Meta sagt, Muse Wonder Full schlägt Opus 5.5 bei anhaltender Agentenarbeit. Metas eigene Tabelle sagt etwas Engeres.

Muse Wonder Full ist der höher bewertete Checkpoint, den Meta Superintelligence Labs am 12. Oktober 2026 angekündigt hat, und Muse Wonder ist das aufrufbare Geschwistermodell, das im selben Beitrag veröffentlicht wurde. Beide erscheinen in Metas eigener Evaluierungstabelle neben Claude Opus 5.5, GPT-6 Astra und Claude Fable 5.1, und die Behauptung, die am weitesten von dieser Tabelle abwich – dass Muse Wonder Full führende Frontier-Modelle bei mehreren Tests anhaltender Agentenarbeit schlägt und dass es auf DeepSWE jedes andere Modell übertrifft, einschließlich Claude Opus 5.5 –, lässt sich anhand der von Meta selbst veröffentlichten Zahlen nicht reproduzieren. Diese Kluft ist die Geschichte, und sie ist nützlicher als die Behauptung.

Was in der Behauptung steht und was in der Tabelle steht

Die viel geteilte Zusammenfassung berichtet insbesondere von zwei Zahlen: einem SWE-Marathon-Score von 57,5 % für Muse Wonder Full gegenüber 46,3 % für ein Claude-Modell und einem DeepSWE-Ergebnis, das Muse Wonder Full vor alle anderen im Feld setzt. Metas veröffentlichte Zeilen lesen sich bei beiden anders.

• SWE-Marathon — Meta listet Muse Wonder Full mit 79,0, Muse Wonder mit 78,8, GPT-6 Astra mit 74,1, Claude Opus 5.5 mit 74,2 und Claude Fable 5.1 mit 67,4 auf. In der Zeile kommt weder 57,5 noch 46,3 vor, und der Vorsprung gegenüber Claude Opus 5.5 beträgt 4,8 Punkte, nicht 11,2.

• DeepSWE 1.1 — Meta führt GPT-6 Astra mit 59,1 und Claude Opus 5.5 mit 59,6 auf, beide über Muse Wonder Full mit 57,1 und Muse Wonder mit 52,0, das gleichauf mit Claude Fable 5.1 liegt. In Metas eigener Tabelle steht Muse Wonder Full in dieser Zeile an dritter Stelle, nicht an erster.

• 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. Dies ist ein echter Vorsprung für das Meta-Paar, und der aufrufbare Checkpoint liegt knapp vor der Abo-Variante.

• JobBench, langhorizontige professionelle Aufgaben — 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. Eine Kluft von 44 Punkten zwischen zwei Checkpoints aus demselben Labor, die entweder eine echte Aufspaltung bei den Trainingszielen oder ein Harness-Artefakt ist.

• 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. Erneut eine enorme interne Streuung, und die Richtung ist über Metas Zeilen hinweg nicht einheitlich.

Jede einzelne dieser Zahlen wurde vom Anbieter selbst gemeldet, in Metas eigenem Harness mit maximalem Reasoning-Aufwand erzeugt, und nichts davon wurde unabhängig reproduziert. Das ist kein Grund, die Tabelle zu verwerfen. Es ist der Grund, warum die erste Frage bei jeder Zahl, die daraus weitergegeben wurde, lauten sollte, welcher Harness sie erzeugt hat.

Die 57,5 und die 46,3 sind nicht auf dem Tisch.

Zwei Möglichkeiten passen zu dem, was tatsächlich verifizierbar ist. Entweder zitiert die Zusammenfassung eine andere Evaluierung – eine anders benannte Suite, eine andere Reasoning-Effort-Einstellung, eine Pass-Rate statt des Index-Scores oder einen Harness-Lauf außerhalb von Meta – oder die Zahlen sind falsch. Nichts in Metas veröffentlichtem Material belegt eines von beidem, und dieser Beitrag wird nicht behaupten, dass Muse Wonder Full 57,5 % bei SWE-Marathon erreicht, wenn die eigene Zeile des Anbieters 79,0 sagt.

