Muse Wonder vs Claude Opus 5.5 dalam Pembuatan SVG: Apa yang Sebenarnya Ditunjukkan oleh Uji Coba Langsung Pertama

Muse Wonder tersedia secara umum pada 12 Oktober 2026 — hari yang sama ketika saudaranya yang berskor lebih tinggi, Muse Wonder Full, dirilis di balik langganan — dan model ini sudah mengumpulkan lebih banyak halaman komparatif dibandingkan hampir semua model yang pernah dibahas blog ini. Yang belum dikumpulkannya, sampai minggu ini, adalah uji langsung yang diterbitkan untuk kemampuan spesifik yang dapat diperiksa. Pada 12 Oktober, akun X @scaling01 memposting perbandingan langsung Muse Wonder melawan Claude Opus 5.5 dalam pembuatan SVG, dengan dua temuan yang layak dibaca dengan saksama: Muse Wonder Full "bagus dan bahkan mencoba pembuatan 3D," dan gaya outputnya "terlalu gimmicky" dan model ini "berlebihan."

Itu adalah klaim yang nyata, spesifik, dan dapat difalsifikasi tentang model nyata yang telah dirilis, dan klaim itu berasal dari seseorang yang melaporkan telah menjalankan kedua model tersebut sendiri. Pada saat penulisan ini, itu juga merupakan satu kali eksekusi yang belum direproduksi oleh satu akun yang unggahannya sendiri dibuka dengan pengungkapan iklan. Kedua hal itu benar sekaligus, dan tulisan ini membahas cara memegang keduanya bersama-sama alih-alih memilih salah satu.

Ketentuan tes, dinyatakan sebagaimana dinyatakan

Pengungkapan itu ada di baris pertama postingan, bukan di catatan kaki, yang perlu diperhatikan karena hal tersebut tidak lazim untuk format ini. Penulis menyatakan bahwa Meta memberikan akses pratinjau gratis ke Muse Wonder, bahwa mereka membayar Claude Opus 5.5 dengan uang sendiri, dan bahwa pengujian serta kesimpulannya adalah milik mereka. Itu adalah posisi konflik kepentingan yang secara material lebih lemah daripada penempatan berbayar yang tidak diungkapkan — satu sisi perbandingan diberi gratis, sisi lainnya tidak, dan penulis mengatakan demikian.

Tiga hal tentang pengaturan itu tidak diberikan, dan masing-masing membatasi apa yang dapat didukung oleh putusan tersebut.

• Endpoint mana yang diuji — Muse Wonder dan Muse Wonder Full ada sebagai dua ID model terpisah dengan dua papan skor yang berbeda, dan postingan tersebut menyebut Muse Wonder dalam perbandingan tetapi mengatribusikan pengamatan pembuatan 3D kepada Muse Wonder Full

• Pengaturan upaya mana yang digunakan — penalaran Muse Wonder bersifat wajib dan menjalankan tangga upaya dari minimal hingga maks, dengan default medium, dan token penalaran ditagih sebagai output, sehingga pengaturan tersebut mengubah biaya sekaligus karakter output

• Berapa banyak prompt yang dijalankan — tanpa jumlah prompt, tanpa teks prompt, tanpa seed, tanpa menjalankan ulang

Yang kedua dan ketiga dari hal-hal itu lebih penting daripada kelihatannya. Model yang penalarannya selalu aktif dan yang tingkat upayanya diatur pengguna akan menghasilkan keluaran SVG yang terlihat berbeda pada setelan minimal dibandingkan pada max, dan putusan tentang gaya justru jenis penilaian yang bisa keliru hanya dari satu kali menjalankan satu prompt. Ini bukan kritik terhadap penulisnya — sebuah pos singkat di X bukanlah makalah, dan pengungkapan itu plus kalimat "tes dan kesimpulan adalah milik saya sendiri" merupakan transparansi yang lebih besar daripada yang dibawa oleh sebagian besar perbandingan pada hari peluncuran. Ini adalah pernyataan tentang untuk apa tulisan itu bisa dan tidak bisa digunakan.

Apa yang sebenarnya diukur oleh tes SVG

SVG adalah target yang luar biasa baik untuk perbandingan langsung dan target yang luar biasa buruk untuk perbandingan santai, dan memahami mengapa demikian menjelaskan apa yang dapat dan tidak dapat diberitahukan oleh putusan itu kepada Anda.

