Meta는 지속적인 에이전트 작업에서 Muse Wonder Full이 Opus 5.5를 능가한다고 말한다. Meta 자체 표는 더 좁은 내용을 말한다.

Muse Wonder Full은 2026년 10월 12일 Meta Superintelligence Labs가 발표한 더 높은 점수의 체크포인트이고, Muse Wonder는 같은 게시물에서 함께 공개된 호출 가능한 형제 모델이다. 두 모델 모두 Meta 자체 평가 표에서 Claude Opus 5.5, GPT-6 Astra, Claude Fable 5.1과 나란히 등장한다. 그리고 그 표에서 가장 멀리 떨어져 나간 주장, 즉 Muse Wonder Full이 지속적인 에이전트 작업을 평가하는 여러 테스트에서 선도적인 프런티어 모델들을 능가하고 Claude Opus 5.5를 포함해 DeepSWE에서 다른 모든 모델보다 뛰어나다는 주장은 Meta가 스스로 공개한 수치와 비교해도 재현되지 않는다. 그 격차가 바로 이 이야기의 핵심이며, 그 주장보다 더 유용하다.

청구가 말하는 것과 표가 말하는 것

널리 공유된 요약은 특히 두 가지 수치를 보고한다: Muse Wonder Full의 SWE-Marathon 점수 57.5% 대 Claude 모델의 46.3%, 그리고 Muse Wonder Full을 해당 분야의 다른 모든 것보다 앞서게 하는 DeepSWE 결과다. Meta가 공개한 행들에서는 두 수치 모두 다르게 읽힌다.

• SWE-Marathon — Meta는 Muse Wonder Full을 79.0, Muse Wonder를 78.8, GPT-6 Astra를 74.1, Claude Opus 5.5를 74.2, Claude Fable 5.1을 67.4로 기재합니다. 그 행에는 57.5도 46.3도 어디에도 없으며, Claude Opus 5.5에 대한 우위는 11.2점이 아니라 4.8점입니다.

• DeepSWE 1.1 — Meta는 GPT-6 Astra를 59.1, Claude Opus 5.5를 59.6으로 표기하며, 둘 다 Muse Wonder Full의 57.1과 Claude Fable 5.1과 동률인 Muse Wonder의 52.0보다 높다. Meta 자체 표에서 Muse Wonder Full은 이 행에서 1위가 아니라 3위다.

• 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. 이는 Meta의 두 모델에 진정한 우위를 안겨주며, 호출 가능한 체크포인트가 구독형을 근소하게 앞선다.

• JobBench, 장기적 전문 작업 — 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. 같은 연구소의 두 체크포인트 사이의 44점 격차는 훈련 목표의 실제 분기이거나 하네스 아티팩트다.

• 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. 또 하나의 엄청난 내부 편차이며, 그 방향은 Meta의 행들 전반에서 일관되지 않다.

그 수치들은 하나같이 벤더가 보고한 것이며, 메타 자체 하네스에서 최대 추론 노력으로 산출되었고, 그중 어느 것도 독립적으로 재현되지 않았다. 그렇다고 해서 그 표를 일축할 이유는 아니다. 오히려 그 표에서 퍼져 나간 어떤 수치에 대해서든 첫 번째 질문은 그것을 산출한 하네스가 무엇인가여야 하는 이유가 바로 여기에 있다.

57.5와 46.3은 테이블 위에 없습니다

실제로 검증 가능한 것과 맞아떨어지는 두 가지 가능성이 있다. 요약이 다른 평가를 인용하고 있거나 — 이름이 다른 스위트, 다른 추론 노력 설정, 지수 점수가 아닌 통과율, 또는 Meta 외부에서 실행된 하네스 — 아니면 수치가 잘못된 것이다. Meta의 공개 자료 어디에도 둘 중 어느 것도 입증되지 않으며, 이 글은 벤더 자체 행에 79.0이라고 적혀 있는데 Muse Wonder Full이 SWE-Marathon에서 57.5%를 기록한다고 단언하지 않을 것이다.

