Metaは、持続的なエージェント作業においてMuse Wonder FullがOpus 5.5を上回ると主張。Meta自身の表が示すのは、より限定的な内容だ。

Muse Wonder Fullは、Meta Superintelligence Labsが2026年10月12日に発表した、より高スコアなチェックポイントであり、Muse Wonderは同じ投稿で公開された呼び出し可能な兄弟モデルです。両者はClaude Opus 5.5、GPT-6 Astra、Claude Fable 5.1と並んでMeta自身の評価表に載っており、その表から最も遠くまで独り歩きした主張——Muse Wonder Fullが持続的なエージェント作業を測る複数のテストで最先端モデルを上回り、Claude Opus 5.5を含む他のあらゆるモデルをDeepSWEで凌駕するという主張——は、Meta自身が公表した数値と照らし合わせても再現しません。この食い違いこそが本題であり、それはあの主張よりもはるかに有用です。

主張が述べていることと、表が示していること

広く共有されている要約は、特に2つの数値を報告している。Muse Wonder FullのSWE-Marathonスコア57.5%対Claudeモデルの46.3%、そしてDeepSWEの結果ではMuse Wonder Fullがこの分野の他のすべてを上回っている。Metaの公開している行は、そのどちらについても異なる内容を示している。

• SWE-Marathon — MetaはMuse Wonder Fullを79.0、Muse Wonderを78.8、GPT-6 Astraを74.1、Claude Opus 5.5を74.2、Claude Fable 5.1を67.4と記載している。この行のどこにも57.5はなく、46.3もない。また、Claude Opus 5.5に対する差は4.8ポイントであり、11.2ではない。

• DeepSWE 1.1 — Meta の表では GPT-6 Astra が 59.1、Claude Opus 5.5 が 59.6 で、どちらも Muse Wonder Full の 57.1 と Muse Wonder の 52.0 を上回っており、Muse Wonder は Claude Fable 5.1 と同点。Meta 自身の表でも、この行で Muse Wonder Full は 3 位であり、1 位ではない。

• 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。これはMetaのペアにとって真のリードであり、呼び出し可能なチェックポイントはサブスクリプション版を僅差で上回っている。

• JobBench、長期的なプロフェッショナルタスク — 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。同じラボの2つのチェックポイント間に44ポイントの差があり、これはトレーニングターゲットにおける実際の分岐か、あるいはハーネスのアーティファクトのいずれかである。

• 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。またしても内部のばらつきは極めて大きく、しかもMetaの行全体で方向性が一様なわけではない。

それらの数値はすべてベンダー報告であり、Meta自身のハーネスで最大の推論エフォートで生成されたもので、そのいずれも独立に再現されていない。だからといって、この表を切り捨てる理由にはならない。むしろ、そこから出回ったどの数値についても、最初に問うべきはどのハーネスがそれを生成したのかということだ。

57.5と46.3はテーブルの上にありません

実際に検証できる事実に当てはまる可能性は二つある。要約が別の評価を引用しているか——別の名称のスイート、異なる reasoning-effort 設定、インデックススコアではなく合格率、あるいは Meta 外部で実行されたハーネス——さもなければ数値が誤っているかだ。Meta の公開資料のどこにも、どちらかを裏付けるものはない。そして、ベンダー自身の行が 79.0 と示しているのに、Muse Wonder Full が SWE-Marathon で 57.5% を記録すると本稿が主張することはない。

正しい対応は修辞ではなく手続きである。ベンチマーク名は仕様ではない。SWE-Marathonを最大エフォートで、200ステップ予算、500ステップ予算、実時間上限に対して実行すれば、同じモデルでも3つの異なる数値が出るし、任意の長期ホライズン・スイートについても同じことが言える。スコアがハーネス、エフォート設定、ステップ予算を伴わずに届いたとき、それは未知の曲線上の一点にすぎない。その数値をもとにキャパシティを計画する前に、ハーネスを尋ねよ。

主張の修正版はより限定的であり、それでもなお興味深い。Meta自身の長期的なタスクの行では、Muse Wonder Fullは表の中でClaudeとGPTのモデルを、SWE-Marathonでの4.8ポイントからJobBenchでの44ポイントに至る差でリードしており、DeepSWE 1.1とHarvey LAB-AAではそれらに敗れている。これは擁護可能な記述だ。どこでも勝つと述べている版はそうではない。