SVG adalah teks yang dirender secara deterministik. Inilah bagian bagusnya: peninjau dapat menempelkan keluaran mentah model ke penampil, melihatnya, dan melihat persis apa yang dihasilkan model — tanpa pipeline pembuatan gambar, tanpa seed sampling pada dekoder difusi, tanpa pertanyaan apakah kriterianya adalah gambar atau file. Jika model mengeluarkan markup yang cacat, gambar itu gagal secara kasat mata. Jika model mengeluarkan 40 kilobyte definisi gradien padahal 2 kilobyte jalur sudah cukup, itu terukur.

Bagian buruknya adalah bahwa putusan gaya seperti "gimmicky" dan "overindulges" merupakan klaim yang paling sulit dipisahkan di seluruh ranah ini. Dua penilaian yang independen berada di dalamnya:

• Keterampilan — apakah model menghasilkan SVG yang valid, terstruktur dengan baik, dan dapat dirender, atau menghasilkan sesuatu yang perlu diperbaiki sebelum menggambar apa pun?

• Pengendalian diri — apakah ia menggunakan markup minimum yang diperlukan permintaan, atau apakah ia justru mengandalkan gradien, filter, blur, animasi, dan efek raster tersemat karena semuanya tersedia?

Kriya hampir bersifat objektif dan dapat dinilai oleh skrip. Pengekangan adalah penilaian selera yang berlagak sebagai penilaian teknis, dan penilai yang masuk akal terus-menerus berselisih tentangnya — seorang desainer yang meminta ilustrasi portofolio menginginkan gradiennya, dan seorang insinyur yang meminta lembar ikon tidak. Jadi ketika seorang penilai mengatakan sebuah model terlalu berlebihan, pertanyaan yang berguna bukanlah apakah itu benar, melainkan untuk tugas mana itu benar. Tulisan itu tidak memisahkan kedua klaim tersebut, dan memang sulit memisahkannya dalam sekali duduk.

Klaim komparatif, dan klaim kepatuhan

Pengemasan pos tersebut menempatkan Claude Opus 5.5 di sisi lain dan pengamatan tentang pembuatan 3D di sisi Muse Wonder Full, yang menjadikannya perbandingan tiga arah dalam judul dua nama — kerutan struktural yang sama yang mengalir di sepanjang peluncuran Muse Wonder secara keseluruhan.

Pada sumbu itu, konteks yang berguna sama di antara semua model sekelasnya: Claude Opus 5.5 bukan model yang benar-benar baru. Model ini dirilis pada 22 September 2026, sekitar tiga minggu sebelum Muse Wonder, dan profil biaya serta kemampuannya sudah terkarakterisasi dengan baik. Secara independen, pada Artificial Analysis Intelligence Index, Claude Opus 5.5 (max) menunjukkan 58 — skor tertinggi di kelas 219 model — sementara Muse Wonder (max) menunjukkan 52, berada di peringkat kesembilan dari 219. Harga daftar Opus 5.5 adalah $4,00 per juta token input dan $20,00 per juta token output; harga daftar Muse Wonder identik, $4,00 dan $20,00. Yang menarik dari situasi ini adalah Opus 5.5 ternyata menjadi model yang lebih mahal dalam praktik, bukan karena kartu tarifnya, melainkan karena model ini bertele-tele: Artificial Analysis mencatat model ini menghabiskan sekitar 260 juta token output selama evaluasi dibandingkan median 85 juta, versus sekitar 130 juta untuk Muse Wonder, yang setara dengan sekitar $5,98 per tugas indeks dibandingkan sekitar $4,52. Itulah jenis perbandingan dua angka yang dapat diukur oleh evaluator berbasis pengukuran token dan tidak dapat diukur oleh satu prompt SVG.

Apa yang ditambahkan oleh uji SVG adalah kategori yang tidak dicakup indeks. Generasi teks terstruktur berada di suatu tempat antara kode dan ilustrasi, dan tidak ada papan peringkat yang menilainya — bukan Personal Superintelligence Index, bukan JobBench, bukan Terminal-Bench 4.0-AA, bukan SWE-Marathon. Jika pekerjaan sebenarnya seorang pembaca melibatkan menghasilkan file vektor yang bersih, papan skor arus utama tidak menjawab pertanyaan mereka, dan itulah justru alasan sebuah adu langsung yang sederhana layak ditautkan sama sekali.

Apa sebenarnya maksud klaim kedua

"Bahkan mencoba pembuatan 3D" adalah bagian yang lebih menarik dari pengamatan itu, dan mudah disalahartikan sebagai klaim kemampuan.