올바른 대응은 수사적이라기보다 절차적이다. 벤치마크 이름은 명세가 아니다. SWE-Marathon을 최대 effort 설정으로 200단계 예산, 500단계 예산, 그리고 실제 경과 시간 상한에 맞춰 실행하면 동일한 모델에 대해 서로 다른 세 개의 숫자가 나오며, 이는 모든 장기 지평(long-horizon) 스위트에도 마찬가지다. 점수가 하네스, effort 설정, 단계 예산이 붙지 않은 채 도착한다면, 그것은 알 수 없는 곡선 위의 한 점이다. 그 숫자를 기준으로 용량을 계획하기 전에 하네스를 먼저 요구하라.

수정된 주장은 범위가 더 좁지만 여전히 흥미롭습니다: Meta 자체의 장기 지평(long-horizon) 행들에서 Muse Wonder Full은 표에서 Claude 및 GPT 모델을 SWE-Marathon의 4.8점부터 JobBench의 44점까지의 격차로 앞서며, DeepSWE 1.1과 Harvey LAB-AA에서는 그들에게 뒤집니다. 이것은 정당화할 수 있는 진술입니다. 모든 곳에서 이긴다고 말하는 버전은 그렇지 않습니다.

둘 중 실제로 도달할 수 있는 것은 어느 쪽입니까?

그 주장에는 두 번째이자 더 어려운 문제가 있는데, 그것은 점수와는 전혀 무관하다. 대표 수치를 내건 그 체크포인트는 토큰당 판매되지 않는다.

• 각각이 실행되는 위치 — muse-wonder-1.0은 Meta Model API와 이 회사의 터미널 코딩 에이전트인 Muse Code 내에서 응답합니다. muse-wonder-full-1.0은 Meta가 Muse Code 구독 전용이라고 설명합니다.

• Full의 비용 — Meta가 공개한 요금제는 Power Usage가 월 $50, Maximum Usage가 월 $200입니다. 종량제 경로도, 구매할 수 있는 토큰당 요금도 없으며, SDK를 더 높은 점수의 체크포인트로 지정할 방법도 없습니다.

• 그것에 적용되지 않는 요금표 — Meta는 이 시리즈에 대해 입력 토큰 100만 개당 $4.00, 캐시된 입력에 대해 $0.20, 출력 토큰 100만 개당 $20.00을 공개합니다. 그 요금은 Muse Wonder에는 존재하고 Muse Wonder Full에는 존재하지 않는 경로를 설명합니다.

• 컨텍스트와 출력 — 두 경우 모두 1,048,576 입력 토큰이며, 호출 가능한 체크포인트의 단일 응답 출력 예산은 943,718 토큰으로 제한됩니다.

• 입력 표면 — 텍스트, 이미지, 음성, 영상이 들어가고 텍스트가 나온다. 영상과 음성이 앞단의 전사 단계 없이 그대로 입력된다는 점은 아키텍처를 바꿀 가능성이 가장 큰 역량 차이다.

그래서 한 팀이 출시 주장을 읽고 나서 자체 조달 옵션을 살펴보는 것은 서로 다른 두 가지를 비교하는 셈이다: 오늘 바로 호출할 수 있는 $4.00 및 $20.00의 API와, 접근 여부가 매월 구매 결정에 달려 있는 체크포인트다. 이 둘을 뒤섞는 평가는 모델 비교가 아니다.

독립적인 측정은 무엇을 다루나요?

