Meta affirme que Muse Wonder Full surpasse Opus 5.5 dans le travail d’agent soutenu. Le propre tableau de Meta dit quelque chose de plus restreint.

Muse Wonder Full est le checkpoint le plus performant que Meta Superintelligence Labs a annoncé le 12 octobre 2026, et Muse Wonder est le jumeau appelable livré dans le même article. Les deux figurent dans le propre tableau d'évaluation de Meta, aux côtés de Claude Opus 5.5, GPT-6 Astra et Claude Fable 5.1, et l'affirmation qui a voyagé le plus loin depuis ce tableau — à savoir que Muse Wonder Full surpasse les principaux modèles de frontière sur plusieurs tests de travail d'agent soutenu, et qu'il surpasse tous les autres modèles sur DeepSWE, y compris Claude Opus 5.5 — ne se reproduit pas face aux chiffres que Meta a elle-même publiés. Cet écart est l'histoire, et il est plus utile que l'affirmation.

Ce que dit la revendication, et ce que dit le tableau

Le résumé largement partagé rapporte deux chiffres en particulier : un score SWE-Marathon de 57,5 % pour Muse Wonder Full contre 46,3 % pour un modèle Claude, et un résultat DeepSWE qui place Muse Wonder Full devant tout le reste du domaine. Les lignes publiées par Meta se lisent différemment sur les deux.

• SWE-Marathon — Meta liste Muse Wonder Full à 79,0, Muse Wonder à 78,8, GPT-6 Astra à 74,1, Claude Opus 5.5 à 74,2 et Claude Fable 5.1 à 67,4. Il n’y a ni 57,5 ni 46,3 nulle part dans la ligne, et l’avance sur Claude Opus 5.5 est de 4,8 points, et non de 11,2.

• DeepSWE 1.1 — Meta classe GPT-6 Astra à 59,1 et Claude Opus 5.5 à 59,6, tous deux au-dessus de Muse Wonder Full à 57,1 et de Muse Wonder à 52,0, qui égale Claude Fable 5.1. Dans le propre tableau de Meta, Muse Wonder Full est troisième sur cette ligne, pas premier.

• 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. Il s’agit d’une véritable avance pour la paire Meta, et le checkpoint appelable dépasse de peu celui de l’abonnement.

• JobBench, tâches professionnelles à long horizon — 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. Un écart de 44 points entre deux checkpoints d’un même laboratoire, qui est soit une véritable scission dans les cibles d’entraînement, soit un artefact du harnais.

• 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. Encore un énorme écart interne, et l’orientation n’est pas uniforme d’une ligne de Meta à l’autre.

Chacun de ces chiffres est déclaré par le fournisseur, produit dans le harnais propre à Meta avec un effort de raisonnement maximal, et aucun n’a été reproduit de manière indépendante. Ce n’est pas une raison pour écarter le tableau. C’est la raison pour laquelle la première question à se poser au sujet de tout chiffre qui en a été diffusé devrait être de savoir quel harnais l’a produit.

Le 57,5 et le 46,3 ne sont pas sur la table.

Deux possibilités correspondent à ce qui est réellement vérifiable. Soit le résumé cite une évaluation différente — une suite nommée différemment, un réglage d'effort de raisonnement différent, un taux de réussite plutôt que le score de l'indice, ou une exécution de harnais en dehors de Meta —, soit les chiffres sont erronés. Rien dans les documents publiés de Meta n'établit ni l'un ni l'autre, et cet article n'affirmera pas que Muse Wonder Full obtient 57,5 % sur SWE-Marathon alors que la propre ligne du fournisseur indique 79,0.

La bonne réponse est procédurale plutôt que rhétorique. Un nom de benchmark n’est pas une spécification. SWE-Marathon exécuté à effort maximal avec un budget de 200 étapes, un budget de 500 étapes et une limite de temps réel produira trois nombres différents pour le même modèle, et il en va de même pour toute suite à long horizon. Lorsqu’un score arrive sans harnais, réglage d’effort ni budget d’étapes attachés, il s’agit d’un point sur une courbe inconnue. Demandez le harnais avant de planifier la capacité en fonction du nombre.

La version corrigée de l'affirmation est plus étroite et reste intéressante : sur les propres lignes à long horizon de Meta, Muse Wonder Full devance les modèles Claude et GPT dans le tableau, avec des écarts allant de 4,8 points sur SWE-Marathon à 44 points sur JobBench, et perd face à eux sur DeepSWE 1.1 et sur Harvey LAB-AA. C'est une affirmation défendable. La version qui dit qu'il gagne partout ne l'est pas.