その2つのうち、実際にたどり着けるのはどちらか

その主張には、さらに厄介な第二の問題がある。しかもそれは、スコアの話ではまったくない。見出しになる数字を備えたチェックポイントは、トークン単位で販売されているわけではない。

• それぞれがどこで動作するか — muse-wonder-1.0 は Meta Model API 上および同社のターミナルコーディングエージェントである Muse Code 内で応答します。muse-wonder-full-1.0 は Meta により Muse Code サブスクリプション限定と説明されています。

• Fullの費用 — Metaの公表プランでは、Power Usageが月額50ドル、Maximum Usageが月額200ドルです。従量課金の経路はなく、購入できるトークン単位の料金もなく、SDKをより高スコアのチェックポイントに向ける方法もありません。

• それには適用されない料金表 — Meta は、このシリーズについて、100万入力トークンあたり $4.00、キャッシュ済み入力は $0.20、100万出力トークンあたり $20.00 を公表しています。これらの料金は、Muse Wonder には存在し、Muse Wonder Full には存在しない経路を説明しています。

• コンテキストと出力 — どちらも入力トークン数は1,048,576で、呼び出し可能なチェックポイントの単一応答あたりの出力予算は943,718トークンが上限です。

• 入力サーフェス — テキスト、画像、音声、動画が入力、出力はテキスト。動画と音声を、前段に文字起こしステップを挟まずに入力できることこそ、アーキテクチャを最も変えやすい能力差である。

つまり、ローンチ時の主張を読んでから自社の調達オプションを見るチームは、二つの異なるものを比較している。今日呼び出せる $4.00 と $20.00 の API と、アクセスするには毎月の購入判断が必要なチェックポイントだ。それらを混同した評価は、モデル比較ではない。

独立した測定は何をカバーしていますか

Artificial Analysisは到達可能な半分を測定した。Muse Wonder (max)はIntelligence Index 52に位置し、219モデル中9位、入力$4.00、出力$20.00、95%のキャッシュ割引で、これはインデックスタスクあたりおよそ$4.52に相当する——測定された2つのフロンティアチェックポイントのうち、タスクあたりの金額が安い方である。そのカードには、評価中に消費された出力トークンが約1億3000万で中央値の8500万と対比されること、100万コンテキストウィンドウ、そしてテキスト、画像、音声、動画の入力に対するテキスト出力が記録されている。

Muse Wonder Full (max) は同じ指数で56を示し、699中4位で、正規化の基準となるトークンあたりの料金が存在しないため価格は公表されていない。Metaは同じチェックポイントを、自社の表でArtificial Analysis Indexの59.0として掲載している。同じ名称の指数における3ポイントの不一致は、単独では小さなことだが、全体として見れば事態を明確にするものである。ベンダーの数値は進む方向を述べ、56は測定値を述べている。

独立系ボードは、ベンダーの表では伝えられないことも教えてくれる。Muse Wonder Full は56点、Muse Wonder は52点 — 公開ハーネス上では4点差なのに対し、Meta が自社のもので報告する JobBench の差は44点。この2つの計器のうち、一方はもう一方が測っていないものを測っている。

エスカレーションが実際にかかるコスト

Muse Wonderの価格設定は、バリュー（割安）なポジションではありません。入力$4.00／出力$20.00は、Claude Opus 5.5と同じ定価であり、現在のオープンウェイト推論モデルが請求する額の数倍です。同一料金で両者を分けるのは、タスクを完了するためにそれぞれが費やすトークン数であり、その点でMuse Wonderは二者のうちより少ない方です。同じ評価フレームワークで、約1億3000万出力トークンに対し、Claude Opus 5.5は約2億6000万であり、そのため独立したタスクあたりコストの数値は、それぞれ約$4.52と$5.98になります。

