Muse Wonder vs Claude Opus 5.5 en la generación de SVG: qué muestra realmente la primera prueba práctica

Muse Wonder pasó a disponibilidad general el 12 de octubre de 2026 —el mismo día en que su hermano de mayor puntuación, Muse Wonder Full, se lanzó bajo suscripción— y ya ha acumulado más páginas comparativas que casi cualquier modelo que este blog haya cubierto. Lo que no había acumulado, hasta esta semana, era una prueba publicada de primera mano de una capacidad específica y verificable. El 12 de octubre, la cuenta de X @scaling01 publicó un cara a cara de Muse Wonder contra Claude Opus 5.5 en generación de SVG, con dos hallazgos que vale la pena leer con atención: Muse Wonder Full es "bueno e incluso intenta la generación 3D", y su estilo de salida es "demasiado efectista" y "se excede".

Eso es una afirmación real, concreta y falsable sobre un modelo real ya lanzado, y proviene de alguien que afirma haber ejecutado ambos modelos por cuenta propia. También es, al momento de escribir esto, una única ejecución no reproducida por parte de una cuenta cuya propia publicación comienza con una divulgación publicitaria. Ambas cosas son ciertas a la vez, y este artículo trata de sostenerlas juntas en lugar de elegir una de las dos.

Los términos de la prueba, tal como fueron enunciados

La revelación es la primera línea de la publicación en lugar de una nota al pie, lo cual vale la pena señalar porque no es típico del formato. El autor afirma que Meta proporcionó acceso gratuito de vista previa a Muse Wonder, que pagó de su propio bolsillo por Claude Opus 5.5, y que las pruebas y conclusiones son suyas. Esa es una posición de conflicto de intereses materialmente más débil que una colocación pagada no revelada: un lado de la comparación fue gratuito, el otro no, y el autor lo dice.

Tres cosas sobre la configuración no se dan, y cada una de ellas restringe lo que el veredicto puede respaldar.

• Qué endpoint se probó — Muse Wonder y Muse Wonder Full existen como dos ID de modelo separados con dos tableros de puntuación diferentes, y la publicación menciona Muse Wonder en la comparación, pero atribuye la observación de generación 3D a Muse Wonder Full

• Qué configuración de esfuerzo se utilizó — el razonamiento de Muse Wonder es obligatorio y ejecuta una escala de esfuerzo de mínimo a máximo, con valor predeterminado medio, y los tokens de razonamiento se facturan como salida, por lo que la configuración cambia tanto el costo como el carácter de la salida

• Cuántos prompts se ejecutaron: sin recuento de prompts, sin texto de prompts, sin semilla, sin reejecución

El segundo y el tercero de esos importan más de lo que parecen. Un modelo cuyo razonamiento está siempre activado y cuyo esfuerzo lo establece el usuario producirá una salida SVG visiblemente distinta en mínimo que en máximo, y un veredicto sobre el estilo es exactamente el tipo de juicio que una sola ejecución de un solo prompt puede equivocar. Esto no es una crítica al autor —una publicación breve en X no es un artículo, y la revelación más la frase «las pruebas y las conclusiones son mías» es más transparencia de la que ofrecen la mayoría de las comparaciones del día de lanzamiento. Es una afirmación de para qué puede y para qué no puede usarse el texto.

Lo que realmente mide una prueba de SVG

SVG es un objetivo inusualmente bueno para una comparación práctica y un objetivo inusualmente malo para una casual, y entender por qué explica qué te dice el veredicto y qué no.

Un SVG es texto que se renderiza de forma determinista. Esa es la parte buena: un revisor puede pegar la salida sin procesar del modelo en un visor, mirarla y ver exactamente lo que produjo el modelo — sin canalización de generación de imágenes, sin semilla de muestreo en un decodificador de difusión, sin la duda de si el criterio es la imagen o el archivo. Si un modelo emite marcado mal formado, el dibujo falla de manera visible. Si emite 40 kilobytes de definiciones de degradado donde bastarían 2 kilobytes de trazados, eso es medible.

Lo malo es que los veredictos de estilo como «gimmicky» y «overindulges» son las afirmaciones menos separables de todo el ámbito. Dentro de ellos hay dos juicios independientes:

• Destreza — ¿el modelo produjo un SVG válido, bien estructurado y renderizable, o produjo algo que necesitó reparación antes de dibujar nada?

• Contención — ¿utilizó el mínimo marcado que la solicitud necesitaba, o recurrió a degradados, filtros, desenfoques, animación y efectos ráster incrustados porque estaban disponibles?

El oficio se acerca a lo objetivo y puede puntuarse mediante un script. La contención es un juicio de gusto disfrazado de juicio técnico, y los revisores razonables discrepan al respecto constantemente: un diseñador que pide una ilustración para un portafolio quiere los degradados, y un ingeniero que pide una hoja de iconos no. Así que cuando un revisor dice que un modelo se excede, la pregunta útil no es si eso es cierto, sino para qué tarea es cierto. La publicación no separa ambas afirmaciones, y es genuinamente difícil separarlas en una sola sesión.

