Meta afferma che Muse Wonder Full batte Opus 5.5 nel lavoro agentico prolungato. La tabella di Meta stessa dice qualcosa di più limitato.

Muse Wonder Full è il checkpoint dal punteggio più alto che Meta Superintelligence Labs ha annunciato il 12 ottobre 2026, e Muse Wonder è il fratello richiamabile distribuito nello stesso post. Entrambi compaiono nella tabella di valutazione di Meta accanto a Claude Opus 5.5, GPT-6 Astra e Claude Fable 5.1, e l'affermazione che si è spinta più lontano da quella tabella — che Muse Wonder Full batte i principali modelli di frontiera su diversi test di lavoro agentico prolungato, e che supera ogni altro modello su DeepSWE, incluso Claude Opus 5.5 — non trova riscontro nei numeri pubblicati da Meta stessa. Quel divario è la storia, ed è più utile dell'affermazione.

Ciò che dice la rivendicazione, e ciò che dice la tabella

Il riepilogo ampiamente condiviso riporta in particolare due cifre: un punteggio SWE-Marathon del 57,5% per Muse Wonder Full contro il 46,3% di un modello Claude, e un risultato DeepSWE che mette Muse Wonder Full davanti a tutto il resto del campo. Le righe pubblicate da Meta si leggono diversamente su entrambi.

• SWE-Marathon — Meta elenca Muse Wonder Full a 79,0, Muse Wonder a 78,8, GPT-6 Astra a 74,1, Claude Opus 5.5 a 74,2 e Claude Fable 5.1 a 67,4. Non c'è alcun 57,5 né 46,3 da nessuna parte nella riga, e il margine su Claude Opus 5.5 è di 4,8 punti, non 11,2.

• DeepSWE 1.1 — Meta elenca GPT-6 Astra a 59,1 e Claude Opus 5.5 a 59,6, entrambi sopra Muse Wonder Full a 57,1 e Muse Wonder a 52,0, che è a pari merito con Claude Fable 5.1. Nella tabella di Meta stessa, Muse Wonder Full è terzo in questa riga, non primo.

• 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. Questo è un vero primato per la coppia Meta, e il checkpoint callable supera di poco quello in abbonamento.

• JobBench, compiti professionali a lungo orizzonte — 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 divario di 44 punti tra due checkpoint dello stesso laboratorio, che è o una reale separazione negli obiettivi di addestramento o un artefatto del sistema di valutazione.

• 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. Un altro enorme divario interno, e la direzione non è uniforme tra le righe di Meta.

Ognuno di quei numeri è riportato dal fornitore, prodotto nell'harness proprietario di Meta con il massimo sforzo di ragionamento, e nessuno di essi è stato riprodotto in modo indipendente. Non è una ragione per scartare la tabella. È il motivo per cui la prima domanda da porsi su qualunque numero ne sia circolato dovrebbe essere quale harness l'ha prodotto.

Il 57,5 e il 46,3 non sono sul tavolo

Due possibilità si adattano a ciò che è effettivamente verificabile. O il riassunto cita una valutazione diversa — una suite con un nome diverso, un'impostazione diversa dello sforzo di ragionamento, un tasso di superamento anziché il punteggio dell'indice, o un harness eseguito al di fuori di Meta — oppure i dati sono errati. Nulla nel materiale pubblicato da Meta stabilisce né l'una né l'altra cosa, e questo pezzo non intende affermare che Muse Wonder Full ottenga il 57,5% su SWE-Marathon quando la riga dello stesso fornitore dice 79,0.

La risposta corretta è procedurale anziché retorica. Il nome di un benchmark non è una specifica. SWE-Marathon eseguito al massimo sforzo con un budget di 200 passi, un budget di 500 passi e un limite di tempo reale produrrà tre numeri diversi per lo stesso modello, e lo stesso vale per qualsiasi suite a lungo orizzonte. Quando arriva un punteggio senza un sistema di test, un'impostazione di sforzo e un budget di passi allegati, è un punto su una curva sconosciuta. Chiedi il sistema di test prima di pianificare la capacità in base al numero.

La versione corretta dell'affermazione è più ristretta e comunque interessante: sulle righe a lungo orizzonte di Meta, Muse Wonder Full è in testa ai modelli Claude e GPT nella tabella con margini che vanno da 4,8 punti su SWE-Marathon a 44 punti su JobBench, e perde contro di loro su DeepSWE 1.1 e su Harvey LAB-AA. Questa è un'affermazione difendibile. La versione che dice che vince ovunque non lo è.

