ميتا تقول إن Muse Wonder Full يتفوّق على Opus 5.5 في العمل المستمر للوكلاء. لكن جدول ميتا نفسه يقول شيئًا أضيق نطاقًا.

Muse Wonder Full هو نقطة التحقق الأعلى تسجيلًا التي أعلنت عنها Meta Superintelligence Labs في 12 أكتوبر 2026، وMuse Wonder هو الشقيق القابل للاستدعاء الذي صدر في المنشور نفسه. يظهر كلاهما في جدول تقييم Meta الخاص بجانب Claude Opus 5.5، GPT-6 Astra وClaude Fable 5.1، والادعاء الذي ابتعد أكثر من أي ادعاء آخر عن ذلك الجدول — بأن Muse Wonder Full يتفوق على النماذج الحدودية الرائدة في عدة اختبارات للعمل المستمر للوكيل، وأنه يتفوق على كل نموذج آخر في DeepSWE بما في ذلك Claude Opus 5.5 — لا يمكن إعادة إنتاجه مقابل الأرقام التي نشرتها Meta بنفسها. هذه الفجوة هي القصة، وهي أكثر فائدة من الادعاء.

ما يقوله الادعاء، وما يقوله الجدول

يُفيد الملخص واسع الانتشار برقمين على وجه الخصوص: درجة SWE-Marathon البالغة 57.5% لـ Muse Wonder Full مقابل 46.3% لأحد نماذج Claude، ونتيجة DeepSWE التي تضع Muse Wonder Full في المقدمة على كل ما سواه في هذا المجال. لكن الصفوف المنشورة من Meta تُقرأ بشكل مختلف في كلتا الحالتين.

• SWE-Marathon — تُدرج Meta Muse Wonder Full عند 79.0، وMuse Wonder عند 78.8، وGPT-6 Astra عند 74.1، وClaude Opus 5.5 عند 74.2، وClaude Fable 5.1 عند 67.4. لا يوجد 57.5 ولا 46.3 في أي مكان من الصف، والفارق عن Claude Opus 5.5 هو 4.8 نقاط، وليس 11.2.

• DeepSWE 1.1 — تُدرج Meta نموذج GPT-6 Astra عند 59.1 وClaude Opus 5.5 عند 59.6، وكلاهما أعلى من Muse Wonder Full عند 57.1 وMuse Wonder عند 52.0، الذي يتعادل مع Claude Fable 5.1. وفي جدول Meta نفسه، يأتي Muse Wonder Full في المرتبة الثالثة في هذا الصف، وليس الأولى.

• Terminal-Bench 4.0-AA — Muse Wonder Full 85.5، Muse Wonder 85.6، Claude Opus 5.5 81.5، GPT-6 Astra 81.4، Claude Fable 5.1 79.0. هذه أفضلية حقيقية لثنائي Meta، ونقطة التحقق القابلة للاستدعاء تتفوق بفارق ضئيل على نظيرتها الخاصة بالاشتراك.

• JobBench، مهام مهنية طويلة الأفق — Muse Wonder Full 75.3، GPT-6 Astra 34.2، Muse Wonder 30.8، Claude Opus 5.5 30.6، Claude Fable 5.1 27.6. فجوة قدرها 44 نقطة بين نقطتي تحقق من المختبر نفسه، وهي إما انقسام حقيقي في أهداف التدريب أو أثر ناتج عن أداة التقييم.

• Vals Finance Agent V2 — Muse Wonder Full 59.1، Muse Wonder 10.0، GPT-6 Astra 8.6، Claude Fable 5.1 6.4، Claude Opus 5.5 4.2. تفاوت داخلي هائل آخر، والاتجاه ليس موحّدًا عبر صفوف Meta.

كل واحد من تلك الأرقام مُبلَّغ عنه من المورّد، وأُنتج في أداة التقييم الخاصة بـ Meta بأقصى جهد استدلالي، ولم يُعَد إنتاج أيٍّ منه بشكل مستقل. وهذا ليس سببًا لرفض الجدول، بل هو السبب في أن أول سؤال ينبغي طرحه عن أي رقم انتشر منه هو: أي أداة أنتجته؟

الـ57.5 والـ46.3 ليسا على الطاولة

هناك احتمالان ينطبقان على ما يمكن التحقق منه فعليًا. إما أن الملخص يقتبس تقييمًا مختلفًا — مجموعة باسم مختلف، أو إعداد جهد استدلالي مختلف، أو معدل نجاح بدلًا من درجة المؤشر، أو تشغيل أداة اختبار خارج Meta — أو أن الأرقام خاطئة. لا شيء في المواد المنشورة من Meta يثبت أيًا من الاحتمالين، وهذا المقال لن يؤكد أن Muse Wonder Full يسجل 57.5% في SWE-Marathon بينما يقول صف المورّد نفسه 79.0.