Lequel des deux vous pouvez réellement atteindre

L’affirmation a un second problème, plus ardu, et il ne concerne pas du tout les scores. Le checkpoint avec les chiffres phares n’est pas vendu au token.

• Où chacun s'exécute — muse-wonder-1.0 répond sur l'API Meta Model et au sein de Muse Code, l'agent de codage en terminal de l'entreprise. muse-wonder-full-1.0 est décrit par Meta comme accessible uniquement avec l'abonnement Muse Code.

• Combien coûte Full — les forfaits publiés de Meta sont de 50 $ par mois pour Power Usage et de 200 $ par mois pour Maximum Usage. Il n’existe pas de formule à l’usage, aucun tarif par token que vous pouvez acheter, et aucun moyen de pointer un SDK vers le checkpoint au score plus élevé.

• La grille tarifaire qui ne s’y applique pas — Meta publie 4,00 $ par million de tokens d’entrée, 0,20 $ pour l’entrée mise en cache et 20,00 $ par million de tokens de sortie pour la série. Ces tarifs décrivent un chemin qui existe pour Muse Wonder et n’existe pas pour Muse Wonder Full.

• Contexte et sortie — 1 048 576 jetons d’entrée sur les deux, avec le budget de sortie pour une réponse unique du point de contrôle appelable plafonné à 943 718 jetons.

• Surface d’entrée — texte, image, parole et vidéo en entrée ; texte en sortie. L’entrée de vidéo et de parole sans étape de transcription préalable est la différence de capacité la plus susceptible de changer une architecture.

Donc une équipe qui lit l'annonce de lancement puis examine ses propres options d'approvisionnement compare deux choses différentes : une API à 4,00 $ et 20,00 $ qu'elle peut appeler dès aujourd'hui, et un checkpoint dont l'accès relève d'une décision d'achat mensuelle. Toute évaluation qui les mélange n'est pas une comparaison de modèles.

Quelle mesure indépendante couvre

Artificial Analysis a mesuré la moitié accessible. Muse Wonder (max) affiche un Intelligence Index de 52 et se classe neuvième sur 219 modèles, à 4,00 $ en entrée et 20,00 $ en sortie avec une remise de cache de 95 %, ce qui revient à environ 4,52 $ par tâche d’indice — le coût par tâche le moins élevé des deux checkpoints frontière mesurés. Sa fiche indique environ 130 millions de tokens de sortie consommés pendant l’évaluation, contre une médiane de 85 millions, la fenêtre de contexte de 1 M, et des entrées texte, image, parole et vidéo pour une sortie texte.

Muse Wonder Full (max) affiche 56 sur le même indice, classé quatrième sur 699, sans prix publié, puisqu'il n'y a pas de tarif par token sur lequel normaliser. Meta liste le même checkpoint à 59,0 sur l'Artificial Analysis Index dans son propre tableau. Un désaccord de trois points sur le même indice nommé est une petite chose isolément et une chose éclairante dans l'ensemble : le chiffre du fournisseur décrit une trajectoire, le 56 décrit une mesure.

Le classement indépendant vous dit aussi ce que le tableau du fournisseur ne peut pas dire. Muse Wonder Full obtient 56 et Muse Wonder obtient 52 — quatre points d’écart sur un harnais public, contre l’écart de 44 points sur JobBench que Meta rapporte d’après le sien. L’un de ces deux instruments mesure quelque chose que l’autre ne mesure pas.

Ce que l’escalade coûte réellement

La tarification de Muse Wonder n’est pas un positionnement de valeur. 4,00 $ en entrée et 20,00 $ en sortie, c’est le même prix catalogue que Claude Opus 5.5, et plusieurs fois ce que facturent les modèles de raisonnement à poids ouverts actuels. Ce qui sépare les deux à tarifs identiques, c’est le nombre de tokens que chacun dépense pour terminer une tâche, et sur ce plan, Muse Wonder est le plus économe des deux : environ 130 millions de tokens de sortie contre environ 260 millions pour Claude Opus 5.5 dans le même cadre d’évaluation, ce qui explique pourquoi les chiffres indépendants de coût par tâche ressortent à près de 4,52 $ et 5,98 $ respectivement.

Le levier sur ce coût est l’échelle d’effort, pas un commutateur de mode. Le raisonnement est obligatoire, l’échelle va de minimal à max et par défaut à medium, et les tokens de raisonnement sont facturés comme des tokens de sortie à 20 $ par million. Il n’existe aucun chemin sans réflexion sur lequel se rabattre pour un trafic à fort volume. Combiné à un plafond de sortie de 943 718 tokens, le réglage d’effort est la seule ligne dans une intégration qui détermine si ce modèle est abordable pour votre charge de travail.