Die richtige Reaktion ist prozedural, nicht rhetorisch. Ein Benchmark-Name ist keine Spezifikation. SWE-Marathon, mit maximalem Aufwand gegen ein Budget von 200 Schritten, ein Budget von 500 Schritten und eine Wall-Clock-Obergrenze ausgeführt, liefert für dasselbe Modell drei verschiedene Zahlen, und dasselbe gilt für jede Long-Horizon-Suite. Wenn ein Score ohne Harness, ohne Aufwandseinstellung und ohne Schrittbudget eintrifft, ist er ein Punkt auf einer unbekannten Kurve. Fragen Sie nach dem Harness, bevor Sie Kapazität anhand dieser Zahl planen.

Die korrigierte Version der Behauptung ist enger gefasst und immer noch interessant: Auf Metas eigenen Long-Horizon-Zeilen führt Muse Wonder Full die Claude- und GPT-Modelle in der Tabelle mit Vorsprüngen an, die von 4,8 Punkten bei SWE-Marathon bis zu 44 Punkten bei JobBench reichen, und verliert gegen sie bei DeepSWE 1.1 und bei Harvey LAB-AA. Das ist eine vertretbare Aussage. Die Version, die besagt, dass es überall gewinnt, ist es nicht.

Welche der beiden kannst du tatsächlich erreichen?

Die Behauptung hat ein zweites, schwierigeres Problem, und es geht überhaupt nicht um Scores. Der Checkpoint mit den Schlagzeilen-Zahlen wird nicht pro Token verkauft.

• Wo jedes ausgeführt wird — muse-wonder-1.0 antwortet auf der Meta Model API und innerhalb von Muse Code, dem Terminal-Coding-Agenten des Unternehmens. muse-wonder-full-1.0 wird von Meta als ausschließlich im Muse Code-Abonnement verfügbar beschrieben.

• Was Full kostet — Metas veröffentlichte Tarife belaufen sich auf 50 $ pro Monat für Power Usage und 200 $ pro Monat für Maximum Usage. Es gibt keinen nutzungsbasierten Weg, keinen Preis pro Token, den man kaufen kann, und keine Möglichkeit, ein SDK auf den höher bewerteten Checkpoint auszurichten.

• Die Preisliste, die dafür nicht gilt — Meta veröffentlicht für die Serie $4,00 pro Million Eingabe-Tokens, $0,20 für zwischengespeicherte Eingabe und $20,00 pro Million Ausgabe-Tokens. Diese Preise beschreiben einen Weg, den es für Muse Wonder gibt und für Muse Wonder Full nicht.

• Kontext und Ausgabe — 1.048.576 Eingabe-Tokens bei beiden, wobei das Ausgabebudget des aufrufbaren Checkpoints für eine einzelne Antwort bei 943.718 Tokens gedeckelt ist.

• Eingabeoberfläche — Text, Bild, Sprache und Video hinein; Text hinaus. Video und Sprache, die ohne einen vorgeschalteten Transkriptionsschritt eingehen, sind der Fähigkeitsunterschied, der am ehesten eine Architektur verändert.

Wenn ein Team also die Launch-Behauptung liest und dann seine eigenen Beschaffungsoptionen betrachtet, vergleicht es zwei verschiedene Dinge: eine API für 4,00 $ und 20,00 $, die es heute aufrufen kann, und einen Checkpoint, dessen Zugang eine monatliche Kaufentscheidung ist. Jede Bewertung, die beides vermischt, ist kein Modellvergleich.

Was unabhängige Messungen abdecken

Artificial Analysis hat die erreichbare Hälfte gemessen. Muse Wonder (max) steht bei einem Intelligence Index von 52, rangiert auf Platz neun von 219 Modellen, bei 4,00 $ für Eingabe und 20,00 $ für Ausgabe mit 95 % Cache-Rabatt, was ungefähr 4,52 $ pro Index-Aufgabe ergibt – der günstigere Pro-Aufgabe-Wert der beiden gemessenen Frontier-Checkpoints. Seine Karte verzeichnet etwa 130 Millionen während der Evaluierung verbrauchte Ausgabe-Tokens gegenüber einem Median von 85 Millionen, das 1-Mio.-Kontextfenster sowie Text-, Bild-, Sprach- und Videoeingabe gegenüber Textausgabe.

