Meta Mengatakan Muse Wonder Full Mengalahkan Opus 5.5 dalam Pekerjaan Agen Berkelanjutan. Tabel Meta Sendiri Mengatakan Hal yang Lebih Sempit.

Muse Wonder Full adalah checkpoint dengan skor lebih tinggi yang diumumkan Meta Superintelligence Labs pada 12 Oktober 2026, dan Muse Wonder adalah saudara yang dapat dipanggil yang dirilis dalam postingan yang sama. Keduanya muncul dalam tabel evaluasi milik Meta sendiri di samping Claude Opus 5.5, GPT-6 Astra dan Claude Fable 5.1, dan klaim yang paling jauh menyimpang dari tabel itu — bahwa Muse Wonder Full mengalahkan model-model frontier terkemuka dalam beberapa pengujian kerja agen berkelanjutan, dan bahwa model itu mengungguli setiap model lain di DeepSWE termasuk Claude Opus 5.5 — tidak cocok dengan angka yang diterbitkan Meta sendiri. Kesenjangan itulah inti ceritanya, dan itu lebih berguna daripada klaim tersebut.

Apa yang dikatakan klaim, dan apa yang dikatakan tabel

Ringkasan yang dibagikan secara luas melaporkan dua angka secara khusus: skor SWE-Marathon 57,5% untuk Muse Wonder Full dibandingkan 46,3% untuk model Claude, dan hasil DeepSWE yang menempatkan Muse Wonder Full di depan semua yang lain di bidang ini. Baris-baris yang diterbitkan Meta terbaca berbeda pada keduanya.

• SWE-Marathon — Meta mencantumkan Muse Wonder Full dengan skor 79,0, Muse Wonder dengan 78,8, GPT-6 Astra dengan 74,1, Claude Opus 5.5 dengan 74,2, dan Claude Fable 5.1 dengan 67,4. Tidak ada 57,5 dan tidak ada 46,3 di mana pun dalam baris tersebut, dan margin terhadap Claude Opus 5.5 adalah 4,8 poin, bukan 11,2.

• DeepSWE 1.1 — Meta mencantumkan GPT-6 Astra pada 59,1 dan Claude Opus 5.5 pada 59,6, keduanya di atas Muse Wonder Full pada 57,1 dan Muse Wonder pada 52,0, yang menyamai Claude Fable 5.1. Pada tabel Meta sendiri, Muse Wonder Full berada di posisi ketiga pada baris ini, bukan pertama.

• 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. Ini adalah keunggulan nyata bagi pasangan Meta, dan checkpoint yang dapat dipanggil sedikit mengungguli versi langganan.

• JobBench, tugas profesional berhorizon panjang — 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. Selisih 44 poin antara dua checkpoint dari lab yang sama, yang entah merupakan perpecahan nyata dalam target pelatihan atau artefak harness.

• 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. Sebaran internal yang sangat besar lagi, dan arahnya tidak seragam di seluruh baris Meta.

Setiap angka itu dilaporkan oleh vendor, dihasilkan di harness milik Meta sendiri dengan upaya penalaran maksimum, dan tidak satu pun dari itu telah direproduksi secara independen. Itu bukan alasan untuk mengabaikan tabel tersebut. Itulah alasan pertanyaan pertama tentang angka apa pun yang beredar darinya seharusnya adalah harness mana yang menghasilkannya.

57.5 dan 46.3 tidak ada di atas meja

Ada dua kemungkinan yang sesuai dengan apa yang benar-benar dapat diverifikasi. Entah ringkasan itu mengutip evaluasi yang berbeda — suite dengan nama berbeda, pengaturan upaya penalaran yang berbeda, tingkat kelulusan alih-alih skor indeks, atau harness yang dijalankan di luar Meta — atau angka-angkanya salah. Tidak ada apa pun dalam materi terbitan Meta yang menetapkan salah satu kemungkinan itu, dan tulisan ini tidak akan menegaskan bahwa Muse Wonder Full mencetak 57,5% pada SWE-Marathon ketika baris milik vendor sendiri menyebutkan 79,0.

Respons yang tepat bersifat prosedural, bukan retoris. Nama benchmark bukanlah spesifikasi. SWE-Marathon yang dijalankan pada upaya maksimum terhadap anggaran 200 langkah, anggaran 500 langkah, dan batas waktu jam dinding akan menghasilkan tiga angka berbeda untuk model yang sama, dan hal yang sama berlaku untuk suite horizon panjang apa pun. Ketika sebuah skor datang tanpa harness, pengaturan upaya, dan anggaran langkah yang disertakan, skor itu hanyalah titik pada kurva yang tidak diketahui. Mintalah harness sebelum Anda merencanakan kapasitas berdasarkan angka tersebut.

Versi klaim yang telah dikoreksi itu lebih sempit dan tetap menarik: pada baris long-horizon milik Meta sendiri, Muse Wonder Full memimpin model Claude dan GPT dalam tabel dengan selisih yang berkisar dari 4,8 poin pada SWE-Marathon hingga 44 poin pada JobBench, dan kalah dari keduanya pada DeepSWE 1.1 dan pada Harvey LAB-AA. Itu adalah pernyataan yang bisa dipertahankan. Versi yang menyatakan bahwa ia menang di mana-mana bukanlah pernyataan yang bisa dipertahankan.

