Muse Wonder vs Reflection Beam: 片方は料金表、もう片方は約束

7日違いで、正反対の方向から。MetaはMuse Wonderを2026年10月12日、Meta Model API上およびMuse Code内で一般提供開始した。入力100万トークンあたり4.00ドル、出力100万トークンあたり20.00ドル、コンテキストウィンドウは1,048,576トークンで、いかなるダウンロードも不要。ReflectionはReflection Beamを2026年10月5日に発表した — 総パラメータ数5,010億、トークンあたり230億がアクティブなスパースMixture-of-Expertsモデル — 重みはApache 2.0の下で約束され、サインアップの壁の後ろにあるウェイトリスト制プレビューで、同社自身のどのプロパティにも公開価格はない。

つまり、この対決を正直に位置づけるなら、モデル対モデルではない。料金表対約束だ。一方は今日の午後にも呼び出せて、決して所有することはない。もう一方はいずれ所有できるようになるかもしれないが、今日はまったく呼び出せない。今四半期にリリースするワークロードのデフォルトを選ぶなら、この違いはどんなベンチマークの一行よりも多くのことを決める。そして、そのどちらの側も他方のラボを貶めるものではないと、はっきり言っておく価値がある。

七日間、二方向の旅

Muse Wonder は完成した商用製品として登場したが、その下に置かれた公開ドキュメントは異例なほど薄い。モデルは呼び出し可能で、価格は記載され、パラメータの範囲も列挙されている——推論エフォートの段階は minimal から max まででデフォルトは medium、出力上限は 943,718 トークン、すべての推論トークンは出力レートで課金される——そして2つ目のチェックポイントである Muse Wonder Full は、同じローンチでより高いスコアを出しながら、Muse Code サブスクリプション内でのみ提供され、トークン単位では一切販売されていない。Meta が提供しなかったのは、ダウンロードできるものすべてだ。モデルカードの公開も、チェックポイントも、ライセンス許諾もない。

Reflectionは逆を行った。Beamのローンチ投稿は、サービングの約束が添えられた研究発表だ。ベンチマーク表、6,144台のGB300 NVL72システムと23.8兆トークンにわたる4週間の実行を明記した事前学習の説明、1億回超のロールアウトと約13億個のサンドボックスを伴う10,500台のGB300上での強化学習段階、そして具体的なライセンス確約——重み、技術レポート、モデルカード、開発者向け成果物は、同社自身の言葉によれば、今月中にApache 2.0の下で公開される。10月5日に出荷されなかったのは、価格、サービング用コンテキストウィンドウ、最大出力値、ファイルだ。

2つのラボ、1週間、そしてその間には、2026年において「released」が意味しうるものの全スペクトルが横たわっている。

それぞれが実際に公開したもの

以下の数値はすべてベンダー自身によるものであり、数値が存在しない箇所こそが発見である。

• 利用可否 — Muse Wonder は 2026-10-12 以降、Meta Model API 上で muse-wonder-1.0 として一般提供されており、Muse Code 内でも利用できます。Reflection Beam のプレビューは「限られたユーザー」向けのウェイトリストで、セルフサービスでの利用経路はありません

• 価格 — Muse Wonder は入力 $4.00 / キャッシュ入力 $0.20 / 出力 $20.00（100万トークンあたり）、公開；Reflection Beam は Reflection 自身のプロパティではどこにも公開されていないため、それに付随して見かけたドル金額は定価ではなく推定値です

• コンテキスト — Muse Wonder 1,048,576トークン。Reflection Beam の API ドキュメントには、256,000トークンのサービング上限が記載されており、脚注でこの数値はベータ期間中に変更される可能性があると警告している。一方、ローンチ投稿では別途、中間トレーニングによってモデルの実効コンテキストが100万トークンに拡張されると述べている。これらはトレーニング側の能力とサービング側の制限であり、矛盾ではない — しかし、それに基づいて構築できる数値は、そのうち片方だけだ