Quale dei due puoi effettivamente raggiungere

L'affermazione ha un secondo problema, più difficile, e non riguarda affatto i punteggi. Il checkpoint con i numeri di punta non viene venduto per token.

• Dove viene eseguito ciascuno — muse-wonder-1.0 risponde sulla Meta Model API e all'interno di Muse Code, l'agente di coding da terminale dell'azienda. muse-wonder-full-1.0 è descritto da Meta come disponibile solo con l'abbonamento a Muse Code.

• Quanto costa Full — i piani pubblicati di Meta partono da 50 $ al mese per Power Usage e 200 $ al mese per Maximum Usage. Non esiste un percorso a consumo, nessuna tariffa per token che si possa acquistare e nessun modo per puntare un SDK al checkpoint con punteggio più alto.

Il listino prezzi che non si applica ad esso — Meta pubblica 4,00 $ per milione di token di input, 0,20 $ per l'input in cache e 20,00 $ per milione di token di output per la serie. Queste tariffe descrivono un percorso che esiste per Muse Wonder e non esiste per Muse Wonder Full.

• Contesto e output — 1,048,576 token di input su entrambi, con il budget di output per singola risposta del checkpoint richiamabile che si attesta a un massimo di 943,718 token.

• Superficie di input — testo, immagine, parlato e video in ingresso; testo in uscita. Video e parlato in ingresso senza un passaggio di trascrizione a monte è la differenza di capacità che più probabilmente cambierà un'architettura.

Quindi un team che legge l'annuncio di lancio e poi guarda le proprie opzioni di approvvigionamento sta confrontando due cose diverse: un'API a 4,00 $ e 20,00 $ che può chiamare oggi, e un checkpoint il cui accesso è una decisione di acquisto mensile. Qualsiasi valutazione che li mescoli non è un confronto tra modelli.

Quale misurazione indipendente copre

Artificial Analysis ha misurato la metà raggiungibile. Muse Wonder (max) si colloca a un Intelligence Index di 52, al nono posto su 219 modelli, a 4,00 $ in input e 20,00 $ in output con uno sconto cache del 95%, il che equivale a circa 4,52 $ per attività indice — il valore per attività più economico dei due checkpoint di frontiera misurati. La sua scheda riporta circa 130 milioni di token di output consumati durante la valutazione, contro una mediana di 85 milioni, la finestra di contesto da 1M e input di testo, immagini, voce e video a fronte di output testuale.

Muse Wonder Full (max) registra 56 sullo stesso indice, classificandosi quarto su 699, senza prezzo pubblicato perché non esiste una tariffa per token rispetto alla quale normalizzare. Meta elenca lo stesso checkpoint a 59,0 sull'Artificial Analysis Index nella propria tabella. Un disaccordo di tre punti sullo stesso indice con quel nome è una cosa di poco conto se considerato isolatamente e chiarificatrice nel complesso: la cifra del fornitore descrive la direzione di marcia, il 56 descrive una misurazione.

La classifica indipendente ti dice anche ciò che la tabella del fornitore non può. Muse Wonder Full ottiene 56 e Muse Wonder ottiene 52 — quattro punti di distanza su un harness pubblico, rispetto al divario di 44 punti di JobBench che Meta riporta dai propri. Uno di quei due strumenti sta misurando qualcosa che l'altro non misura.

Quanto costa davvero l'escalation

Il prezzo di Muse Wonder non è una posizione di valore. 4,00 $ in ingresso e 20,00 $ in uscita corrispondono allo stesso prezzo di listino di Claude Opus 5.5, e a diverse volte quanto fanno pagare gli attuali modelli di ragionamento open-weight. Ciò che separa i due a tariffe identiche è il numero di token che ciascuno spende per completare un'attività, e su questo fronte Muse Wonder è il più snello dei due: circa 130 milioni di token di output contro i circa 260 milioni di Claude Opus 5.5 nello stesso framework di valutazione, motivo per cui le cifre indipendenti di costo per attività risultano vicine a 4,52 $ e 5,98 $ rispettivamente.