Muse Wonder Full (max) erreicht 56 auf demselben Index, rangiert auf Platz vier von 699, ohne veröffentlichten Preis, da es keinen Preis pro Token gibt, gegen den normalisiert werden könnte. Meta führt denselben Checkpoint mit 59,0 auf dem Artificial Analysis Index in seiner eigenen Tabelle auf. Eine Drei-Punkte-Abweichung auf demselben benannten Index ist isoliert betrachtet eine Kleinigkeit und in der Gesamtschau aufschlussreich: Die Herstellerangabe beschreibt die Richtung, die 56 beschreibt eine Messung.

Das unabhängige Board verrät Ihnen außerdem, was die Anbietertabelle nicht sagen kann. Muse Wonder Full erreicht 56 Punkte und Muse Wonder erreicht 52 Punkte — vier Punkte Abstand auf einem öffentlichen Harness, gegenüber der 44-Punkte-Spanne bei JobBench, die Meta aus eigenen Tests meldet. Eines dieser beiden Instrumente misst etwas, das das andere nicht misst.

Was die Eskalation tatsächlich kostet

Die Preisgestaltung von Muse Wonder ist kein Wertversprechen. 4,00 $ für die Eingabe und 20,00 $ für die Ausgabe entsprechen demselben Listenpreis wie Claude Opus 5.5 und sind ein Mehrfaches dessen, was die aktuellen Open-Weight-Reasoning-Modelle verlangen. Was die beiden bei identischen Preisen unterscheidet, ist, wie viele Tokens jedes aufwendet, um eine Aufgabe abzuschließen, und in dieser Hinsicht ist Muse Wonder das sparsamere der beiden: rund 130 Millionen Ausgabe-Tokens gegenüber etwa 260 Millionen bei Claude Opus 5.5 im selben Evaluierungsrahmen, weshalb die unabhängigen Kosten-je-Aufgabe-Werte bei etwa 4,52 $ bzw. 5,98 $ liegen.

Der Hebel bei diesen Kosten ist die Effort-Leiter, nicht ein Moduswechsel. Reasoning ist verpflichtend, die Leiter reicht von minimal bis max und ist standardmäßig auf medium eingestellt, und Reasoning-Tokens werden als Output-Tokens mit 20 $ pro Million abgerechnet. Es gibt keinen Non-Thinking-Pfad, auf den man bei Traffic mit hohem Volumen zurückfallen könnte. In Kombination mit einer Ausgabeobergrenze von 943.718 Token ist die Effort-Einstellung die einzige Zeile in einer Integration, die darüber entscheidet, ob dieses Modell für Ihre Workload erschwinglich ist.

Und das Argument, überhaupt zum Full-Checkpoint zu greifen, ist dünner, als die Launch-Behauptung nahelegt, denn die vier unabhängigen Punkte zwischen den beiden Checkpoints bei Artificial Analysis liegen innerhalb des Rauschbands einer Single-Run-Auswertung. Was sie in der Anbietertabelle trennt, sind die langhorizontigen, zustandsbehafteten, tool-lastigen Zeilen – und das sind genau die Zeilen, die niemand außerhalb von Meta reproduziert hat.

Wo ein Router hier seinen Platz verdient

Muse Wonder ist nicht auf OrcaRouter. Es gibt keinen Eintrag meta/muse-wonder in unserem Katalog, und wir werden keinen beschreiben, als gäbe es einen; Metas eigene API und Muse Code sind der Ort, an dem es läuft, und Muse Wonder Full läuft nirgendwo außer hinter einem Abonnement für Muse Code.