• 最大出力 — Muse Wonder 943,718トークン、Reflection Beam は未公開

• モダリティ — Muse Wonder はテキスト、画像、音声、動画、ファイルを入力として受け取り、テキストを返します。Reflection Beam はテキスト入力、テキスト出力です

• 重み — Muse Wonder はなし、発表もなし；Reflection Beam は Apache 2.0 が約束されているが、本日時点では未リリース

• 独立スコア — Artificial AnalysisのIntelligence IndexでMuse Wonderは52、219中9位。Reflection Beamはそのボードにも、我々が見つけられる他の独立系評価機関のいずれにも行が存在しない

• アーキテクチャ — Muse Wonderは非公開；Reflection Beamは合計501B / アクティブ23B、公称比率は約4.6%

そのリストの非対称性こそがすべてを物語っている。Muse Wonder には価格とターゲットがあり、アーティファクトはない。Reflection Beam にはアーティファクトが約束されているが、価格もターゲットもない。

効率性の主張こそ、距離を置くべきものだ

Reflectionの最も興味深い主張は、ベンチマークスコアではない。それは、Beamがコーディングとエージェント能力を「高効率な推論」と組み合わせ、GLM-5.2に匹敵する高度な推論ベンチマークのスコアを、推論計算量を3～4倍少なくして達成しているというものだ。しかも、Qwen 3.8-Maxのような2T+パラメータファミリーのモデルに対しては、その差はさらに広がる。この主張の背景にあるチャートはベンダー自身の軸で作られたベンダーチャートであり、再現もされていない。しかし、その根底にある計算は突飛なものではない。推論FLOPsは、おおよそアクティブパラメータ数の2倍に生成トークン数を掛けた値としてスケールする。したがって、あるタスクで同等の出力を生成する23Bアクティブのモデルは、40Bまたは100Bアクティブのモデルよりも、タスクあたりのコストが実際に低くなる。論拠はアーキテクチャにあり、アーキテクチャに関して言えばBeamの主張は筋が通っている。

欠けているのは分母だ。Compute per task は比率であり、公開されている資料はそのパラメータ側を示しているだけで、トークン側については何も示していない。Reflection は、そのベンチマーク実行のいずれについても出力トークン数を公開していない。冗長度の数値も、タスクあたりのトークン数の測定も、独立した実行もない。

対照的に、Muse Wonder はまさにその数値であり、しかも逆の方向に作用する。Artificial Analysis は、Intelligence Index 評価中に消費された出力トークン数を Muse Wonder（max）で1億3000万と測定した。同等モデル全体の中央値は8500万であり、インデックスタスクあたり約4.52ドルだった。評価者自身はその挙動を「やや冗長」とラベル付けしている。Muse Wonder はフロンティア価格のフロンティアモデルであり、スコアの代償を出力トークンで払っている。推論トークンは出力レートで課金されるからだ — これは M​eta 自身の価格設定ドキュメントの中で最も重大な一行である。

つまり、その2つのラボは正反対の賭けをしていて、どちらも決着をつける数字を公表していない。M​etaには測定可能な冗長性があり、開示されたパラメータ数はない。そのため、トークンあたりのFLOPsを計算できない。Reflectionには開示されたパラメータ数があり、測定された冗長性はない。そのため、タスクあたりのトークン数を計算できない。BeamはMuse Wonderより実行コストが3～4倍安いと言う人は、存在しないトークン数とパラメータ比を比較している。

スパース性がもたらすのは推論コストの削減であり、能力ではない

501B という数字には第二の罠があり、その数が非常に大きいだけに、簡単に引っかかってしまう。スパースな mixture-of-experts モデルにおける総パラメータ数は、ストレージと事前学習に関する統計値であって、トークンあたりの計算量に関する統計値ではない。Beam が生成する各トークンが触れるのは、その 5010 億パラメータのうちおよそ 230 億にすぎない。残りの 4780 億は、その呼び出しでは遊んでいる。Beam は、その規模の密なモデルがそうであるような意味での 5010 億パラメータモデルではない。そしてそれを Muse Wonder の非公開の規模と並べて引き合いに出すのは、何の意味もない比較を招くだけだ。