Artificial Analysis는 접근 가능한 절반을 측정했습니다. Muse Wonder (max)는 Intelligence Index 52에 위치하며 219개 모델 중 9위이고, 입력 $4.00, 출력 $20.00에 95% 캐시 할인이 적용되어 인덱스 작업당 대략 $4.52로 계산됩니다 — 측정된 두 프런티어 체크포인트 중 더 저렴한 작업당 수치입니다. 해당 카드에는 평가 중 소비된 출력 토큰이 약 1억 3천만 개로 중간값 8,500만 개와 대비되며, 1M 컨텍스트 창, 그리고 텍스트 출력에 대한 텍스트, 이미지, 음성 및 비디오 입력이 기록되어 있습니다.

Muse Wonder Full (max)은 같은 지수에서 56을 기록하며 699개 중 4위에 올랐고, 정규화 기준이 될 토큰당 요율이 없기 때문에 가격은 공개되지 않았다. Meta는 자체 표에서 동일한 체크포인트를 Artificial Analysis Index 59.0으로 기재한다. 같은 이름의 지수에서 3점 차이는 단독으로 보면 사소한 일이고, 집계적으로 보면 분명해지는 일이다. 벤더 수치는 진행 방향을 설명하고, 56은 측정값을 설명한다.

독립적인 리더보드는 벤더 표가 알려주지 못하는 것도 알려준다. Muse Wonder Full은 56점, Muse Wonder는 52점으로, 공개 하네스에서는 4점 차이지만, Meta가 자체적으로 보고한 JobBench에서는 44점 격차가 난다. 이 두 측정 도구 중 하나는 다른 하나가 측정하지 않는 무언가를 측정하고 있다.

에스컬레이션이 실제로 초래하는 비용

Muse Wonder의 가격 책정은 가성비 포지션이 아니다. 입력 $4.00, 출력 $20.00은 Claude Opus 5.5와 동일한 정가이며, 현재 오픈 웨이트 추론 모델들이 부과하는 요금의 몇 배에 달한다. 동일한 요율에서 두 모델을 구분 짓는 것은 각각이 작업을 끝내는 데 소비하는 토큰 수이며, 그 기준에서 Muse Wonder는 둘 중 더 효율적인 쪽이다. 동일한 평가 프레임워크에서 약 1억 3천만 출력 토큰 대 Claude Opus 5.5의 약 2억 6천만 토큰이기 때문에, 독립적인 작업당 비용 수치가 각각 약 $4.52와 $5.98로 나온다.

그 비용을 좌우하는 레버는 모드 전환이 아니라 노력 사다리입니다. 추론은 필수이며, 이 사다리는 최소에서 최대로 이어지고 기본값은 중간이고, 추론 토큰은 백만 개당 20달러로 출력 토큰으로 청구됩니다. 대량 트래픽에서 대신 기댈 비사고 경로는 없습니다. 943,718토큰 출력 상한과 결합되면, 노력 설정은 이 모델이 귀하의 워크로드에서 감당 가능한지 결정하는 통합의 단 한 줄입니다.

그리고 애초에 Full 체크포인트를 선택하려는 논거는 출시 당시 주장이 시사하는 것보다 더 빈약하다. Artificial Analysis에서 두 체크포인트 사이의 네 개의 독립적인 점수가 단일 실행 평가의 노이즈 밴드 안에 있기 때문이다. 벤더 표에서 이들을 구분하는 것은 장기 지평, 상태 유지, 도구 집약적인 행들이다 — 그리고 그 행들은 바로 Meta 외부의 누구도 재현하지 못한 행들이다.

라우터가 여기서 제 역할을 하는 곳

Muse Wonder는 OrcaRouter에 없습니다. 우리 카탈로그에는 meta/muse-wonder 항목이 존재하지 않으며, 마치 그런 항목이 있는 것처럼 설명하지도 않을 것입니다. 이것이 실행되는 곳은 Meta 자체 API와 Muse Code이며, Muse Wonder Full은 Muse Code 구독 뒤에서 외에는 어디에서도 실행되지 않습니다.