そのコストの調整レバーは、モード切替ではなくエフォートラダーだ。推論は必須で、ラダーは minimal から max まで広がり、デフォルトは medium。そして推論トークンは出力トークンとして100万あたり20ドルで課金される。大量トラフィック時にフォールバックできる非思考の経路は存在しない。943,718トークンの出力上限と組み合わせると、エフォート設定は、このモデルがあなたのワークロードでコスト的に使えるかを決める、統合コード内のたった一行だ。

そして、そもそも Full チェックポイントに手を伸ばすべきだという主張は、ローンチ時の謳い文句が示唆するほど強いものではない。というのも、Artificial Analysis 上の2つのチェックポイント間にある4つの独立したポイントは、単一実行評価のノイズ帯の内側にあるからだ。ベンダー表で両者を分けているのは、長期ホライズンで状態を持ち、ツールを多用する行――そしてそれはまさに、Meta の外部では誰も再現していない行なのである。

ルーターがここでその価値を発揮する場面

Muse WonderはOrcaRouterにはありません。当社のカタログにmeta/muse-wonderの項目は存在せず、存在するかのように説明することもありません。Meta自身のAPIとMuse Codeがその実行環境であり、Muse Wonder FullはMuse Codeサブスクリプションの背後以外ではどこでも動作しません。

このローンチが生み出すルーティングの問題は、計測の問題です。比較対象の一方のモデルがサブスクリプション制限付きで、もう一方がトークン単位の従量課金となると、自分のワークロードを両者で比較する唯一の方法は、同じタスクを自分のハーネスで実行し、合格率ではなくトークンを数えることになります。これはまさに、単一のエンドポイントが作られた目的そのものの仕事です。OrcaRouterは200以上ものモデルを1つのOpenAI互換APIの背後で扱っており、今回のローンチが比較対象として挙げるモデル——Claude Opus 5.5は入力$4.00、出力$20.00、Meta自身のMuse Spark 1.2は$1.25と$4.25——はすでに各ベンダー自身の定価で提供されており、当社側での上乗せは一切ありません。プロバイダーの定価はそのまま反映されるため、ベンダーの価格改定はそれが実施された当日に当社にも届きます。

このシリーズに固有の第二の用途がある。Metaは5か月で少なくとも3つのフロンティア隣接モデルを出荷してきた——8月のMuse Spark 1.2、9月のMuse Spark 1.3、10月のMuse Wonderシリーズ——そしてそれぞれにベンダーのスコアボードと必須推論のコストモデルが付いてくる。手が届くもののどれかに対して固定の評価セットを実行し、スタックごとではなくモデル識別子を差し替えることが、同じ教訓を3度学び直すのを避ける最も安上がりな方法だ。

ローンチ時の主張が決着させないもの

• Muse Wonder Full が API 経路をいつか得るかどうか。より高スコアのチェックポイントは月額サブスクリプションの壁に阻まれているため、それへのアクセスはエンジニアリング上の判断ではなく購入判断になる。Meta はそれを開放するとは述べていない。

• 57.5と46.3をはじき出したのは、どのハーネスなのか。この問いに答えが出るまで、今回の発表で最も引用されているこの2つの数値を、Meta自身の行と並べて同じカーブ上に置くことはできないし、置けるかのように引用すべきでもない。

• 同一ラボの2つのチェックポイント間にある44ポイントのJobBench差が、独立した実行でも維持されるかどうか。その規模の差は、本物の2プロファイル分裂か、ハーネスのアーティファクトのどちらかであり、どちらなのかを決着させられるのは第三者だけだ。

• Active MemoryとActive Focusが本番環境で通用するかどうか。Metaは、セッションをまたぐ永続的な状態と、長いタスクにおける自己管理型のアテンションについて説明している。どちらもモデルカードで実証されておらず、また両方とも、ローンチ記事ではなく数週間の本番トラフィックによって決着するものである。

シリーズは実在し、出荷済みで、呼び出し可能なエンドポイントは稼働している。発表時の主張が間違っていたのは、モデルではなくスコアボードだ。今日擁護できる立場は狭いものである。Meta自身の長期ホライズンの行では、Muse Wonderのペアは一部のスイートで表内のClaudeとGPTのモデルを上回り、別のスイートでは下回っている。より大きな数値のチェックポイントは呼び出せない方であり、発表で最も引用されている2つの数値は、ベンダー自身の表にはまったく載っていない。