Das Routingproblem, das dieser Launch erzeugt, ist ein Messproblem. Sobald ein Modell in einem Vergleich nur über ein Abonnement zugänglich ist und das andere pro Token abgerechnet wird, besteht die einzige Möglichkeit, Ihre eigene Arbeitslast über beide hinweg zu vergleichen, darin, dieselben Aufgaben durch Ihre eigene Testumgebung laufen zu lassen und statt Erfolgsquoten Token zu zählen. Das ist die Art von Arbeit, für die ein einzelner Endpunkt gebaut ist. OrcaRouter bündelt mehr als 200 Modelle hinter einer einzigen OpenAI-kompatiblen API, und die Modelle, gegen die dieser Launch Sie zum Messen einlädt – Claude Opus 5.5 bei 4,00 $ Eingabe und 20,00 $ Ausgabe, Metas eigenes Muse Spark 1.2 bei 1,25 $ und 4,25 $ – sind dort bereits zu den Listenpreisen ihrer jeweiligen Anbieter verfügbar, ohne dass auf unserer Seite etwas aufgeschlagen wird. Anbieter-Listenpreise werden unverändert durchgereicht, sodass eine Preisänderung eines Anbieters uns am selben Tag erreicht, an dem sie erfolgt.

Es gibt einen zweiten Anwendungsfall, der für diese Serie spezifisch ist. Meta hat in fünf Monaten mindestens drei frontier-nahe Modelle veröffentlicht – Muse Spark 1.2 im August, Muse Spark 1.3 im September, die Muse-Wonder-Serie im Oktober – und jedes kommt mit einer Anbieter-Bestenliste und einem Kostenmodell für obligatorisches Reasoning. Ein festes Evaluationsset gegen jene von ihnen laufen zu lassen, auf die du Zugriff hast, und eine Modellkennung statt eines Stacks auszutauschen, ist der billigste Weg, um zu vermeiden, dieselbe Lektion dreimal neu zu lernen.

Was die Behauptung zum Launch nicht klärt

• Ob Muse Wonder Full jemals einen API-Pfad erhält. Der höher bewertete Checkpoint ist hinter einem Monatsabonnement verschlossen, was den Zugang zu ihm zu einer Kaufentscheidung statt zu einer technischen Entscheidung macht. Meta hat nicht gesagt, dass es ihn öffnen wird.

• Welcher Harness hat 57,5 und 46,3 erzeugt? Bis das geklärt ist, können die beiden am häufigsten zitierten Zahlen aus diesem Launch nicht auf einer Kurve neben Metas eigenen Zeilen platziert werden und sollten auch nicht so zitiert werden, als wäre das möglich.

• Ob der 44-Punkte-Abstand bei JobBench zwischen zwei Checkpoints aus demselben Labor einen unabhängigen Lauf übersteht. Ein Unterschied dieser Größe ist entweder eine echte Aufspaltung in zwei Profile oder ein Artefakt des Prüfaufbaus, und nur eine unabhängige dritte Partei kann klären, was davon zutrifft.

• Ob Active Memory und Active Focus im Produktivbetrieb standhalten. Meta beschreibt persistenten Zustand über Sitzungen hinweg und selbstverwaltete Aufmerksamkeit bei langen Aufgaben. Keines von beiden wird auf einer Model Card demonstriert, und beide werden erst durch wochenlangen Produktions-Traffic geklärt, nicht durch einen Launch-Post.

Die Serie ist real und ausgeliefert, und der aufrufbare Endpunkt ist live. Falsch ist an der Launch-Behauptung das Scoreboard, nicht das Modell. Die heute vertretbare Position ist die eng gefasste: In Metas eigenen Long-Horizon-Zeilen führt das Muse-Wonder-Paar die Claude- und GPT-Modelle in der Tabelle bei einigen Suiten an und liegt bei anderen hinter ihnen; der Checkpoint mit den höheren Werten ist derjenige, den man nicht aufrufen kann, und die beiden meistzitierten Zahlen aus der Ankündigung tauchen in der eigenen Tabelle des Anbieters überhaupt nicht auf.