Dalam konteks SVG, ini paling masuk akal menggambarkan model yang melampaui gambar dua dimensi datar ke dimensi ketiga yang tersirat atau parsial — konstruksi isometrik, bentuk yang diekstrusi, kisi perspektif, lapisan semu bertumpuk, atau markup yang dihasilkan yang dirender sebagai adegan tiga dimensi. Ini bukan hal yang sama dengan model 3D. Menghasilkan mesh, objek yang dipindai, atau aset yang dapat dicetak adalah jenis output yang sama sekali berbeda, dan frasa "3D generation" digunakan secara longgar di seluruh ruang untuk berarti apa saja mulai dari ilustrasi 2.5D hingga file geometri yang sebenarnya. Tanpa prompt atau file, pembaca tidak dapat mengetahui yang mana ini.

Jika yang dimaksud adalah arti yang lebih longgar, klaim itu konsisten dengan keluhan soal gaya, bukan bertentangan dengannya. Berpaling ke proyeksi isometrik atau lapisan bertumpuk adalah naluri yang sama dengan berpaling ke gradien: lebih banyak perangkat daripada yang diminta oleh brief. Kedua pernyataan itu mungkin menggambarkan satu perilaku — model yang memperlakukan markup yang tersedia sebagai izin — yang merupakan pelajaran yang lebih berguna daripada masing-masing bagiannya sendiri, dan juga versi yang paling mungkin dikonfirmasi atau dipatahkan oleh peninjau kedua.

Namun, ada satu asimetri yang layak disebut di sini. Ketika kedua checkpoint berbeda dalam data peluncuran, perbedaannya mengikuti struktur, bukan polesan. Pada tabel benchmark Meta sendiri, Muse Wonder Full mengalahkan model API dengan selisih besar pada JobBench (75,3 berbanding 30,8) dan Vals Finance Agent V2 (59,1 berbanding 10,0) — tetapi kalah dari model itu pada Harvey LAB-AA dengan selisih 41 poin, 13,1 berbanding 54,3. Angka-angka itu dilaporkan vendor, dihasilkan dalam harness Meta, dan belum direproduksi. Namun angka-angka itu menggambarkan lab yang melatih dua profil, bukan satu, dan perbedaan gaya atau pengekangan antara kedua checkpoint adalah persis jenis hal yang akan dihasilkan oleh pemisahan struktural. Checkpoint mana yang sedang dilihat peninjau ketika menulis "gimmicky" karena itu bukan pertanyaan yang pedantis — pos itu menempatkan kedua pengamatan pada model yang berbeda.

Di mana model-model itu benar-benar dapat dijangkau

Bagi siapa pun yang ingin menjalankan perbandingan ini sendiri alih-alih menerima putusannya begitu saja, pertanyaan praktisnya adalah di mana setiap model berada, dan jawabannya tidak simetris.

• Claude Opus 5.5 — tersedia secara umum sejak 22 September 2026, $4,00 per juta token input dan $20,00 per juta token output, dengan tarif baca cache $0,20, jendela konteks 1 juta token, serta anggaran thinking yang mencakup konfigurasi tanpa thinking

• Muse Wonder — tersedia secara umum sejak 12 Oktober 2026, di Meta Model API dan di dalam Muse Code, dengan tarif yang sama, yaitu $4,00 untuk input dan $20,00 untuk output, dengan konteks 1.048.576 token dan batas output 943.718 token

• Muse Wonder Full — diumumkan pada hari yang sama tetapi tidak dijual per token; hanya dapat diakses melalui langganan Muse Code, dan tidak memiliki kartu tarif per token yang dipublikasikan, sehingga tidak ada baris harga di sini sama sekali

Masalahnya adalah konfigurasi penalaran Muse Wonder. Konfigurasi itu tidak dapat dimatikan. Tangga effort berjalan dari minimal, rendah, sedang, tinggi, xhigh, dan max, dengan default medium, dan token penalaran ditagih sebagai output. Oleh karena itu, setiap uji head-to-head melawan model yang dapat diperintahkan untuk tidak berpikir membandingkan konfigurasi yang dibatasi dengan konfigurasi yang tidak dibatasi, kecuali peninjau menyebutkan pengaturannya, dan posting ini tidak menyebutkannya. Itulah celah tunggal yang paling berdampak dalam reproduksi ini, lebih dari jumlah yang hilang.