الاستجابة الصحيحة إجرائية لا بلاغية. اسم المعيار ليس مواصفة. إن تشغيل SWE-Marathon بأقصى جهد مقابل ميزانية 200 خطوة، وميزانية 500 خطوة، وحد زمني فعلي سيُنتج ثلاثة أرقام مختلفة للنموذج نفسه، وينطبق الشيء نفسه على أي مجموعة اختبارات طويلة المدى. عندما تصل درجة دون أن تُرفق بها أداة اختبار، وإعداد جهد، وميزانية خطوات، فهي نقطة على منحنى مجهول. اطلب أداة الاختبار قبل أن تخطط للسعة بناءً على الرقم.

النسخة المصححة من الادعاء أضيق نطاقًا وما زالت مثيرة للاهتمام: على صفوف الأفق الطويل الخاصة بـ Meta نفسها، يتقدم Muse Wonder Full على نموذجي Claude وGPT في الجدول بفوارق تتراوح من 4.8 نقاط على SWE-Marathon إلى 44 نقطة على JobBench، ويخسر أمامهما على DeepSWE 1.1 وعلى Harvey LAB-AA. هذا تصريح يمكن الدفاع عنه. أما النسخة التي تقول إنه يفوز في كل مكان فليست كذلك.

أيّهما يمكنك الوصول إليه فعليًا؟

للادعاء مشكلة ثانية أكثر صعوبة، وهي لا تتعلق بالدرجات على الإطلاق. فنقطة التحقق التي تحمل الأرقام الرئيسية لا تُباع لكل توكن.

• أين يعمل كل منهما — يستجيب muse-wonder-1.0 عبر Meta Model API وداخل Muse Code، وكيل البرمجة الطرفي الخاص بالشركة. وتصف Meta نموذج muse-wonder-full-1.0 بأنه مخصص لاشتراك Muse Code فقط.

• ما تكلفة Full — تبلغ خطط Meta المنشورة 50 دولارًا شهريًا لـ Power Usage و200 دولار شهريًا لـ Maximum Usage. لا يوجد مسار تسعير قائم على القياس، ولا سعر لكل توكن يمكن شراؤه، ولا طريقة لتوجيه SDK إلى نقطة التحقق الأعلى تقييمًا.

• بطاقة الأسعار التي لا تنطبق عليها — تنشر Meta مبلغ 4.00 دولارات لكل مليون رمز إدخال، و0.20 دولار للإدخال المخزّن مؤقتًا، و20.00 دولارًا لكل مليون رمز إخراج لهذه السلسلة. تصف هذه الأسعار مسارًا موجودًا لـ Muse Wonder ولا يوجد لـ Muse Wonder Full.

• السياق والمخرجات — 1,048,576 رمز إدخال في كليهما، مع تحديد سقف ميزانية المخرجات للاستجابة الواحدة في نقطة التحقق القابلة للاستدعاء عند 943,718 رمزًا.

• سطح الإدخال — نص وصورة وكلام وفيديو يدخل؛ ونص يخرج. دخول الفيديو والكلام دون خطوة نسخ تسبقهما هو الفرق في القدرات الأرجح أن يغيّر أي معمارية.

إذن، الفريق الذي يقرأ ادعاء الإطلاق ثم ينظر إلى خيارات الشراء الخاصة به إنما يقارن بين شيئين مختلفين: واجهة برمجة تطبيقات (API) بسعر 4.00 دولارات و20.00 دولارًا يمكنه استدعاؤها اليوم، ونقطة تحقق (checkpoint) يمثّل الوصول إليها قرار شراء شهري. وأي تقييم يخلط بينهما ليس مقارنة بين نماذج.

