Meta dice que Muse Wonder Full supera a Opus 5.5 en trabajo sostenido con agentes. La propia tabla de Meta dice algo más limitado.

Muse Wonder Full es el checkpoint con mayor puntuación que Meta Superintelligence Labs anunció el 12 de octubre de 2026, y Muse Wonder es el hermano invocable que se publicó en la misma entrada. Ambos aparecen en la propia tabla de evaluación de Meta junto a Claude Opus 5.5, GPT-6 Astra y Claude Fable 5.1, y la afirmación que más se alejó de esa tabla —que Muse Wonder Full supera a los principales modelos frontera en varias pruebas de trabajo de agente sostenido, y que supera a todos los demás modelos en DeepSWE, incluido Claude Opus 5.5— no se reproduce frente a las cifras que Meta misma publicó. Esa brecha es la historia, y es más útil que la afirmación.

Lo que dice la afirmación y lo que dice la tabla.

El resumen ampliamente compartido reporta dos cifras en particular: una puntuación de SWE-Marathon del 57,5 % para Muse Wonder Full frente al 46,3 % de un modelo Claude, y un resultado de DeepSWE que sitúa a Muse Wonder Full por delante de todo lo demás en el campo. Las filas publicadas por Meta se leen de forma distinta en ambos casos.

• SWE-Marathon — Meta enumera Muse Wonder Full con 79.0, Muse Wonder con 78.8, GPT-6 Astra con 74.1, Claude Opus 5.5 con 74.2 y Claude Fable 5.1 con 67.4. No aparece ningún 57.5 ni ningún 46.3 en toda la fila, y el margen sobre Claude Opus 5.5 es de 4.8 puntos, no de 11.2.

• DeepSWE 1.1 — Meta sitúa a GPT-6 Astra en 59.1 y a Claude Opus 5.5 en 59.6, ambos por encima de Muse Wonder Full en 57.1 y Muse Wonder en 52.0, que empata con Claude Fable 5.1. En la propia tabla de Meta, Muse Wonder Full ocupa el tercer puesto en esta fila, no el primero.

• 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. Esta es una ventaja genuina para la dupla de Meta, y el checkpoint invocable supera por poco al de suscripción.

• JobBench, tareas profesionales de horizonte largo — 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. Una brecha de 44 puntos entre dos checkpoints del mismo laboratorio, que es o una división real en los objetivos de entrenamiento o un artefacto del harness.

• 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. Otra enorme dispersión interna, y la dirección no es uniforme entre las filas de Meta.

Todos y cada uno de esos números están reportados por el proveedor, producidos en el entorno de pruebas propio de Meta con el máximo esfuerzo de razonamiento, y ninguno de ellos ha sido reproducido de forma independiente. Eso no es una razón para descartar la tabla. Es la razón por la que la primera pregunta sobre cualquier número que haya circulado a partir de ella debería ser qué entorno de pruebas lo produjo.

El 57,5 y el 46,3 no están sobre la mesa

Hay dos posibilidades que encajan con lo que realmente se puede verificar. O el resumen está citando una evaluación distinta —un conjunto de pruebas con otro nombre, una configuración distinta del esfuerzo de razonamiento, una tasa de aprobación en lugar de la puntuación del índice, o una ejecución del arnés de pruebas fuera de Meta—, o las cifras son incorrectas. Nada en el material publicado por Meta establece ninguna de las dos cosas, y este artículo no va a afirmar que Muse Wonder Full obtiene un 57,5 % en SWE-Marathon cuando la propia fila del proveedor dice 79,0.

La respuesta correcta es de procedimiento, no retórica. El nombre de un benchmark no es una especificación. SWE-Marathon ejecutado con el máximo esfuerzo con un presupuesto de 200 pasos, un presupuesto de 500 pasos y un límite de tiempo real dará tres cifras distintas para el mismo modelo, y lo mismo se cumple para cualquier suite de horizonte largo. Cuando llega una puntuación sin un harness, un ajuste de esfuerzo y un presupuesto de pasos adjuntos, es un punto en una curva desconocida. Pide el harness antes de planificar la capacidad en torno a esa cifra.