La leva su quel costo è la scala dell'effort, non un interruttore di modalità. Il reasoning è obbligatorio, la scala va da minimal a max e il valore predefinito è medium, e i token di reasoning vengono fatturati come token di output a 20 $ per milione. Non esiste un percorso non-thinking su cui ripiegare per il traffico ad alto volume. Combinata con un tetto di output di 943.718 token, l'impostazione dell'effort è l'unica riga in un'integrazione che decide se questo modello è economicamente sostenibile per il tuo carico di lavoro.

E l'argomento per ricorrere al checkpoint Full è più esile di quanto suggerisca la dichiarazione di lancio, perché i quattro punti indipendenti tra i due checkpoint su Artificial Analysis rientrano nella banda di rumore di una valutazione a esecuzione singola. Ciò che li distingue nella tabella del fornitore sono le righe a lungo orizzonte, con stato e ad alto uso di strumenti — e quelle sono esattamente le righe che nessuno al di fuori di Meta ha riprodotto.

Dove un router si guadagna il suo posto qui

Muse Wonder non è su OrcaRouter. Non esiste alcuna voce meta/muse-wonder nel nostro catalogo e non ne descriveremo una come se esistesse; l'API di Meta stessa e Muse Code sono il posto in cui gira, e Muse Wonder Full non gira da nessuna parte se non dietro un abbonamento a Muse Code.

Il problema di routing che questo lancio crea è un problema di misurazione. Una volta che un modello in un confronto è vincolato a un abbonamento e l'altro è misurato per token, l'unico modo per confrontare il proprio carico di lavoro tra i due è eseguire gli stessi task attraverso il proprio harness e contare i token anziché i tassi di successo. È la forma di lavoro per cui è fatto un singolo endpoint.più di 200 modelli dietro un'unica API compatibile con OpenAI, e i modelli con cui questo lancio ti invita a confrontarti — Claude Opus 5.5 a $4,00 in ingresso e $20,00 in uscita, Muse Spark 1.2 di Meta a $1,25 e $4,25 — sono già disponibili ai prezzi di listino dei rispettivi fornitori, senza alcun ricarico da parte nostra. I prezzi di listino dei fornitori passano invariati, così un riprezzamento del fornitore arriva a noi lo stesso giorno in cui viene applicato.

Esiste un secondo utilizzo specifico per questa serie. Meta ha rilasciato almeno tre modelli vicini alla frontiera in cinque mesi — Muse Spark 1.2 ad agosto, Muse Spark 1.3 a settembre, la serie Muse Wonder a ottobre — e ciascuno arriva con un tabellone di valutazione del fornitore e un modello di costo con ragionamento obbligatorio. Eseguire un set di valutazione fisso su quello di essi che riesci a raggiungere, e sostituire un identificatore di modello invece di uno stack, è il modo più economico per evitare di reimparare la stessa lezione tre volte.

Ciò che il claim di lancio non risolve

• Se Muse Wonder Full otterrà mai un percorso API. Il checkpoint con punteggio più alto è protetto da un abbonamento mensile, il che rende l'accesso ad esso una decisione di acquisto anziché una decisione ingegneristica. Meta non ha dichiarato che lo aprirà.

• Quale harness ha prodotto 57,5 e 46,3? Finché non si risponde a questa domanda, i due numeri più citati di questo lancio non possono essere collocati su una curva accanto alle righe di Meta, e non dovrebbero essere citati come se potessero esserlo.

• Se il divario di 44 punti in JobBench tra due checkpoint provenienti dallo stesso laboratorio sopravvive a un'esecuzione indipendente. Un divario di quelle dimensioni è o una genuina separazione in due profili o un artefatto dell'harness, e solo una terza parte può stabilire quale delle due.

• Se Active Memory e Active Focus reggono in produzione. Meta descrive uno stato persistente tra sessioni e un'attenzione autogestita su compiti lunghi. Nessuno dei due è dimostrato in una model card, ed entrambi vengono stabiliti da settimane di traffico di produzione anziché da un post di lancio.

La serie è reale ed è stata rilasciata, e l'endpoint richiamabile è attivo. Ciò che l'affermazione di lancio ha sbagliato è il tabellone, non il modello. La posizione difendibile oggi è quella ristretta: sulle righe long-horizon di Meta, la coppia Muse Wonder è davanti ai modelli Claude e GPT nella tabella su alcune suite ed è dietro di loro su altre, il checkpoint con i numeri più alti è quello che non è possibile chiamare, e i due numeri più citati dall'annuncio non compaiono affatto nella tabella dello stesso fornitore.