Yang mana dari keduanya yang benar-benar bisa kamu jangkau

Klaim itu memiliki masalah kedua yang lebih sulit, dan sama sekali bukan tentang skor. Checkpoint dengan angka-angka utama tidak dijual per token.

• Di mana masing-masing berjalan — muse-wonder-1.0 menjawab di Meta Model API dan di dalam Muse Code, agen coding terminal perusahaan. muse-wonder-full-1.0 dijelaskan oleh Meta sebagai hanya untuk langganan Muse Code.

• Berapa biaya Full — paket yang dipublikasikan Meta berharga $50 per bulan untuk Power Usage dan $200 per bulan untuk Maximum Usage. Tidak ada jalur berbasis meteran, tidak ada tarif per token yang bisa dibeli, dan tidak ada cara untuk mengarahkan SDK ke checkpoint dengan skor lebih tinggi.

• Daftar tarif yang tidak berlaku untuknya — Meta menerbitkan $4,00 per juta token input, $0,20 untuk input yang di-cache, dan $20,00 per juta token output untuk seri tersebut. Tarif-tarif tersebut menggambarkan jalur yang ada untuk Muse Wonder dan tidak ada untuk Muse Wonder Full.

• Konteks dan keluaran — 1.048.576 token masukan pada keduanya, dengan anggaran keluaran respons tunggal dari checkpoint yang dapat dipanggil dibatasi maksimal pada 943.718 token.

• Permukaan masukan — teks, gambar, ujaran, dan video masuk; teks keluar. Video dan ujaran yang masuk tanpa langkah transkripsi sebelumnya adalah perbedaan kemampuan yang paling mungkin mengubah arsitektur.

Jadi sebuah tim yang membaca klaim peluncuran lalu melihat opsi pengadaan mereka sendiri sedang membandingkan dua hal yang berbeda: sebuah API dengan harga $4,00 dan $20,00 yang dapat mereka panggil hari ini, dan sebuah checkpoint yang aksesnya merupakan keputusan pembelian bulanan. Evaluasi apa pun yang mencampuradukkan keduanya bukanlah perbandingan model.

Apa yang dicakup oleh pengukuran independen

Artificial Analysis telah mengukur separuh yang dapat dijangkau. Muse Wonder (max) berada pada Intelligence Index 52, peringkat kesembilan dari 219 model, dengan harga $4,00 untuk input dan $20,00 untuk output dengan diskon cache 95%, yang berarti sekitar $4,52 per tugas indeks — angka per tugas yang lebih murah di antara dua checkpoint terdepan yang diukur. Kartunya mencatat sekitar 130 juta token output yang dikonsumsi selama evaluasi dibandingkan median 85 juta, jendela konteks 1M, serta masukan teks, gambar, ucapan, dan video dengan keluaran teks.

Muse Wonder Full (max) mencatat 56 pada indeks yang sama, menduduki peringkat keempat dari 699, tanpa harga yang dipublikasikan karena tidak ada tarif per token yang dapat dijadikan dasar normalisasi. Meta mencantumkan checkpoint yang sama pada 59,0 di Artificial Analysis Index dalam tabelnya sendiri. Perbedaan tiga poin pada indeks bernama yang sama adalah hal kecil jika berdiri sendiri dan menjadi hal yang memperjelas secara agregat: angka vendor menggambarkan arah pergerakan, sedangkan angka 56 menggambarkan suatu pengukuran.

Papan independen juga memberi tahu Anda apa yang tidak dapat diberikan tabel vendor. Muse Wonder Full mendapat skor 56 dan Muse Wonder mendapat skor 52 — terpaut empat poin pada harness publik, dibandingkan dengan sebaran JobBench 44 poin yang dilaporkan Meta dari miliknya sendiri. Salah satu dari dua instrumen itu mengukur sesuatu yang tidak diukur oleh yang lain.

Berapa biaya eskalasi sebenarnya

Penetapan harga Muse Wonder bukanlah sebuah posisi nilai. $4.00 untuk input dan $20.00 untuk output adalah harga daftar yang sama dengan Claude Opus 5.5, dan beberapa kali lipat dari yang dikenakan model penalaran open-weight saat ini. Yang membedakan keduanya pada tarif yang identik adalah berapa banyak token yang dihabiskan masing-masing untuk menyelesaikan sebuah tugas, dan pada hal itu Muse Wonder lebih hemat di antara keduanya: sekitar 130 juta token output berbanding sekitar 260 juta milik Claude Opus 5.5 dalam kerangka evaluasi yang sama, itulah sebabnya angka biaya per tugas independen menghasilkan sekitar $4,52 dan $5,98 secara berurutan.