La versión corregida de la afirmación es más limitada y sigue siendo interesante: en las propias filas de horizonte largo de Meta, Muse Wonder Full lidera a los modelos Claude y GPT en la tabla por márgenes que van desde 4,8 puntos en SWE-Marathon hasta 44 puntos en JobBench, y pierde frente a ellos en DeepSWE 1.1 y en Harvey LAB-AA. Esa es una afirmación defendible. La versión que dice que gana en todas partes no lo es.

¿A cuál de los dos puedes llegar realmente?

La afirmación tiene un segundo problema, más difícil aún, y no tiene nada que ver con las puntuaciones. El checkpoint con las cifras destacadas no se vende por token.

• Dónde se ejecuta cada uno — muse-wonder-1.0 responde en la Meta Model API y dentro de Muse Code, el agente de programación de terminal de la compañía. Meta describe muse-wonder-full-1.0 como exclusivo para suscriptores de Muse Code.

• Cuánto cuesta Full: los planes publicados de Meta cuestan $50 al mes por Power Usage y $200 al mes por Maximum Usage. No hay una vía medida, ninguna tarifa por token que puedas comprar y ninguna forma de apuntar un SDK al checkpoint de mayor puntuación.

• La tarjeta de tarifas que no se le aplica — Meta publica $4.00 por millón de tokens de entrada, $0.20 para entrada en caché y $20.00 por millón de tokens de salida para la serie. Esas tarifas describen una ruta que existe para Muse Wonder y no existe para Muse Wonder Full.

• Contexto y salida — 1,048,576 tokens de entrada en ambos, con el presupuesto de salida de respuesta única del checkpoint invocable limitado a 943,718 tokens.

• Superficie de entrada — texto, imagen, voz y vídeo de entrada; texto de salida. Que el vídeo y la voz entren sin un paso de transcripción previo es la diferencia de capacidad con más probabilidades de cambiar una arquitectura.

Así que un equipo que lee la afirmación de lanzamiento y luego examina sus propias opciones de adquisición está comparando dos cosas distintas: una API a $4.00 y $20.00 a la que pueden invocar hoy, y un checkpoint cuyo acceso es una decisión de compra mensual. Cualquier evaluación que los mezcle no es una comparación de modelos.

¿Qué medición independiente cubre?

Artificial Analysis ha medido la mitad alcanzable. Muse Wonder (max) se sitúa en un Intelligence Index de 52, clasificado noveno de 219 modelos, a $4.00 de entrada y $20.00 de salida con un descuento de caché del 95%, lo que equivale a aproximadamente $4.52 por tarea de índice — la cifra por tarea más barata de los dos puntos de control de frontera medidos. Su tarjeta registra aproximadamente 130 millones de tokens de salida consumidos durante la evaluación frente a una mediana de 85 millones, la ventana de contexto de 1M, y entrada de texto, imagen, habla y video frente a salida de texto.

Muse Wonder Full (max) marca 56 en el mismo índice, ocupa el cuarto lugar de 699 y no tiene precio publicado porque no hay una tarifa por token con la que normalizar. Meta incluye el mismo checkpoint con 59.0 en el Artificial Analysis Index en su propia tabla. Una discrepancia de tres puntos en el mismo índice con nombre es una cosa pequeña de forma aislada y esclarecedora en conjunto: la cifra del proveedor describe la dirección de avance, el 56 describe una medición.

El panel independiente también te dice lo que la tabla del proveedor no puede. Muse Wonder Full obtiene 56 y Muse Wonder obtiene 52 — cuatro puntos de diferencia en un arnés público, frente a la diferencia de 44 puntos en JobBench que Meta reporta desde el suyo. Uno de esos dos instrumentos está midiendo algo que el otro no.

Lo que realmente cuesta la escalada

El precio de Muse Wonder no es una propuesta de valor. $4.00 de entrada y $20.00 de salida es el mismo precio de lista que Claude Opus 5.5, y varias veces lo que cobran los modelos de razonamiento de pesos abiertos actuales. Lo que separa a ambos con tarifas idénticas es cuántos tokens gasta cada uno en terminar una tarea, y en ese aspecto Muse Wonder es el más frugal de los dos: aproximadamente 130 millones de tokens de salida frente a los aproximadamente 260 millones de Claude Opus 5.5 en el mismo marco de evaluación, por lo que las cifras independientes de coste por tarea resultan cercanas a $4.52 y $5.98, respectivamente.

