練我們的模型……回想起來，我們可能應該這麼做。」他表示 Meta 專注於根據 Muse 使用情況所獲取的真實世界任務。@_simonsmith 和 @nicdunz 支持根據真實任務進行判斷。

@teortaxesTex 反駁說，強大實驗室的優勢在於員工對這些演示有敏銳的眼光，而且 three.js 輸出仍然具有說服力。同一天，Artificial Analysis 推出了 AA-3D，一個 three.js 場景基準測試，其中 Claude 和 Astra 模型領先。