この比率が実際に重要になるのはデプロイ時だ。BF16 の 501B チェックポイントは約 1 テラバイトの重みになり、アクティブパラメータ数はメモリフットプリントを縮小しない — 縮小するのは計算量だけだ。Beam を自分でサービングするなら、大規模なマルチ GPU ノードか、大がかりな量子化のどちらかが必要になり、量子化こそ、重みが存在して初めて評価できる類のものだ。ここで Apache 2.0 リリースが脚注ではなく重要な出来事である 2 つ目の理由はこれだ。それは有望なアーキテクチャを、自分のハードウェアで、自分のバッチサイズで、自分のプロンプトを使って測定できるものに変える。

Metaの同じ軸上での立場は正反対だ。Muse Wonderのアーキテクチャは非公開で、そのデプロイの話は完全に他社のAPIだ。あなたはそれを量子化することも、規制対象のワークロードのためにオンプレミスで実行することも、ファインチューニングすることもない。あなたはそれを、提示された料金で、無期限に借りるのだ。

ベンダーの数値と独立系の数値が食い違う場合

これは短いセクションを割く価値がある。なぜなら、これが比較の残りの部分を誠実に保つ規律だからだ。Meta自身のハーネスはMuse Wonder Fullを自社のPersonal Superintelligence Indexで59.1、Muse Wonderを56と評価している。Artificial Analysisが独自のインデックスをMuse Wonder（max）に適用すると52になる。同じモデルファミリー、同じ週で、4ポイントの開き——しかも独立系の数値のほうが低い。独立系のボードでMuse Wonder Fullが56というのは紛れもない結果であり、そのクラスの699モデル中4位にランクされるが、それでもMeta自身の表が示唆する値より4ポイント低い。だからといってMetaの数値が間違っているわけではない。ベンダーのハーネスはそのベンダーのデプロイ向けに調整されており、Metaもそれを自社のものと明記している。ただ、それは本記事の中で互いに突き合わせられる唯一の数値がArtificial Analysisのものであり、それが存在するのは2つのモデルのうちちょうど一方だけだということを意味する。

Reflectionの表は、同じ問題の別バージョンを抱えている。BeamはSWE-Bench Verifiedで80.9、Terminal-Bench v2.1で80.1、DeepSWE v1.1で44.4と記載されており、いずれもベンダー報告値で、しかもInklingやNemotron 3 Ultraとの比較と同じページに並んでいる。この3つのうち2つは、Muse Wonderにもベンダー公表値があるスコアであり、異なる2つのハーネスが生成した2組のベンダー数値を比較することは、比較ではない。それは列見出しが偶然一致しただけのことだ。

今月どうしても選ばなければならないなら

その決断は結局のところ、どちらの欠けた部分なら耐えられるか、ということに帰着する。

• 今四半期に出荷予定で、呼び出し可能性、予測できる価格、100万トークンのウィンドウ、そして943,718トークンの出力バジェットが必要なら——Muse Wonder はその2つのうち、今日サービスとして存在する唯一のものであり、選択はおのずと決まる

• 今四半期にリリース予定で、130Mトークンの評価プロファイルに対して Muse Wonder の出力100万トークンあたり20ドルという料金は予算を超えています — 有効な手は別のモデルではなく、エフォート・ラダーです。Muse Wonder では推論が必須ですが、そのラダーは minimal から max まであり、推論トークンはすべて出力として課金されます。抽出と分類を minimal で実行し、high または max はそれに見合う呼び出しに取っておくことが、請求額を動かすレバーです

