Muse Wonder vs Claude Opus 5.5 sur la génération SVG : ce que montre réellement le premier test pratique

Muse Wonder est passé en disponibilité générale le 12 octobre 2026 — le jour même où son homologue mieux noté, Muse Wonder Full, est sorti en accès réservé aux abonnés — et il a déjà accumulé plus de pages comparatives que presque n'importe quel modèle couvert par ce blog. Ce qu'il n'avait pas accumulé, jusqu'à cette semaine, c'était un test de première main publié d'une capacité précise et vérifiable. Le 12 octobre, le compte X @scaling01 a publié un face-à-face entre Muse Wonder et Claude Opus 5.5 sur la génération de SVG, avec deux constats qui méritent une lecture attentive : Muse Wonder Full est « bon et tente même la génération 3D », et son style de sortie est « trop gadget » et il « en fait trop ».

C'est une affirmation réelle, précise et falsifiable à propos d'un modèle réellement commercialisé, et elle vient de quelqu'un qui déclare avoir lui-même fait tourner les deux modèles. À l'heure où j'écris, il s'agit aussi d'une unique exécution non reproduite, par un seul compte dont la publication même commence par une mention publicitaire. Ces deux choses sont vraies en même temps, et cet article vise à les tenir ensemble plutôt qu'à en choisir une.

Les termes du test, énoncés tels qu’ils ont été énoncés.

La divulgation figure à la première ligne de l'article plutôt que dans une note de bas de page, ce qui mérite d'être souligné car cela n'est pas typique du format. L'auteur indique que Meta a fourni un accès gratuit en avant-première à Muse Wonder, qu'il a payé Claude Opus 5.5 de sa poche, et que les tests et les conclusions lui appartiennent. C'est une position substantiellement plus faible en matière de conflit d'intérêts qu'un placement payant non divulgué — un côté de la comparaison a été offert, l'autre non, et l'auteur le dit.

Trois choses concernant la configuration ne sont pas données, et chacune d’elles limite ce que le verdict peut étayer.

• Quel endpoint a été testé — Muse Wonder et Muse Wonder Full existent comme deux ID de modèle distincts avec deux tableaux de scores différents, et la publication mentionne Muse Wonder dans la comparaison mais attribue l’observation de génération 3D à Muse Wonder Full

• Quel réglage d'effort a été utilisé — le raisonnement de Muse Wonder est obligatoire et suit une échelle d'effort allant de minimal à max, avec medium par défaut, et les tokens de raisonnement sont facturés en sortie, donc ce réglage influe à la fois sur le coût et sur la nature de la sortie

• Combien de prompts ont été exécutés — aucun décompte de prompts, aucun texte de prompt, aucune graine, aucune réexécution

Le deuxième et le troisième de ces éléments comptent plus qu’ils n’en ont l’air. Un modèle dont le raisonnement est toujours activé et dont l’effort est défini par l’utilisateur produira une sortie SVG visiblement différente au minimum qu’au maximum, et un verdict sur le style est exactement le genre de jugement qu’une seule exécution d’un seul prompt peut rendre erroné. Il ne s’agit pas d’une critique de l’auteur — un court post sur X n’est pas un article, et la divulgation ainsi que la phrase « les tests et conclusions sont les miens » témoignent de plus de transparence que la plupart des comparaisons du jour du lancement n’en comportent. C’est un constat de ce à quoi ce texte peut et ne peut pas servir.

Ce que mesure réellement un test SVG

SVG est une cible inhabituellement bonne pour une comparaison pratique et une cible inhabituellement mauvaise pour une comparaison désinvolte, et le fait de comprendre pourquoi explique ce que le verdict vous dit et ne vous dit pas.

Un SVG est un texte dont le rendu est déterministe. C’est là le bon côté : un relecteur peut coller la sortie brute du modèle dans une visionneuse, la regarder et voir exactement ce que le modèle a produit — pas de pipeline de génération d’images, pas de graine d’échantillonnage sur un décodeur de diffusion, pas de question de savoir si le critère est l’image ou le fichier. Si un modèle émet un balisage mal formé, le dessin échoue visiblement. S’il émet 40 kilo-octets de définitions de dégradés là où 2 kilo-octets de chemins suffiraient, c’est mesurable.