La afirmación comparativa y la afirmación de cumplimiento

El encuadre del post sitúa a Claude Opus 5.5 en el otro lado y la observación sobre la generación 3D en el lado de Muse Wonder Full, lo que lo convierte en una comparación de tres vías dentro de un título de dos nombres — la misma arruga estructural que recorre todo el lanzamiento de Muse Wonder.

En ese eje, el contexto útil es el mismo en todos sus hermanos: Claude Opus 5.5 no es un modelo completamente nuevo. Se lanzó el 22 de septiembre de 2026, aproximadamente tres semanas antes que Muse Wonder, y su perfil de costo y capacidad está bien caracterizado. Independientemente, en el Artificial Analysis Intelligence Index, Claude Opus 5.5 (max) marca 58 —la puntuación más alta en la clase de 219 modelos—, mientras que Muse Wonder (max) marca 52, clasificado noveno de 219. El precio de lista de Opus 5.5 es $4.00 por millón de tokens de entrada y $20.00 por millón de tokens de salida; el precio de lista de Muse Wonder es idéntico, $4.00 y $20.00. Lo irónico de la situación es que Opus 5.5 resulta ser el modelo más caro en la práctica, no por su tarifa, sino porque es verboso: Artificial Analysis registra que consume alrededor de 260 millones de tokens de salida durante la evaluación frente a una mediana de 85 millones, frente a aproximadamente 130 millones para Muse Wonder, lo que equivale a unos $5.98 por tarea de índice frente a unos $4.52. Ese es el tipo de comparación de dos números que un evaluador con medición de tokens puede medir y un único prompt SVG no puede.

Lo que la prueba SVG añade es una categoría que el índice no cubre. La generación de texto estructurado se sitúa en algún punto entre el código y la ilustración, y ninguna tabla de clasificación la puntúa — ni el Personal Superintelligence Index, ni JobBench, ni Terminal-Bench 4.0-AA, ni SWE-Marathon. Si el trabajo real de un lector implica emitir archivos vectoriales limpios, las tablas de clasificación convencionales guardan silencio sobre su pregunta, que es precisamente por lo que vale la pena enlazar un enfrentamiento directo e improvisado.

De qué trata realmente la segunda afirmación

“Incluso intenta la generación 3D” es la mitad más interesante de la observación, y es fácil de malinterpretar como una afirmación de capacidad.

En el contexto SVG, esto describe con mayor probabilidad un modelo que va más allá del dibujo bidimensional plano hacia una tercera dimensión implícita o parcial: construcciones isométricas, formas extruidas, cuadrículas en perspectiva, pseudocapas apiladas o marcado generado que se renderiza como una escena tridimensional. No es lo mismo que un modelo 3D. Producir una malla, un objeto escaneado o un recurso imprimible es un tipo de resultado completamente distinto, y la expresión "generación 3D" se usa de forma imprecisa en todo el ámbito para referirse a cualquier cosa, desde una ilustración 2.5D hasta un archivo de geometría real. Sin los prompts o los archivos, el lector no puede saber cuál de ellos fue este.

Si era el sentido más laxo, la afirmación es coherente con la queja sobre el estilo en lugar de estar en tensión con ella. Recurrir a la proyección isométrica o a capas apiladas es el mismo instinto que recurrir a degradados: más maquinaria de la que pedía el encargo. Ambas afirmaciones pueden estar describiendo un mismo comportamiento —un modelo que trata el marcado disponible como un permiso—, lo cual es una conclusión más útil que cualquiera de las dos mitades por sí sola, y también la versión que un segundo revisor es más probable que confirme o refute.

Sin embargo, hay una asimetría que vale la pena señalar aquí. Cuando los dos checkpoints difieren en los datos de lanzamiento, la división es estructural más que de pulido. En la propia tabla de benchmarks de Meta, Muse Wonder Full supera al modelo de API por un amplio margen en JobBench (75,3 frente a 30,8) y en Vals Finance Agent V2 (59,1 frente a 10,0), mientras que en Harvey LAB-AA pierde ante él por 41 puntos, 13,1 frente a 54,3. Esas cifras las reporta el proveedor, se produjeron en el harness de Meta y no se han reproducido. Pero describen un laboratorio que entrenó dos perfiles en lugar de uno, y una diferencia de estilo o de mesura entre los checkpoints es exactamente el tipo de cosa que produciría una división estructural. Por lo tanto, qué checkpoint estaba mirando el revisor cuando escribió «efectista» no es una pregunta pedante: la publicación sitúa las dos observaciones en modelos distintos.

Donde los modelos realmente pueden contactarse

Para cualquiera que quiera hacer esta comparación por su cuenta en lugar de aceptar el veredicto a ciegas, la cuestión práctica es dónde reside cada modelo, y las respuestas no son simétricas.