La palanca sobre ese costo es la escala de esfuerzo, no un interruptor de modo. El razonamiento es obligatorio, la escala va de mínimo a máximo y su valor predeterminado es medio, y los tokens de razonamiento se facturan como tokens de salida a $20 por millón. No hay una ruta sin razonamiento a la que recurrir para tráfico de gran volumen. Combinado con un techo de salida de 943,718 tokens, la configuración de esfuerzo es la única línea en una integración que decide si este modelo es asequible para tu carga de trabajo.

Y el argumento para recurrir siquiera al checkpoint Full es más débil de lo que sugiere la afirmación del lanzamiento, porque los cuatro puntos independientes entre los dos checkpoints en Artificial Analysis están dentro de la banda de ruido de una evaluación de una sola ejecución. Lo que los separa en la tabla del proveedor son las filas de horizonte largo, con estado y con uso intensivo de herramientas, y esas son exactamente las filas que nadie fuera de Meta ha reproducido.

Donde un router se gana su lugar aquí

Muse Wonder no está en OrcaRouter. No hay ninguna entrada meta/muse-wonder en nuestro catálogo y no vamos a describir una como si existiera; la propia API de Meta y Muse Code son donde se ejecuta, y Muse Wonder Full no se ejecuta en ningún sitio salvo detrás de una suscripción a Muse Code.

El problema de enrutamiento que crea este lanzamiento es un problema de medición. Una vez que un modelo de una comparación está restringido por suscripción y el otro se factura por token, la única forma de comparar tu propia carga de trabajo entre ambos es ejecutar las mismas tareas a través de tu propio harness y contar tokens en lugar de tasas de aprobación. Esa es la forma de trabajo para la que está hecho un único endpoint. OrcaRouter ofrece más de 200 modelos detrás de una única API compatible con OpenAI, y los modelos con los que este lanzamiento te invita a comparar — Claude Opus 5.5 a $4.00 de entrada y $20.00 de salida, el propio Muse Spark 1.2 de Meta a $1.25 y $4.25 — ya están disponibles en él a los precios de lista de sus propios proveedores, sin ningún recargo por nuestra parte. Los precios de lista de los proveedores se transfieren sin cambios, así que un cambio de precios de un proveedor nos llega el mismo día en que se aplica.

Hay un segundo uso específico de esta serie. Meta ha lanzado al menos tres modelos cercanos a la frontera en cinco meses —Muse Spark 1.2 en agosto, Muse Spark 1.3 en septiembre, la serie Muse Wonder en octubre—, y cada uno llega con un marcador de proveedor y un modelo de costos de razonamiento obligatorio. Ejecutar un conjunto de evaluación fijo contra el que de ellos puedas acceder, y cambiar un identificador de modelo en lugar de un stack, es la forma más barata de evitar aprender la misma lección tres veces.

Lo que la afirmación del lanzamiento no resuelve

• Si Muse Wonder Full llega a tener alguna vez una ruta de API. El checkpoint de mayor puntuación está bloqueado tras una suscripción mensual, lo que hace que acceder a él sea una decisión de compra y no una decisión de ingeniería. Meta no ha dicho que vaya a abrirlo.

• ¿Qué harness produjo 57.5 y 46.3? Hasta que eso se responda, los dos números más citados de este lanzamiento no pueden situarse en una curva junto a las propias filas de Meta, y no deberían citarse como si pudieran.

• Si la diferencia de 44 puntos en JobBench entre dos puntos de control del mismo laboratorio se mantiene en una ejecución independiente. Una brecha de ese tamaño es o una división genuina de dos perfiles o un artefacto del arnés, y solo un tercero determina cuál.

• Si Active Memory y Active Focus resisten en producción. Meta describe estado persistente entre sesiones y atención autogestionada en tareas largas. Ninguno se demuestra en una ficha de modelo, y ambos se dirimen con semanas de tráfico de producción en lugar de con un post de lanzamiento.

La serie es real y ya se ha lanzado, y el endpoint invocable está activo. Lo que la afirmación del lanzamiento entendió mal es el marcador, no el modelo. La postura defendible hoy es la más limitada: en las propias filas de horizonte largo de Meta, el par Muse Wonder lidera a los modelos Claude y GPT en la tabla en algunas suites y va por detrás de ellos en otras, el checkpoint con los números más grandes es el que no puedes invocar, y las dos cifras más citadas del anuncio no aparecen en absoluto en la propia tabla del proveedor.