Et l'argument pour recourir ne serait-ce qu'au checkpoint Full est plus fragile que ne le suggère l'annonce de lancement, car les quatre points indépendants entre les deux checkpoints sur Artificial Analysis se situent dans la marge de bruit d'une évaluation à exécution unique. Ce qui les départage dans le tableau du fournisseur, ce sont les lignes à long horizon, à état et fortement outillées — et ce sont exactement les lignes que personne en dehors de Meta n'a reproduites.

Où un routeur justifie sa place ici

Muse Wonder n'est pas sur OrcaRouter. Il n'y a aucune entrée meta/muse-wonder dans notre catalogue et nous n'en décrirons pas une comme si elle existait ; l'API propre à Meta et Muse Code sont les environnements dans lesquels il s'exécute, et Muse Wonder Full ne s'exécute nulle part, sauf derrière un abonnement Muse Code.

Le problème de routage que crée ce lancement est un problème de mesure. Dès lors qu'un modèle d'une comparaison est réservé aux abonnés et que l'autre est facturé au token, le seul moyen de comparer votre propre charge de travail entre eux est d'exécuter les mêmes tâches dans votre propre harnais et de compter les tokens plutôt que les taux de réussite. C'est exactement le type de travail pour lequel un point de terminaison unique est conçu. OrcaRouter regroupe plus de 200 modèles derrière une seule API compatible OpenAI, et les modèles par rapport auxquels ce lancement vous invite à vous mesurer — Claude Opus 5.5 à 4,00 $ en entrée et 20,00 $ en sortie, le Muse Spark 1.2 de Meta à 1,25 $ et 4,25 $ — y sont déjà, aux prix catalogue de leurs propres fournisseurs, sans aucune marge appliquée de notre côté. Les prix catalogue des fournisseurs sont répercutés sans modification, de sorte qu'un changement de tarif d'un fournisseur nous parvient le jour même où il entre en vigueur.

Il existe un second usage propre à cette série. Meta a livré au moins trois modèles proches de la frontière en cinq mois — Muse Spark 1.2 en août, Muse Spark 1.3 en septembre, la série Muse Wonder en octobre — et chacun arrive avec un tableau de scores du fournisseur et un modèle de coûts lié au raisonnement obligatoire. Exécuter un ensemble d’évaluation fixe sur celui de ces modèles auquel vous pouvez accéder, et remplacer un identifiant de modèle plutôt qu’une pile technologique, est le moyen le moins coûteux d’éviter de réapprendre la même leçon trois fois.

Ce que l’affirmation de lancement ne tranche pas

• Que Muse Wonder Full obtienne un jour un chemin d’accès API. Le checkpoint au score le plus élevé est verrouillé derrière un abonnement mensuel, ce qui fait de son accès une décision d’achat plutôt qu’une décision d’ingénierie. Meta n’a pas dit qu’elle l’ouvrirait.

• Quel harnais a produit 57,5 et 46,3. Tant qu’on n’aura pas répondu à cette question, les deux nombres les plus cités de ce lancement ne pourront pas être placés sur une courbe aux côtés des propres lignes de Meta, et ne devraient pas être cités comme s’ils pouvaient l’être.

• Si l’écart de 44 points au JobBench entre deux checkpoints issus d’un même laboratoire survit à une exécution indépendante. Un écart de cette ampleur est soit une véritable séparation entre deux profils, soit un artefact du banc d’essai, et seule une tierce partie peut trancher.

• Savoir si Active Memory et Active Focus tiennent le coup en production. Meta décrit un état persistant entre les sessions et une attention auto-gérée sur les tâches longues. Ni l’un ni l’autre n’est démontré sur une fiche de modèle, et tous deux sont tranchés par des semaines de trafic de production plutôt que par un billet de lancement.

La série est réelle et livrée, et le point de terminaison appelable est en ligne. Ce que l'annonce de lancement a mal présenté, c'est le tableau des scores, pas le modèle. La position défendable aujourd'hui est la plus étroite : sur les propres lignes à long horizon de Meta, le duo Muse Wonder devance les modèles Claude et GPT dans le tableau sur certaines suites et se situe derrière eux sur d'autres, le checkpoint avec les chiffres les plus élevés est celui que l'on ne peut pas appeler, et les deux chiffres les plus cités de l'annonce n'apparaissent pas du tout dans le tableau du fournisseur lui-même.