מטא אומרת ש-Muse Wonder Full מנצח את Opus 5.5 בעבודת סוכנים מתמשכת. הטבלה של מטא עצמה אומרת משהו מצומצם יותר.

Muse Wonder Full הוא הצ'קפוינט בעל הציון הגבוה יותר ש-Meta Superintelligence Labs הכריזה עליו ב-12 באוקטובר 2026, ו-Muse Wonder הוא האח הניתן לקריאה ששוחרר באותו פוסט. שניהם מופיעים בטבלת ההערכה של Meta עצמה לצד Claude Opus 5.5, GPT-6 Astra ו-Claude Fable 5.1, והטענה שהתרחקה ביותר מאותה טבלה — ש-Muse Wonder Full גובר על מודלי חזית מובילים במספר מבחנים של עבודת סוכנים מתמשכת, ושלמרות זאת עולה בביצועיו על כל מודל אחר ב-DeepSWE, כולל Claude Opus 5.5 — אינה משתחזרת אל מול המספרים ש-Meta עצמה פרסמה. הפער הזה הוא הסיפור, והוא שימושי יותר מהטענה.

מה שהטענה אומרת, ומה שהטבלה אומרת

התקציר שהופץ בהרחבה מדווח על שני נתונים בפרט: ציון SWE-Marathon של 57.5% עבור Muse Wonder Full לעומת 46.3% עבור מודל Claude, ותוצאה ב-DeepSWE שממקמת את Muse Wonder Full לפני כל השאר בתחום. השורות שפרסמה Meta נקראות אחרת בשני המקרים.

• SWE-Marathon — Meta מפרטת את Muse Wonder Full ב-79.0, Muse Wonder ב-78.8, GPT-6 Astra ב-74.1, Claude Opus 5.5 ב-74.2 ו-Claude Fable 5.1 ב-67.4. אין 57.5 ואין 46.3 בשום מקום בשורה, והיתרון על פני Claude Opus 5.5 הוא 4.8 נקודות, לא 11.2.

• DeepSWE 1.1 — Meta מציינת את GPT-6 Astra עם 59.1 ואת Claude Opus 5.5 עם 59.6, שניהם גבוהים מ-Muse Wonder Full עם 57.1 ומ-Muse Wonder עם 52.0, שמשתווה ל-Claude Fable 5.1. בטבלה של Meta עצמה, Muse Wonder Full נמצאת במקום השלישי בשורה הזו, ולא במקום הראשון.

• 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. זהו יתרון אמיתי עבור הצמד של Meta, וה-checkpoint הניתן לקריאה נמצא מעט מעל זה של המנוי.

• JobBench, משימות מקצועיות באופק ארוך — 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. פער של 44 נקודות בין שני צ'קפוינטים מאותה מעבדה, שהוא או פיצול אמיתי במטרות האימון או ארטיפקט של מערכת ההערכה.

• 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. עוד פיזור פנימי עצום, והכיוון אינו אחיד בין השורות של Meta.

כל אחד מהמספרים האלה מדווח על ידי הספק, הופק בהרנס של Meta עצמה במאמץ החשיבה המרבי, ואף אחד מהם לא שוחזר באופן עצמאי. זו לא סיבה לפסול את הטבלה. זו הסיבה שהשאלה הראשונה לגבי כל מספר שהופץ ממנה צריכה להיות איזה הרנס הפיק אותו.

ה־57.5 וה־46.3 אינם על השולחן

שתי אפשרויות מתאימות למה שניתן לאמת בפועל. או שהסיכום מצטט הערכה אחרת — חבילה בשם שונה, הגדרת מאמץ חשיבה שונה, שיעור מעבר ולא ציון המדד, או הרצת הארנס מחוץ ל-Meta — או שהנתונים שגויים. שום דבר בחומר שפרסמה Meta לא מבסס אף אחת מהאפשרויות, והמאמר הזה לא יטען ש-Muse Wonder Full משיגה 57.5% ב-SWE-Marathon כאשר השורה של הספק עצמו אומרת 79.0.

