Muse Wonder débarque sur OpenCode : un agent de codage face à un premier token en 30 secondes

Meta Muse Wonder est devenu sélectionnable dans OpenCode le 21 octobre 2026, neuf jours après que Meta Superintelligence Labs a publié le modèle le 12 octobre. C'est le fait qui mérite d'être rapporté, et c'est un fait plus modeste que ne le suggère le titre : le modèle n'a pas été lancé ici, il a été ajouté à un harnais de codage qui comptait déjà une longue liste de modèles. Ce qui rend cet ajout intéressant, c'est la collision qu'il crée. Un agent de terminal est l'endroit le moins indulgent pour exécuter un modèle qu'Artificial Analysis mesure à 30,35 secondes avant le premier token, et Muse Wonder est exactement ce modèle — 52 sur l'Intelligence Index indépendant, 4,00 $ par million de tokens d'entrée et 20,00 $ par million de sortie, et une attente du premier token d'environ huit fois la médiane du classement. Savoir si un agent de codage peut absorber cette attente est la question dont traite réellement cet article. Lorsqu'une valeur de premier token comme celle-ci change après qu'un fournisseur a déployé un correctif, la modification est consignée avec sa date et ses sources dans the AI Incident Archive, aux côtés des autres défaillances de modèles et de fournisseurs que nous suivons.

Qu’est-ce qui a réellement changé le 21 octobre ?

OpenCode publie sa liste de modèles dans sa documentation, et Muse Wonder y apparaît désormais sous l'identifiant muse-wonder-1.0, au tarif de 4,00 $ en entrée, 20,00 $ en sortie et 0,20 $ pour la lecture en cache par million de jetons — la même grille tarifaire que publie Meta, sans remise associée. L'entrée est servie via un point de terminaison Responses compatible OpenAI, ce qui signifie qu'une configuration OpenCode existante n'a pas besoin d'un client sur mesure pour y accéder ; il lui faut une chaîne de modèle et une clé.

La précision honnête : le changelog d’OpenCode lui-même ne nomme pas le modèle. Ses entrées les plus récentes pour cette semaine-là, v2.1.0 le 20 octobre et v2.1.2 le 21 octobre, décrivent le rétablissement de la limite gratuite, la visibilité des modèles et des changements de SDK. La disponibilité est donc documentée dans la liste des modèles plutôt qu’annoncée comme une fonctionnalité phare, ce qui est la manière ordinaire dont le support d’un harness arrive et aussi la raison pour laquelle un lecteur peut voir le modèle dans un sélecteur avant de voir un article de blog à son sujet. Nous n’avons pas pu lire directement la publication sociale du fournisseur — elle renvoyait vers un mur de paiement — donc la date ici repose sur la liste ainsi que sur l’horodatage de la publication elle-même, pas sur un communiqué de presse.

Rien n’a changé concernant le modèle lui-même le 21 octobre. Ses poids n’ont pas été ouverts, son prix n’a pas bougé et aucun nouveau benchmark n’est apparu. La seule nouveauté, c’est la portée : un modèle qui exigeait auparavant de connecter manuellement l’API de Meta ne demande désormais qu’une ligne de configuration dans un outil que beaucoup de gens ont déjà ouvert.

Le nombre qui détermine si c’est agréable

Artificial Analysis fait passer chaque modèle par le même banc d’essai, et pour un outil de codage agentique, ses chiffres de latence comptent davantage que son score composite. Pour Muse Wonder à son réglage de raisonnement maximal :

• Temps jusqu'au premier token — 30,35 secondes, contre une médiane du classement de 3,96 secondes

• Débit de sortie une fois lancé — 145,1 jetons par seconde, 26e sur 185 modèles mesurés et bien au-dessus de la médiane de 79,2

• Coût par tâche de l’Intelligence Index — environ 4,52 $, contre un tarif catalogue mixte de 2,94 $ par million de jetons

• Tokens de sortie consommés lors de l’exécution d’indexation — environ 130 millions, contre une médiane de 85 millions

• Fenêtre de contexte — 1 048 576 jetons, avec texte, image, parole et vidéo acceptés en entrée et du texte renvoyé

Ces deux chiffres de latence décrivent une forme particulière de modèle : il réfléchit longtemps, puis écrit vite. Dans une fenêtre de chat, c’est tolérable. Dans une boucle d’agent qui effectue huit appels d’outils, l’attente de 30 secondes est payée à chaque tour, et une tâche de huit tours peut passer quatre minutes simplement à attendre le premier jeton de chaque étape. Les 145 jetons par seconde sont réels et c’est pourquoi le modèle ne semble pas lent une fois qu’il parle — mais cela ne peut pas racheter le silence avant le premier mot.