• Claude Opus 5.5 — disponible de forma general desde el 22 de septiembre de 2026, 4,00 USD por millón de tokens de entrada y 20,00 USD por millón de tokens de salida, con una tarifa de lectura de caché de 0,20 USD, una ventana de contexto de 1 millón de tokens y presupuestos de pensamiento que incluyen una configuración sin pensamiento

• Muse Wonder — disponible de forma general desde el 12 de octubre de 2026, en la Meta Model API y dentro de Muse Code, al mismo precio de $4.00 de entrada y $20.00 de salida, con un contexto de 1.048.576 tokens y un límite de salida de 943.718 tokens

• Muse Wonder Full — anunciado el mismo día pero no se vende por token; solo es accesible mediante una suscripción a Muse Code, y no tiene una tarifa por token publicada, por lo que aquí no tiene ninguna fila de precio.

El problema radica en la configuración de razonamiento de Muse Wonder. No se puede desactivar. La escala de esfuerzo va de mínimo, bajo, medio, alto, xhigh y máximo, con medio como valor predeterminado, y los tokens de razonamiento se facturan como salida. Por lo tanto, cualquier prueba comparativa directa contra un modelo al que se le pueda indicar que no piense supone comparar una configuración limitada con una sin limitar, a menos que quien reseña indique la configuración, y esta publicación no lo hace. Esa es la brecha de mayor trascendencia en la reproducción, más que el recuento de prompts que falta.

Cómo reproducirlo en una tarde

La razón por la que vale la pena ampliar esta prueba en lugar de descartarla es que ampliarla sale barato. Una versión útil requiere cuatro cosas que la original no proporciona: un conjunto fijo de prompts de quizá una docena de tareas vectoriales que abarcan iconos, diagramas, ilustraciones y gráficos; una declaración del ajuste de esfuerzo; los archivos SVG sin procesar conservados junto a los renders; y una pasada de puntuación que separe la destreza de la contención en lugar de mezclarlas. Doce prompts en dos ajustes de esfuerzo con dos modelos son 48 ejecuciones —unos pocos dólares de tokens de salida frente a estas tarifas, y un artefacto genuinamente más útil que cualquier impresión del día del lanzamiento.

Este es también el caso en el que un router se amortiza solo de una manera que una comparación de precios pura no capta. Claude Opus 5.5 se sirve en OrcaRouter al precio de lista de la propia Anthropic — $4.00 por millón de tokens de entrada, $20.00 por millón de salida, $0.20 por millón por lecturas de caché —, con el traspaso sin margen que se aplica en todo el catálogo, de modo que un cambio de precio de un proveedor llega a nuestro lado el mismo día en que llega al suyo. Los precios de lista de los proveedores se trasladan sin cambios; la capa de enrutamiento no añade ningún diferencial. Un barrido de una docena de prompts en dos modelos es una sola clave y un solo endpoint en lugar de dos cuentas, dos integraciones de SDK y dos relaciones de facturación, y si estás probando algo tan poco contrastado como un modelo lanzado ayer, la conmutación automática por error significa que un proveedor con límite de tasa o degradado no arrastra consigo toda la ejecución.

Para ser explícitos sobre lo que no tenemos: no hay ninguna entrada meta/muse-wonder ni meta/muse-wonder-full en nuestro catálogo. No enrutamos ninguno de los dos checkpoints y no vamos a describir uno como si lo hiciéramos. Lo que sí ofrecemos del mismo laboratorio es la línea Muse Spark — Muse Spark 1.2 está a $1.25 por millón de entrada y $4.25 por millón de salida, que tiene la misma ventana de contexto que el modelo insignia a una fracción del precio, y es el modelo al que recurrir si quieres la familia de razonamiento de Meta a través de la misma clave que todo lo demás. Añadir Muse Wonder a un barrido es actualmente una segunda cuenta; añadir Muse Spark 1.2 es una línea en la misma configuración.

Qué observar y qué lo resolvería

Tres cosas harían que esto pasara de ser una impresión interesante a ser evidencia.

• Un segundo revisor con un gusto distinto que llega al mismo veredicto de contención — los juicios de estilo que sobreviven a un cambio de revisor son sobre el modelo; los que no, son sobre el revisor

• Muse Wonder Full volviéndose accesible por token — el modelo nombrado en la observación de generación 3D es el que no tiene tarifa publicada, así que nadie que quiera comprobar esa mitad de la afirmación puede comprar acceso a él sin una suscripción mensual a un agente de programación

• Cualquier marcador independiente que añada una tarea de vectores o de gráficos estructurados — la brecha en la que cae esta prueba no es que nadie la haya ejecutado, sino que ningún tablero la puntúa, por lo que la tarde de una persona es actualmente todo el registro

El resumen honesto es que este es un hallazgo real con una limitación real. Un reseñador que reveló que tuvo acceso de vista previa pagado, que pagó de su propio bolsillo por la otra parte y que publicó un veredicto negativo concreto ha hecho más de lo que hace un resumen de lanzamiento — y un modelo que «intenta» cosas que no se le pidieron es una afirmación sobre la contención, no sobre la capacidad, y la contención es lo que más fácilmente el siguiente reseñador verá de otra manera. Si hoy estás eligiendo entre Claude Opus 5.5 y Muse Wonder para salida vectorial, la brecha del índice independiente es de seis puntos y la brecha de volumen de tokens es de dos a uno a favor de Muse Wonder; el veredicto sobre el estilo es el juicio de una sola persona en una tarde y debería tratarse como una hipótesis en lugar de un resultado.