התגובה הנכונה היא פרוצדורלית ולא רטורית. שם של בנצ'מרק אינו מפרט. SWE-Marathon שיורץ במאמץ מרבי מול תקציב של 200 צעדים, תקציב של 500 צעדים ומגבלת זמן קיר יפיק שלושה מספרים שונים לאותו מודל, וכך גם בכל סוויטה ארוכת-טווח. כאשר ציון מגיע בלי הרנס, הגדרת מאמץ ותקציב צעדים מצורפים, הוא נקודה על עקומה בלתי ידועה. בקשו את ההרנס לפני שאתם מתכננים קיבולת סביב המספר.

הגרסה המתוקנת של הטענה צרה יותר ועדיין מעניינת: בשורות ה-long-horizon של Meta עצמה, Muse Wonder Full מוביל על פני מודלי Claude ו-GPT בטבלה בפערים שנעים בין 4.8 נקודות ב-SWE-Marathon ל-44 נקודות ב-JobBench, ומפסיד להם ב-DeepSWE 1.1 וב-Harvey LAB-AA. זו אמירה שאפשר להגן עליה. הגרסה שאומרת שהוא מנצח בכל מקום אינה כזו.

איזה מהשניים אתה יכול למעשה להגיע אליו

לטענה יש בעיה שנייה וקשה יותר, והיא בכלל לא קשורה לציונים. הצ'קפוינט עם המספרים הכותרתיים לא נמכר לפי טוקן.

• היכן כל אחד פועל — muse-wonder-1.0 עונה ב-Meta Model API ובתוך Muse Code, סוכן הקידוד הטרמינלי של החברה. muse-wonder-full-1.0 מתואר על ידי Meta כזמין במנוי Muse Code בלבד.

• כמה עולה Full — התוכניות שפרסמה Meta עומדות על 50 דולר לחודש עבור Power Usage ו-200 דולר לחודש עבור Maximum Usage. אין מסלול מחויב לפי מדידה, אין תעריף לפי טוקן שאפשר לקנות, ואין דרך להפנות SDK אל הצ'קפוינט בעל הניקוד הגבוה יותר.

• כרטיס התעריפים שאינו חל עליו — Meta מפרסמת $4.00 למיליון אסימוני קלט, $0.20 לקלט במטמון ו-$20.00 למיליון אסימוני פלט עבור הסדרה. תעריפים אלה מתארים מסלול שקיים עבור Muse Wonder ואינו קיים עבור Muse Wonder Full.

• הקשר ופלט — 1,048,576 אסימוני קלט בשניהם, כאשר תקציב הפלט לתגובה בודדת של נקודת הביקורת הניתנת לקריאה מוגבל ל-943,718 אסימונים.

• משטח קלט — טקסט, תמונה, דיבור וווידאו נכנסים; טקסט יוצא. וווידאו ודיבור שנכנסים ללא שלב תמלול לפניהם הם הבדל היכולת שסביר ביותר לשנות ארכיטקטורה.

אז צוות שקורא את טענת ההשקה ואז בוחן את אפשרויות הרכש שלו משווה שני דברים שונים: API במחיר של $4.00 ו-$20.00 שניתן לקרוא לו היום, וצ'קפוינט שהגישה אליו היא החלטת רכש חודשית. כל הערכה שמערבבת ביניהם אינה השוואת מודלים.

מה מכסה מדידה בלתי תלויה?