Le problème, c'est que les verdicts stylistiques comme « gimmicky » et « overindulges » sont les affirmations les moins dissociables de tout le domaine. Deux jugements indépendants se trouvent à l'intérieur :

• Savoir-faire — le modèle a-t-il produit un SVG valide, bien structuré et pouvant être rendu, ou a-t-il produit quelque chose qui a nécessité une réparation avant de dessiner quoi que ce soit ?

• Retenue — a-t-il utilisé le minimum de balisage requis par la demande, ou a-t-il eu recours à des dégradés, des filtres, des flous, de l'animation et des effets raster intégrés parce qu'ils étaient disponibles ?

Le savoir-faire est presque objectif et peut être noté par un script. La retenue est un jugement de goût déguisé en jugement technique, et des évaluateurs raisonnables sont constamment en désaccord à son sujet — un designer qui demande une illustration de portfolio veut des dégradés, et un ingénieur qui demande une planche d’icônes n’en veut pas. Ainsi, quand un évaluateur dit qu’un modèle en fait trop, la question utile n’est pas de savoir si c’est vrai, mais pour quelle tâche c’est vrai. L’article ne sépare pas les deux affirmations, et il est vraiment difficile de les séparer en une seule séance.

L'allégation comparative, et l'allégation de conformité

Le cadrage du post place Claude Opus 5.5 du côté opposé et l'observation sur la génération 3D du côté de Muse Wonder Full, ce qui donne une comparaison à trois dans un titre à deux noms — le même accroc structurel qui parcourt tout le lancement de Muse Wonder.

Sur cet axe, le contexte utile est le même pour tous ses homologues : Claude Opus 5.5 n'est pas un modèle flambant neuf. Il est sorti le 22 septembre 2026, environ trois semaines avant Muse Wonder, et son profil de coût et de capacités est bien caractérisé. Indépendamment, sur l'Artificial Analysis Intelligence Index, Claude Opus 5.5 (max) affiche 58 — le score le plus élevé de la classe des 219 modèles — tandis que Muse Wonder (max) affiche 52, classé neuvième sur 219. Le prix catalogue d'Opus 5.5 est de 4,00 $ par million de jetons d'entrée et de 20,00 $ par million de jetons de sortie ; le prix catalogue de Muse Wonder est identique, 4,00 $ et 20,00 $. Le piquant de la situation est qu'Opus 5.5 s'avère être le modèle le plus cher en pratique, non pas à cause de sa grille tarifaire mais parce qu'il est verbeux : Artificial Analysis enregistre qu'il consomme environ 260 millions de jetons de sortie lors de l'évaluation, contre une médiane de 85 millions, et contre environ 130 millions pour Muse Wonder, ce qui équivaut à environ 5,98 $ par tâche d'index contre environ 4,52 $. C'est le genre de comparaison à deux chiffres qu'un évaluateur à compteur de jetons peut mesurer et qu'un simple prompt SVG ne peut pas.

Ce que le test SVG ajoute, c’est une catégorie que l’index ne couvre pas. La génération de texte structuré se situe quelque part entre le code et l’illustration, et aucun classement ne l’évalue — ni le Personal Superintelligence Index, ni JobBench, ni Terminal-Bench 4.0-AA, ni SWE-Marathon. Si le métier réel d’un lecteur consiste à produire des fichiers vectoriels propres, les classements grand public restent muets sur sa question, et c’est précisément pourquoi un face-à-face un peu bricolé mérite tout de même d’être lié.

Ce dont il s'agit vraiment avec la deuxième affirmation

« Essaie même la génération 3D » est la moitié la plus intéressante de l'observation, et il est facile de la lire à tort comme une affirmation de capacité.