Ce n’est pas un argument contre son utilisation. C’est un argument pour choisir les bons tours. La revendication la plus forte de Muse Wonder rapportée par le fournisseur concerne le travail professionnel à long horizon — le propre tableau de Meta place Muse Wonder Full à 75,3 sur JobBench, un benchmark agentique à long horizon et l’endroit où ses chiffres divergent le plus nettement de ceux de son homologue. Si votre session OpenCode est un seul refactor difficile avec un grand plan, l’attente est amortie sur une longue génération. S’il s’agit de quarante petites modifications, elle est payée quarante fois.

Le dépôt qui n'est pas une version

Les lecteurs qui cherchent les poids trouveront meta-01/muse-wonder sur Hugging Face et peuvent raisonnablement conclure que quelque chose d'ouvert s'est produit. Ce n'est pas le cas. Le dépôt contient un fichier .gitattributes et rien d'autre : pas de fiche modèle, pas de config.json, pas de fragments safetensors, pas de fichier de licence. Les téléchargements ne sont pas suivis, et la page indique que le modèle n'est déployé par aucun fournisseur d'inférence sur cette plateforme. À la lecture, ce dépôt est une réservation de nom — un espace réservé contenant une chaîne, pas un checkpoint.

Donc, l’énoncé correct de l’ouverture de Muse Wonder est le suivant : propriétaire, accessible uniquement via API, avec un dépôt nu qui squatte le nom. Quiconque le décrit comme étant à poids ouverts, téléchargeable ou affinable décrit un autre modèle. La même prudence s’applique à la structure à deux checkpoints — muse-wonder-1.0 est le modèle appelable, et muse-wonder-full-1.0 est la configuration au score plus élevé que Meta vend via son abonnement Muse Code plutôt que par token. OpenCode liste le premier.

Où OrcaRouter se situe, et où il ne se situe pas

Nous ne proposons pas Muse Wonder. Il n’y a pas de meta/muse-wonder dans le catalogue de modèles OrcaRouter, et aucune disponibilité de modèles Meta adjacents n’y change rien — les checkpoints Meta que nous proposons sont meta/muse-spark-1.2 à 1,25 $ en entrée et 4,25 $ en sortie par million de tokens, ainsi que son prédécesseur 1.1, tous deux avec une fenêtre de 1 048 576 tokens. Le dire franchement compte plus qu’à l’accoutumée, car un modèle accessible uniquement via deux fournisseurs est exactement le cas où la réponse honnête d’un routeur est « pas celui-ci pour l’instant » plutôt qu’un silence suggestif.

Ce pour quoi la couche de routage est véritablement utile ici, c’est l’expérimentation. Un modèle vieux de dix jours, avec un premier token à 30 secondes et une seule évaluation indépendante à son actif, n’est pas de ceux sur lesquels on fait reposer un chemin de production par simple confiance. Dirigez une fraction du trafic vers lui depuis la même clé que celle qui atteint les modèles auxquels vous faites déjà confiance, laissez le reste du trafic là où il est, et laissez le basculement automatique rattraper les délais d’expiration pendant que vous déterminez si le comportement sur longue durée vaut l’attente. C’est une façon moins coûteuse de répondre à la question que de migrer un workflow en espérant que ça marche.

L'autre moitié de l'argument sur le routage est arithmétique. Parce que nous répercutons les prix catalogue des fournisseurs sans marge, une baisse de prix d'un fournisseur apparaît de notre côté le jour même, et un modèle que nous n'hébergeons pas n'apparaît tout simplement pas — le catalogue est une déclaration sur ce qui est accessible, pas une liste de souhaits. Quand Muse Wonder arrivera ici, le prix que vous verrez sera celui de Meta.

Qu’est-ce qui en ferait une histoire plus importante ?

Trois choses, chacune vérifiable en un seul chargement de page. Une entrée Muse Wonder dans le changelog d’OpenCode, plutôt que seulement dans sa liste de modèles, signifierait que l’intégration est traitée comme une fonctionnalité et non comme une simple ligne de catalogue. Un second évaluateur indépendant qui publierait un chiffre à long terme étayerait la seule affirmation qui repose aujourd’hui entièrement sur le propre tableau de Meta. Et tout changement dans le dépôt Hugging Face — une fiche de modèle, une licence, un seul fichier safetensors — modifierait la question de l’ouverture, qui n’a aujourd’hui qu’une réponse en un mot.

D’ici là, la bonne lecture du 21 octobre est étroite et utile : un modèle de pointe est devenu plus facile à essayer dans l’outil où la plupart des gens l’essaieraient, et ce qui décidera s’il reste configuré n’est pas son score d’index, mais de savoir si 30 secondes de silence par tour sont un prix que le travail peut payer.