Cara mereproduksinya dalam waktu satu sore

Alasan tes ini layak diperluas alih-alih diabaikan adalah karena memperluasnya murah. Versi yang berguna membutuhkan empat hal yang tidak disediakan versi asli: kumpulan prompt tetap yang berisi sekitar selusin tugas vektor yang mencakup ikon, diagram, ilustrasi, dan bagan; pernyataan pengaturan upaya; file SVG mentah yang disimpan bersama render; dan proses penilaian yang memisahkan keterampilan dari pengekangan alih-alih mencampurnya. Dua belas prompt pada dua pengaturan upaya di dua model adalah 48 eksekusi — beberapa dolar token keluaran terhadap kartu tarif ini, dan artefak yang benar-benar lebih berguna daripada kesan hari peluncuran mana pun.

Ini juga merupakan kasus di mana sebuah router mengembalikan biayanya sendiri dengan cara yang tidak bisa dilakukan oleh perbandingan harga semata. Claude Opus 5.5 dilayani di OrcaRouter dengan harga daftar milik Anthropic sendiri — $4.00 per juta token input, $20.00 per juta output, $0.20 per juta untuk pembacaan cache — dengan pass-through tanpa markup yang berlaku di seluruh katalog, sehingga perubahan harga vendor sampai di sisi kami pada hari yang sama saat perubahan itu sampai di sisi mereka. Harga daftar penyedia diteruskan tanpa perubahan; lapisan routing tidak menambahkan spread. Sweep selusin prompt pada dua model cukup dengan satu kunci dan satu endpoint, bukan dua akun, dua integrasi SDK, dan dua hubungan penagihan, dan jika Anda menyapu sesuatu yang belum terbukti seperti model yang baru dirilis kemarin, failover otomatis berarti penyedia yang terkena rate limit atau mengalami penurunan performa tidak akan menjatuhkan seluruh proses bersamanya.

Untuk memperjelas apa yang tidak kami miliki: tidak ada entri meta/muse-wonder atau meta/muse-wonder-full di katalog kami. Kami tidak merutekan kedua checkpoint tersebut dan kami tidak akan menggambarkan salah satunya seolah-olah kami melakukannya. Yang kami sediakan dari lab yang sama adalah lini Muse Spark — Muse Spark 1.2 berada di $1,25 per juta input dan $4,25 per juta output, yang memiliki jendela konteks sama dengan model unggulan dengan harga sebagian kecilnya, dan ini adalah model yang tepat untuk dipilih jika Anda menginginkan keluarga penalaran Meta melalui kunci yang sama seperti semua yang lain. Menambahkan Muse Wonder ke sebuah sweep saat ini berarti akun kedua; menambahkan Muse Spark 1.2 cukup satu baris di konfigurasi yang sama.

Apa yang perlu diperhatikan, dan apa yang akan menyelesaikannya

Tiga hal akan mengubah ini dari kesan yang menarik menjadi bukti.

• Peninjau kedua dengan selera berbeda mencapai putusan pengekangan yang sama — penilaian gaya yang bertahan ketika peninjau diganti adalah tentang model; yang tidak bertahan adalah tentang peninjau.

• Muse Wonder Full menjadi dapat dijangkau per token — model yang disebut dalam observasi generasi 3D adalah model yang tidak memiliki kartu tarif, sehingga tidak seorang pun yang ingin memeriksa separuh klaim itu dapat membeli aksesnya tanpa langganan bulanan ke agen pengkodean

• Papan skor independen mana pun yang menambahkan tugas vektor atau grafik terstruktur — celah yang dimasuki pengujian ini bukanlah bahwa tidak ada yang menjalankannya, melainkan bahwa tidak ada papan yang menilainya, dan itulah sebabnya satu sore dari satu orang saat ini menjadi seluruh catatan

Ringkasan yang jujur adalah bahwa ini adalah temuan nyata dengan keterbatasan yang nyata. Seorang peninjau yang mengungkapkan akses pratinjau berbayar, membayar sendiri untuk pihak lainnya, dan menerbitkan putusan negatif yang spesifik telah melakukan lebih daripada yang dilakukan rekap peluncuran — dan model yang "mencoba" hal-hal yang tidak diminta darinya adalah klaim tentang kemampuan menahan diri, bukan tentang kemampuan, dan kemampuan menahan diri adalah hal yang paling mudah dipandang berbeda oleh peninjau berikutnya. Jika Anda memilih antara Claude Opus 5.5 dan Muse Wonder untuk output vektor hari ini, selisih indeks independen adalah enam poin dan selisih volume token adalah dua banding satu yang menguntungkan Muse Wonder; putusan gaya adalah kerja satu sore dari satu orang dan harus diperlakukan sebagai hipotesis, bukan hasil.