Tuas untuk biaya itu adalah tangga upaya, bukan sakelar mode. Penalaran bersifat wajib, tangga berjalan dari minimal hingga maks dan defaultnya sedang, dan token penalaran ditagih sebagai token keluaran dengan tarif $20 per juta. Tidak ada jalur non-berpikir yang dapat diandalkan untuk trafik bervolume tinggi. Digabungkan dengan batas atas output 943,718 token, pengaturan upaya adalah satu baris dalam integrasi yang menentukan apakah model ini terjangkau untuk beban kerja Anda.

Dan argumen untuk memilih Full checkpoint sama sekali lebih lemah daripada yang disiratkan klaim peluncuran, karena empat poin independen di antara kedua checkpoint pada Artificial Analysis berada di dalam pita derau evaluasi sekali jalan. Yang membedakan keduanya pada tabel vendor adalah baris berhorizon panjang, stateful, dan berat alat — dan itulah persis baris yang belum direproduksi oleh siapa pun di luar Meta.

Di sinilah router membuktikan kegunaannya

Muse Wonder tidak ada di OrcaRouter. Tidak ada entri meta/muse-wonder dalam katalog kami dan kami tidak akan mendeskripsikannya seolah-olah ada; API milik Meta sendiri dan Muse Code adalah tempatnya berjalan, dan Muse Wonder Full tidak berjalan di mana pun kecuali di balik langganan Muse Code.

Masalah perutean yang ditimbulkan oleh peluncuran ini adalah masalah pengukuran. Begitu satu model dalam sebuah perbandingan dibatasi langganan dan model lainnya diukur per token, satu-satunya cara untuk membandingkan beban kerja Anda sendiri di antara keduanya adalah dengan menjalankan tugas yang sama melalui harness Anda sendiri dan menghitung token, bukan tingkat kelulusan. Itulah bentuk pekerjaan yang memang dirancang untuk satu endpoint. OrcaRouter membawa lebih dari 200 model di balik satu API yang kompatibel dengan OpenAI, dan model-model yang mendorong Anda untuk diukur dalam peluncuran ini — Claude Opus 5.5 dengan harga $4,00 masuk dan $20,00 keluar, Muse Spark 1.2 milik Meta sendiri Muse Spark 1.2 dengan harga $1,25 dan $4,25 — sudah tersedia di sana dengan harga daftar resmi vendor masing-masing tanpa markup dari pihak kami. Harga daftar penyedia diteruskan tanpa perubahan, sehingga perubahan harga dari vendor sampai ke kami pada hari yang sama saat diberlakukan.

Ada penggunaan kedua yang khusus untuk seri ini. Meta telah merilis setidaknya tiga model yang mendekati frontier dalam lima bulan — Muse Spark 1.2 pada Agustus, Muse Spark 1.3 pada September, seri Muse Wonder pada Oktober — dan masing-masing hadir dengan papan skor vendor serta model biaya penalaran wajib. Menjalankan set evaluasi tetap terhadap model mana pun yang dapat Anda jangkau, dan menukar pengenal model alih-alih seluruh stack, adalah cara termurah untuk menghindari mempelajari pelajaran yang sama tiga kali.

Apa yang tidak diselesaikan oleh klaim peluncuran tersebut

• Apakah Muse Wonder Full akan pernah mendapatkan jalur API. Checkpoint dengan skor lebih tinggi terkunci di balik langganan bulanan, yang menjadikan akses ke sana sebagai keputusan pembelian, bukan keputusan teknis. Meta belum mengatakan akan membukanya.

• Harness mana yang menghasilkan 57,5 dan 46,3. Sampai pertanyaan itu terjawab, dua angka yang paling banyak dikutip dari peluncuran ini tidak dapat ditempatkan pada sebuah kurva di samping baris-baris Meta sendiri, dan tidak boleh dikutip seolah-olah dapat.

• Apakah selisih 44 poin JobBench antara dua checkpoint dari lab yang sama tetap bertahan dalam uji independen. Selisih sebesar itu bisa jadi benar-benar pemisahan dua profil atau artefak dari perangkat pengujian, dan hanya pihak ketiga yang bisa menentukan yang mana.

• Apakah Active Memory dan Active Focus bertahan di lingkungan produksi. Meta menjelaskan status persisten lintas sesi dan perhatian yang dikelola sendiri pada tugas-tugas panjang. Keduanya tidak didemonstrasikan pada kartu model, dan keduanya baru terbukti melalui berminggu-minggu lalu lintas produksi, bukan melalui postingan peluncuran.

Seri ini nyata dan sudah dirilis, dan endpoint yang dapat dipanggil sudah aktif. Yang salah dari klaim peluncuran adalah papan skornya, bukan modelnya. Posisi yang dapat dipertahankan hari ini adalah posisi yang sempit: pada baris horizon panjang milik Meta sendiri, pasangan Muse Wonder memimpin model Claude dan GPT dalam tabel pada beberapa suite dan tertinggal dari keduanya pada suite lain, checkpoint dengan angka yang lebih besar adalah checkpoint yang tidak dapat Anda panggil, dan dua angka yang paling banyak dikutip dari pengumuman itu sama sekali tidak muncul di tabel milik vendor sendiri.