이번 출시가 만들어내는 라우팅 문제는 곧 측정 문제입니다. 비교 대상에서 한쪽 모델은 구독으로만 접근할 수 있고 다른 쪽은 토큰당 과금된다면, 두 모델에 걸쳐 자신의 워크로드를 비교할 수 있는 유일한 방법은 동일한 작업을 자체 하네스로 돌려 합격률이 아니라 토큰 수를 세는 것입니다. 단일 엔드포인트는 바로 이런 형태의 작업을 위해 만들어진 것입니다. OrcaRouter는 200개가 넘는 모델을 하나의 OpenAI 호환 API 뒤에 제공하며, 이번 출시에서 여러분이 비교 측정해 보도록 권하는 모델들 — 입력 $4.00, 출력 $20.00의 Claude Opus 5.5, 그리고 Meta 자체 Muse Spark 1.2는 입력 $1.25, 출력 $4.25 — 이 이미 각 벤더의 자체 정가 그대로, 저희 쪽에서 아무것도 마진을 붙이지 않은 채 여기에 올라와 있습니다. 공급자 정가가 그대로 전달되므로, 벤더가 가격을 조정하면 그것이 적용되는 당일에 저희에게도 도달합니다.

이 시리즈에 특화된 두 번째 용도가 있다. Meta는 5개월 동안 프런티어에 근접한 모델을 적어도 세 개 출시했다 — 8월의 Muse Spark 1.2, 9월의 Muse Spark 1.3, 10월의 Muse Wonder 시리즈 — 그리고 각각은 벤더 스코어보드와 필수 추론 비용 모델을 함께 내놓는다. 접근할 수 있는 그중 어느 모델을 대상으로든 고정 평가 세트를 실행하고, 스택이 아니라 모델 식별자만 교체하는 것이 같은 교훈을 세 번 다시 배우는 일을 피하는 가장 저렴한 방법이다.

출시 주장이 해결하지 못하는 것

• Muse Wonder Full이 언젠가 API 경로를 갖게 될지 여부. 더 높은 점수를 받은 체크포인트는 월 구독 뒤에 가로막혀 있어, 그것에 대한 접근은 엔지니어링 결정이 아니라 구매 결정이 된다. Meta는 그것을 공개하겠다고 밝히지 않았다.

• 57.5와 46.3을 산출한 하네스는 무엇인가. 그 답이 나오기 전까지는, 이번 출시에서 가장 많이 인용된 두 수치를 Meta 자체의 행들과 나란히 곡선 위에 놓을 수 없으며, 그렇게 할 수 있는 것처럼 인용해서도 안 된다.

• 같은 연구실에서 나온 두 체크포인트 사이의 JobBench 44점 격차가 독립 실행에서도 유지되는지. 그 정도 격차는 실제 두 프로필 간 분화이거나 평가 하네스의 아티팩트이며, 어느 쪽인지는 제3자만이 판가름할 수 있다.

• Active Memory와 Active Focus가 프로덕션에서 버텨낼지 여부. Meta는 세션 전반의 지속 상태와 장기 작업에 대한 자기 관리형 어텐션을 설명한다. 둘 다 모델 카드에서 입증되지 않았으며, 둘 모두 출시 게시물이 아니라 몇 주간의 프로덕션 트래픽으로 판가름 난다.

시리즈는 실제로 존재하고 출시되었으며, 호출 가능한 엔드포인트도 라이브 상태다. 출시 주장이 잘못 짚은 것은 모델이 아니라 점수판이다. 오늘 방어 가능한 입장은 좁은 쪽이다. Meta 자체의 장기 지평 행에서 Muse Wonder 쌍은 일부 스위트에서는 표에서 Claude 및 GPT 모델을 앞서고 다른 스위트에서는 뒤처지며, 더 큰 숫자를 가진 체크포인트는 호출할 수 없는 쪽이고, 발표문에서 가장 많이 인용된 두 수치는 벤더 자체 표에는 전혀 나타나지 않는다.