Dans le contexte SVG, cela décrit très probablement un modèle qui dépasse le dessin plat en deux dimensions pour aller vers une troisième dimension implicite ou partielle — constructions isométriques, formes extrudées, grilles de perspective, pseudo-couches empilées, ou balisage généré qui s'affiche comme une scène tridimensionnelle. Ce n'est pas la même chose qu'un modèle 3D. Produire un maillage, un objet scanné ou une ressource imprimable relève d'un type de sortie entièrement différent, et l'expression « génération 3D » est utilisée de manière assez vague dans ce domaine pour désigner tout, d'une illustration 2.5D à un véritable fichier de géométrie. Sans les prompts ni les fichiers, le lecteur ne peut pas savoir de quoi il s'agissait.

S’il s’agissait du sens le moins strict, l’affirmation est cohérente avec la critique stylistique plutôt qu’en tension avec elle. Recourir à une projection isométrique ou à des couches empilées relève du même instinct que recourir à des dégradés : plus de mécanique que ce que le brief demandait. Les deux affirmations pourraient décrire un seul comportement — un modèle qui traite le balisage disponible comme une autorisation — ce qui est un enseignement plus utile que l’une ou l’autre moitié prise isolément, et aussi la version qu’un second relecteur est le plus susceptible de confirmer ou d’invalider.

Il y a toutefois une asymétrie qu'il vaut la peine de nommer ici. Là où les deux checkpoints diffèrent dans les données de lancement, la séparation se fait sur la structure plutôt que sur les finitions. Sur le propre tableau de référence de Meta, Muse Wonder Full bat largement le modèle API sur JobBench (75,3 contre 30,8) et Vals Finance Agent V2 (59,1 contre 10,0) — tout en perdant Harvey LAB-AA face à lui de 41 points, 13,1 contre 54,3. Ces chiffres sont rapportés par le fournisseur, produits dans le banc d'essai de Meta, et non reproduits. Mais ils décrivent un laboratoire qui a entraîné deux profils plutôt qu'un seul, et une différence de style ou de retenue entre les checkpoints est exactement le genre de chose qu'une séparation structurelle produirait. Savoir quel checkpoint l'évaluateur regardait lorsqu'il a écrit « gimmicky » n'est donc pas une question pointilleuse — le billet place les deux observations sur des modèles différents.

Où l'on peut réellement joindre les modèles

Pour quiconque souhaite mener cette comparaison lui-même plutôt que de prendre le verdict pour argent comptant, la question pratique est de savoir où réside chaque modèle, et les réponses ne sont pas symétriques.

• Claude Opus 5.5 — généralement disponible depuis le 22 septembre 2026, à 4,00 $ par million de tokens d'entrée et 20,00 $ par million de tokens de sortie, avec un tarif de lecture du cache de 0,20 $, une fenêtre de contexte d'un million de tokens et des budgets de réflexion incluant une configuration sans réflexion

• Muse Wonder — en disponibilité générale depuis le 12 octobre 2026, sur l'API Meta Model et dans Muse Code, au même tarif de 4,00 $ en entrée et 20,00 $ en sortie, avec un contexte de 1 048 576 jetons et un plafond de sortie de 943 718 jetons

• Muse Wonder Full — annoncé le même jour mais non vendu au token ; il est accessible uniquement via un abonnement Muse Code et ne dispose d’aucune grille tarifaire publiée au token, c’est pourquoi il n’y a ici aucune ligne de prix du tout

Le hic, c'est la configuration de raisonnement de Muse Wonder. Elle ne peut pas être désactivée. L'échelle d'effort comprend minimal, low, medium, high, xhigh et max, avec medium par défaut, et les tokens de raisonnement sont facturés comme des tokens de sortie. Tout test en face-à-face contre un modèle auquel on peut demander de ne pas réfléchir revient donc à comparer une configuration bridée à une configuration non bridée, à moins que l'évaluateur ne précise le réglage, ce que ce post ne fait pas. C'est la lacune la plus lourde de conséquences de la reproduction, plus encore que le nombre de prompts manquant.

Comment le reproduire en un après-midi

La raison pour laquelle ce test mérite d'être étendu plutôt que rejeté, c'est qu'il est peu coûteux à étendre. Une version utile nécessite quatre éléments que l'original ne fournit pas : un ensemble fixe de prompts d'une douzaine environ de tâches vectorielles couvrant l'icône, le diagramme, l'illustration et le graphique ; une indication du réglage d'effort ; les fichiers SVG bruts conservés aux côtés des rendus ; et une passe de notation qui dissocie la maîtrise technique de la retenue au lieu de les mélanger. Douze prompts à deux réglages d'effort sur deux modèles, cela fait 48 exécutions — quelques dollars de jetons de sortie au regard de ces grilles tarifaires, et un artefact véritablement plus utile que n'importe quelle impression du jour du lancement.