ما الذي يغطيه القياس المستقل

قاس Artificial Analysis النصف القابل للوصول. يأتي Muse Wonder (max) عند مؤشر الذكاء Intelligence Index بقيمة 52، في المرتبة التاسعة بين 219 نموذجًا، بتكلفة 4.00 دولارات للإدخال و20.00 دولارًا للإخراج مع خصم تخزين مؤقت بنسبة 95%، ما يعادل نحو 4.52 دولارات لكل مهمة مؤشر — وهو الرقم الأقل لكل مهمة بين نقطتي التحقق الحدوديتين المقاستين. وتسجل بطاقته نحو 130 مليون رمز إخراج مستهلك أثناء التقييم مقابل وسيط قدره 85 مليونًا، ونافذة سياق 1M، وإدخال من النص والصورة والكلام والفيديو مقابل إخراج نصي.

يُقرأ Muse Wonder Full (max) عند 56 على المؤشر نفسه، في المرتبة الرابعة من 699، دون نشر سعر لأنه لا يوجد معدل لكل توكن يمكن تطبيع الرقم مقابله. تُدرج Meta نقطة التحقق نفسها عند 59.0 على Artificial Analysis Index في جدولها الخاص. إن اختلافًا بثلاث نقاط على المؤشر نفسه الذي يحمل الاسم ذاته يبدو أمرًا صغيرًا بمعزل عن غيره، وموضّحًا في المجمل: يصف رقم المورّد اتجاه المسار، بينما يصف الرقم 56 قياسًا.

اللوحة المستقلة تخبرك أيضاً بما لا يستطيع جدول المورّد أن يخبرك به. يسجّل Muse Wonder Full نتيجة 56 ويسجّل Muse Wonder نتيجة 52 — بفارق أربع نقاط على منصة تقييم عامة، مقابل فارق 44 نقطة في JobBench تُبلّغ عنه Meta من أداتها الخاصة. أحد هذين المقياسين يقيس شيئاً لا يقيسه الآخر.

ما التكلفة الفعلية للتصعيد

تسعير Muse Wonder ليس ميزة من حيث القيمة. فسعر 4.00 دولارات للإدخال و20.00 دولارًا للإخراج هو نفس سعر القائمة الخاص بـ Claude Opus 5.5، ويبلغ عدة أضعاف ما تتقاضاه نماذج الاستدلال مفتوحة الأوزان الحالية. وما يفصل بين الاثنين عند المعدلات المتطابقة هو عدد التوكنات التي يستهلكها كل منهما لإتمام المهمة، وفي هذا الجانب يكون Muse Wonder الأقل استهلاكًا بين الاثنين: نحو 130 مليون توكن إخراج مقابل ما يقرب من 260 مليون لدى Claude Opus 5.5 ضمن إطار التقييم نفسه، ولهذا تخرج أرقام التكلفة المستقلة لكل مهمة قريبة من 4.52 دولار و5.98 دولار على التوالي.

الرافعة المؤثرة في تلك التكلفة هي سلّم الجهد، وليس مفتاح تبديل الوضع. الاستدلال إلزامي؛ ويمتد سلّم الجهد من الأدنى إلى الأقصى، وقيمته الافتراضية متوسطة، وتُحتسب رموز الاستدلال كرموز إخراج بسعر 20 دولارًا لكل مليون. لا يوجد مسار غير استدلالي يمكن الرجوع إليه لحركة المرور عالية الحجم. ومع سقف إخراج يبلغ 943,718 رمزًا، يُعد إعداد الجهد هو السطر الوحيد في التكامل الذي يحدد ما إذا كان هذا الطراز ميسور التكلفة لعبء العمل لديك.

والحجة الداعية إلى اللجوء إلى Full checkpoint أصلاً أضعف مما يوحي به ادعاء الإطلاق، لأن النقاط المستقلة الأربع بين نقطتي التحقق على Artificial Analysis تقع داخل نطاق الضوضاء لتقييم بتشغيل واحد. وما يفصل بينهما في جدول المورّد هو الصفوف الطويلة الأفق، ذات الحالة، والكثيفة الأدوات — وهذه بالتحديد هي الصفوف التي لم يكرّرها أحد خارج Meta.

حيث يثبت جهاز التوجيه جدارته هنا

Muse Wonder ليس على OrcaRouter. لا يوجد مُدخل meta/muse-wonder في كتالوجنا، ولن نصف واحدًا كما لو كان موجودًا؛ فواجهة Meta API الخاصة وMuse Code هما حيث يعمل، وMuse Wonder Full لا يعمل في أي مكان إلا خلف اشتراك Muse Code.