• 規制対象、エアギャップ、オンプレミス対応の要件 — どちらのモデルも現時点ではこれを解決できません。Muse Wonder がこれを満たすことは決してありません。Beam なら、1か月後に、寛容なライセンスの下で、あなたがまだ測定していないメモリコストと引き換えに、満たすかもしれません。

• 研究またはファインチューニングの計画 — 重みを待つこと。ダウンロードできない501Bアーキテクチャを対象にプロジェクトを始めてはいけません

• 自社のワークロードに対するベンチマーク — Muse Wonderは今週測定できるが、Beamは全く測定できない。自社の評価スプレッドシートにあるすべてのBeamの数値は、現在、分母のないベンダーの主張にすぎない。

ルーティングするもの、しないもの

率直に申し上げます。どちらのモデルもOrcaRouterのカタログにはありません。meta/muse-wonder というエントリは存在せず、Reflectionのエントリも一切ありません。そして、存在しないルートを提示することはありません。当社がMeta Superintelligence Labsから取り扱っているのはMuse Sparkシリーズ——Muse Spark 1.2とMuse Spark 1.1——であり、これは現在チームが当社を通じて呼び出せるもののうちMetaの推論系に最も近いもので、トークンあたりのコストはMuse Wonderのおよそ5分の1です。この比較の価格設定の基準となっているモデルのうち、Claude Opus 5.5はAnthropic自身の料金で当社のリストに掲載されており、DeepSeek V4 Proもその数分の1の価格で提供しています。

その正直さには、このような比較が異例なほど明確にする実用的な帰結がある。自動フェイルオーバーは、実際に自分たちがルーティングしているものにしかフェイルオーバーしない。そして、エンドポイントのないウェイトリストはフォールバックではない。Beam についてのあなたの計画が「プレビューが解除されたらテストする」というものであるなら、それまでの間、据えておくべき有用なものは、測定可能なプライマリとその背後にある第2のルートだ——それは 1 つの O​penAI 互換エンドポイントにおける設定変更にすぎない。OrcaRouter は 200 以上のモデルを 1 つのキーと 1 つの請求で提供しているので、Beam の重みが登場し、どこかのプロバイダーがそれを提供し始めたとき、そこへ到達するのは新しい統合ではなく、設定ファイル内の 1 つの ID だ。

何が答えを変えるのか、そしていつ確認すべきか

これを動かす度合いが大きい順に並べた3つのイベント。

まずは重みのリリースです。ReflectionはApache 2.0にコミットしており、アーティファクトは今月後半に登場すると述べています。そのリリースこそが、501Bという主張を、ダウンロード可能で、量子化可能で、ベンチマーク可能なものに変えます。そしてそれは、Beamがルーティングプラットフォームに登場する唯一の道でもあります。それが実現するまで、Beamは引用付きの仮説にすぎません。

2つ目は独立した評価です。Beam に関する Artificial Analysis の1行のエントリは、どれだけベンダーの表を読み込んでも及ばないほど、この対決を決着させるのに役立ちます。というのも、効率性の主張に欠けているタスクあたりのトークン数を提供してくれるからです。ローンチブログではなく、あのボードを注視してください。

第三は、Muse Wonder 自身の設定面が落ち着きつつあることだ。タスクあたり4.52ドルという数字は、提供開始からまだ1日しか経っていないモデルを最大推論設定で測定したものだった。チームが本番環境でエフォートのはしごの下位段を試すにつれて、このモデルの現実的なコストは下がっていく——そしてBeamが打ち負かさなければならないのは、インデックススコアではなく、その数値なのだ。

近い将来もっともありそうな答えは、完全な勝利でも完全な敗北でもない。今すぐモデルが必要なチームはMuse Wonderを動かし、重みを自前で持ちたいチームは、実際にダウンロードできるほうを手にする。これは一騎打ちを言い表す奇妙な表現であり、そして正確な表現でもある。