Artificial Analysis מדדה את המחצית הנגישה. Muse Wonder (max) ניצב במדד אינטליגנציה (Intelligence Index) של 52, במקום התשיעי מבין 219 מודלים, במחיר של 4.00$ לקלט ו-20.00$ לפלט עם הנחת מטמון של 95%, מה שמסתכם לכ-4.52$ למשימת אינדקס — הנתון הזול יותר למשימה מבין שתי נקודות הביקורת (checkpoints) הגבוליות שנמדדו. הכרטיס שלה מתעד כ-130 מיליון אסימוני פלט שנצרכו במהלך ההערכה, לעומת חציון של 85 מיליון, את חלון ההקשר של 1M, וקלט של טקסט, תמונה, דיבור וווידאו אל מול פלט טקסטואלי.

Muse Wonder Full (max) מציג 56 באותו אינדקס, מדורג רביעי מתוך 699, ללא מחיר מפורסם מכיוון שאין תעריף לפי טוקן שלפיו ניתן לנרמל. Meta מפרטת את אותו צ׳קפוינט ב-59.0 במדד Artificial Analysis בטבלה משלה. אי-הסכמה של שלוש נקודות באותו מדד נקוב היא דבר קטן בבידוד, ומבהירה במבט כולל: נתון הספק מתאר כיוון התקדמות, ואילו 56 מתאר מדידה.

הלוח העצמאי גם אומר לך את מה שטבלת הספק לא יכולה. Muse Wonder Full משיג 56 ו-Muse Wonder משיג 52 — פער של ארבע נקודות בהרנס ציבורי, לעומת פער של 44 נקודות ב-JobBench ש-Meta מדווחת משל עצמה. אחד משני המכשירים האלה מודד משהו שהאחר אינו מודד.

מה ההסלמה באמת עולה

התמחור של Muse Wonder אינו עמדת ערך. מחיר של $4.00 בקלט ו-$20.00 בפלט הוא אותו מחיר מחירון כמו Claude Opus 5.5, ופי כמה ממה שמודלי החשיבה בעלי המשקולות הפתוחות הנוכחיים גובים. מה שמבדיל בין השניים בתעריפים זהים הוא כמה טוקנים כל אחד מוציא על השלמת משימה, ובנקודה הזו Muse Wonder הוא החסכוני מבין השניים: כ-130 מיליון טוקני פלט לעומת כ-260 מיליון של Claude Opus 5.5 באותה מסגרת הערכה, ולכן נתוני העלות הבלתי תלויים לכל משימה יוצאים קרוב ל-$4.52 ול-$5.98 בהתאמה.

המנוף שקובע את העלות הזו הוא סולם המאמץ, לא מתג מצב. החשיבה היא חובה, הסולם נע ממינימלי למקסימלי וברירת המחדל היא בינונית, וטוקני חשיבה מחויבים כטוקני פלט ב-20 דולר למיליון. אין מסלול ללא חשיבה שאפשר לסגת אליו בתעבורה בנפח גבוה. בשילוב עם תקרת פלט של 943,718 טוקנים, הגדרת המאמץ היא השורה היחידה באינטגרציה שמכריעה אם המודל הזה משתלם לעומס העבודה שלך.

והטיעון בעד הפנייה אל ה-Full checkpoint מלכתחילה חלש ממה שהצהרת ההשקה מרמזת, מכיוון שארבע הנקודות העצמאיות בין שני הצ'קפוינטים ב-Artificial Analysis נמצאות בתוך תחום הרעש של הערכה בהרצה בודדת. מה שמבדיל ביניהם בטבלת הספק הם השורות ארוכות-האופק, המצביות ועתירות-הכלים — ואלה בדיוק השורות שאף אחד מחוץ ל-Meta לא שחזר.

איפה שנתב מוכיח את מקומו כאן

Muse Wonder אינו זמין ב-OrcaRouter. אין רשומה של meta/muse-wonder בקטלוג שלנו, ולא נתאר רשומה כזו כאילו קיימת; הוא פועל ב-API של Meta עצמה וב-Muse Code, ו-Muse Wonder Full אינו פועל בשום מקום מלבד מאחורי מנוי ל-Muse Code.