مشكلة التوجيه التي تنشئها هذه الإطلاقة هي مشكلة قياس. فبمجرد أن يصبح أحد النموذجين في أي مقارنة محكومًا باشتراك، والآخر محسوبًا لكل توكن، فإن السبيل الوحيد لمقارنة عبء عملك بينهما هو تشغيل المهام نفسها عبر أداة الاختبار الخاصة بك وإحصاء التوكنات بدلًا من معدلات النجاح. وهذا هو شكل العمل الذي بُنيت له نقطة نهاية واحدة. ويقدّم OrcaRouter أكثر من 200 نموذج خلف واجهة برمجية واحدة متوافقة مع OpenAI، والنماذج التي تدعوك هذه الإطلاقة إلى القياس مقابلها — Claude Opus 5.5 بسعر 4.00 دولارات للإدخال و20.00 دولارًا للإخراج، وMuse Spark 1.2الخاص بـ Meta بسعر 1.25 و4.25 دولارًا — متاحة عليه بالفعل بأسعار قوائم مورّديها نفسها دون أي زيادة من جانبنا. تُمرَّر أسعار قوائم المورّدين دون تغيير، لذا يصلنا أي تغيير في تسعير المورّد في اليوم نفسه الذي يصدر فيه.

ثمة استخدام ثانٍ خاص بهذه السلسلة. لقد أطلقت Meta ما لا يقل عن ثلاثة نماذج قريبة من الطليعة في غضون خمسة أشهر — Muse Spark 1.2 في أغسطس، وMuse Spark 1.3 في سبتمبر، وسلسلة Muse Wonder في أكتوبر — ويأتي كل منها مع لوحة نتائج من المورّد ونموذج تكلفة للاستدلال الإلزامي. إن تشغيل مجموعة تقييم ثابتة مقابل أيٍّ منها يمكنك الوصول إليه، واستبدال معرّف النموذج بدلًا من استبدال الحزمة التقنية، هو أرخص طريقة لتجنب إعادة تعلّم الدرس نفسه ثلاث مرات.

ما لا يحسمه ادعاء الإطلاق

• ما إذا كان Muse Wonder Full سيحصل يومًا ما على مسار API. نقطة التحقق الأعلى تقييمًا محجوبة خلف اشتراك شهري، ما يجعل الوصول إليها قرارًا شرائيًا لا هندسيًا. ولم تقل Meta إنها ستفتحه.

• أي أداة تقييم أنتجت 57.5 و46.3. وإلى أن تتم الإجابة عن ذلك، لا يمكن وضع الرقمين الأكثر اقتباسًا من هذا الإطلاق على منحنى إلى جانب صفوف Meta الخاصة، وينبغي ألا يُقتبسا كما لو كان يمكن وضعهما.

• ما إذا كان فارق الـ44 نقطة في JobBench بين نقطتي حفظ من المختبر نفسه يصمد في تشغيل مستقل. فجوة بهذا الحجم إما أن تكون انقسامًا حقيقيًا بين ملفَي تعريف، أو أثرًا من منصة التقييم، ولا يحسم أيهما إلا طرف ثالث.

• ما إذا كانت Active Memory وActive Focus تصمدان في بيئة الإنتاج. تصف Meta حالةً مستمرة عبر الجلسات وانتباهًا ذاتي الإدارة في المهام الطويلة. لا يُعرض أيٌّ منهما على بطاقة طراز، ويُحسم أمر كليهما عبر أسابيع من حركة الإنتاج لا عبر منشور إطلاق.

السلسلة حقيقية وقد طُرحت فعليًا، ونقطة النهاية القابلة للاستدعاء متاحة الآن. ما أخطأ فيه ادعاء الإطلاق هو لوحة النتائج، لا النموذج. الموقف القابل للدفاع اليوم هو الموقف الضيق: في صفوف الأفق الطويل الخاصة بشركة Meta نفسها، يتقدّم ثنائي Muse Wonder على نموذجَي Claude وGPT في الجدول في بعض المجموعات ويتخلف عنهما في أخرى، ونقطة التحقق ذات الأرقام الأكبر هي التي لا يمكنك استدعاؤها، والرقمان الأكثر اقتباسًا من الإعلان لا يظهران إطلاقًا في جدول المورّد نفسه.