C'est aussi le cas où un routeur s'amortit d'une manière qu'une simple comparaison de prix ne permet pas. Claude Opus 5.5 est servi sur OrcaRouter au prix catalogue d'Anthropic lui-même — 4,00 $ par million de jetons en entrée, 20,00 $ par million en sortie, 0,20 $ par million pour les lectures de cache — avec la répercussion à marge zéro qui s'applique à l'ensemble du catalogue, si bien qu'un changement de prix d'un fournisseur arrive de notre côté le jour même où il arrive du sien. Les prix catalogue des fournisseurs sont répercutés sans modification ; la couche de routage n'ajoute aucune marge. Une série de tests d'une douzaine de prompts sur deux modèles, c'est une seule clé et un seul point de terminaison plutôt que deux comptes, deux intégrations SDK et deux relations de facturation, et si vous testez quelque chose d'aussi peu éprouvé qu'un modèle publié hier, le basculement automatique signifie qu'un fournisseur limité en débit ou dégradé n'entraîne pas toute la campagne avec lui.

Pour être explicite sur ce que nous n'avons pas : il n'existe aucune entrée meta/muse-wonder ni meta/muse-wonder-full dans notre catalogue. Nous ne routons ni l'un ni l'autre de ces checkpoints, et nous n'allons pas en décrire un comme si c'était le cas. Ce que nous proposons bel et bien, en provenance du même laboratoire, c'est la gamme Muse Spark — Muse Spark 1.2 se situe à 1,25 $ par million de tokens en entrée et 4,25 $ par million de tokens en sortie, soit la même fenêtre de contexte que le modèle phare pour une fraction du prix, et c'est le modèle vers lequel se tourner si vous voulez la famille de raisonnement de Meta via la même clé que tout le reste. Ajouter Muse Wonder à un sweep représente actuellement un second compte ; ajouter Muse Spark 1.2, c'est une ligne dans la même config.

Ce qu’il faut surveiller, et ce qui permettrait de trancher

Trois choses transformeraient cela d'une impression intéressante en preuve.

• Un second évaluateur aux goûts différents qui parvient au même verdict de retenue — les jugements de style qui survivent à un changement d’évaluateur portent sur le modèle ; ceux qui n’y survivent pas portent sur l’évaluateur

• Muse Wonder Full devient accessible par token — le modèle nommé dans l’observation de génération 3D est celui qui n’a pas de grille tarifaire, donc personne qui veut vérifier cette moitié de l’affirmation ne peut acheter l’accès à celui-ci sans un abonnement mensuel à un agent de codage

• Tout tableau de bord indépendant qui ajoute une tâche vectorielle ou de graphiques structurés — la lacune dans laquelle tombe ce test n’est pas que personne ne l’a exécuté, mais qu’aucun tableau de bord ne l’évalue, ce qui fait que l’après-midi d’une seule personne constitue actuellement l’intégralité du record

Le résumé honnête est qu'il s'agit d'une véritable découverte, avec une véritable limite. Un critique qui a divulgué un accès payant à un aperçu, qui a payé l'autre partie lui-même et qui a publié un verdict négatif précis a fait plus qu'un récapitulatif de lancement — et un modèle qui « essaie » des choses qui ne lui ont pas été demandées relève d'une affirmation sur la retenue, non sur la capacité, et la retenue est la chose la plus facile pour le prochain critique à voir différemment. Si vous choisissez aujourd'hui entre Claude Opus 5.5 et Muse Wonder pour une sortie vectorielle, l'écart d'indice indépendant est de six points et l'écart de volume de tokens est de deux contre un en faveur de Muse Wonder ; le verdict stylistique tient à l'après-midi d'une seule personne et devrait être traité comme une hypothèse plutôt que comme un résultat.