בעיית הניתוב שההשקה הזו יוצרת היא בעיית מדידה. ברגע שמודל אחד בהשוואה חסום מאחורי מנוי והאחר מחויב לפי טוקן, הדרך היחידה להשוות את עומס העבודה שלך ביניהם היא להריץ את אותן משימות דרך ההארנס שלך ולספור טוקנים ולא שיעורי הצלחה. זה בדיוק סוג העבודה שנקודת קצה אחת נבנתה עבורו. OrcaRouter מציעה יותר מ-200 מודלים מאחורי API אחד תואם OpenAI, והמודלים שההשקה הזו מזמינה אותך למדוד מולם — Claude Opus 5.5 במחיר 4.00 דולר לקלט ו-20.00 דולר לפלט, וMuse Spark 1.2 של Meta עצמה במחיר 1.25 ו-4.25 דולר — כבר נמצאים בה במחירי המחירון של הספקים שלהם, בלי שום תוספת מחיר מצידנו. מחירי המחירון של הספקים מועברים ללא שינוי, כך שעדכון מחירים של ספק מגיע אלינו באותו היום שבו הוא נכנס לתוקף.

יש שימוש שני ייחודי לסדרה הזו. Meta שחררה לפחות שלושה מודלים סמוכי-חזית בחמישה חודשים — Muse Spark 1.2 באוגוסט, Muse Spark 1.3 בספטמבר, סדרת Muse Wonder באוקטובר — וכל אחד מגיע עם לוח תוצאות של הספק ומודל עלויות של הסקה מחויבת. הרצת מערך הערכה קבוע מול כל אחד מהם שאליו תוכל להגיע, והחלפת מזהה מודל במקום סטאק, היא הדרך הזולה ביותר להימנע מללמוד מחדש את אותו לקח שלוש פעמים.

מה שטענת ההשקה אינה מכריעה

• האם Muse Wonder Full יקבל אי-פעם נתיב API. הצ'ק-פוינט בעל הניקוד הגבוה יותר חסום מאחורי מנוי חודשי, מה שהופך את הגישה אליו להחלטת רכש ולא להחלטה הנדסית. Meta לא אמרה שהיא תפתח אותו.

• איזו ערכת בדיקה הפיקה את 57.5 ו-46.3. עד שתינתן תשובה לכך, שני המספרים המצוטטים ביותר מההשקה הזו לא ניתן להציב על עקומה לצד השורות של Meta עצמה, ואין לצטט אותם כאילו ניתן.

• האם הפער של 44 נקודות ב-JobBench בין שני צ'קפוינטים מאותה מעבדה שורד הרצה עצמאית. פער בגודל כזה הוא או פיצול אמיתי בין שני פרופילים או ארטיפקט של מערכת ההרצה, ורק צד שלישי מכריע ביניהם.

• האם Active Memory ו-Active Focus מחזיקים מעמד בפרודקשן. Meta מתארת מצב מתמשך בין סשנים וקשב מנוהל עצמי במשימות ארוכות. אף אחד מהם אינו מודגם בכרטיס דגם, ושניהם נקבעים על ידי שבועות של תעבורת פרודקשן ולא על ידי פוסט השקה.

הסדרה אמיתית וכבר שוחררה, ונקודת הקצה שאפשר לקרוא לה פעילה. מה שטענת ההשקה טעתה לגביו הוא לוח התוצאות, לא המודל. העמדה שאפשר להגן עליה היום היא המצומצמת: בשורות האופק הארוך של Meta עצמה, צמד Muse Wonder מוביל על פני מודלי Claude ו-GPT בטבלה בחלק מהסוויטות ומפגר אחריהם באחרות, הצ'קפוינט עם המספרים הגדולים יותר הוא זה שאי אפשר לקרוא לו, ושני המספרים המצוטטים ביותר מההכרזה אינם מופיעים כלל בטבלה של הספק עצמו.