Muse Wonder bereikt OpenCode: een codeeragent ontmoet een eerste token na 30 seconden

Meta Muse Wonder became selectable inside OpenCode on 21 October 2026, nine days after Meta Superintelligence Labs released the model on 12 October. That is the fact worth reporting, and it is a smaller fact than the headline suggests: the model did not launch here, it was added to a coding harness that already had a long list of models. What makes the addition interesting is the collision it sets up. A terminal agent is the least forgiving place to run a model that Artificial Analysis measures at 30.35 seconds to first token, and Muse Wonder is exactly that model — 52 on the independent Intelligence Index, $4.00 per million input tokens and $20.00 per million output, and a first-token wait roughly eight times the board median. Whether a coding agent can absorb that wait is the question this piece is actually about. When a first-token figure like this one changes after a provider ships a fix, the change is logged with its date and sources in the AI Incident Archive, next to the rest of the model and vendor failures we track.

Wat is er op 21 oktober eigenlijk veranderd?

OpenCode publiceert zijn modellijst in de documentatie, en Muse Wonder verschijnt daar nu onder de identificatie muse-wonder-1.0, met een prijs van $4.00 voor input, $20.00 voor output en $0.20 voor gecachte reads per miljoen tokens — dezelfde tariefkaart die Meta publiceert, zonder korting. De vermelding wordt aangeboden via een OpenAI-compatibel Responses-endpoint, wat betekent dat een bestaande OpenCode-configuratie geen aparte client nodig heeft om er toegang toe te krijgen; er is alleen een modelstring en een sleutel nodig.

De eerlijke nuance: de changelog van OpenCode zelf noemt het model niet. De nieuwste vermeldingen voor die week, v2.1.0 op 20 oktober en v2.1.2 op 21 oktober, beschrijven herstel van de gratis limiet, zichtbaarheid van modellen en SDK-wijzigingen. De beschikbaarheid staat dus gedocumenteerd in de modellenlijst in plaats van te zijn aangekondigd als een headline-functie, wat de gebruikelijke manier is waarop harness-ondersteuning wordt toegevoegd en ook de reden waarom een lezer het model in een keuzelijst kan zien voordat die een blogpost erover ziet. We konden de socialmediapost van de leverancier niet rechtstreeks lezen — er verscheen een betaalmuur — dus de datum hier berust op de vermelding plus de tijdstempel van de post zelf, niet op een persbericht.

Op 21 oktober is er niets aan het model zelf veranderd. De gewichten zijn niet openbaar geworden, de prijs is niet gewijzigd en er is geen nieuwe benchmark verschenen. Het enige nieuwe is het bereik: een model waarvoor je voorheen Meta's API handmatig moest aansluiten, is nu één regel configuratie in een tool die veel mensen al open hebben staan.

Het getal dat bepaalt of dit prettig is

Artificial Analysis laat elk model door dezelfde harness lopen, en voor een agentische codetool zijn de latentiecijfers belangrijker dan de samengestelde score. Voor Muse Wonder op de maximale redeneerinstelling:

• Tijd tot eerste token — 30,35 seconden, tegenover een mediaan van 3,96 seconden op het bord

• Uitvoersnelheid zodra het begint — 145,1 tokens per seconde, 26e van 185 gemeten modellen en ruim boven de mediaan van 79,2

• Kosten per Intelligence Index-taak — ongeveer $4,52, tegen een gecombineerd lijsttarief van $2,94 per miljoen tokens

• Verbruikte outputtokens tijdens de index-run — ongeveer 130 miljoen, tegenover een mediaan van 85 miljoen

• Contextvenster — 1.048.576 tokens, waarbij tekst, afbeeldingen, spraak en video als invoer worden geaccepteerd en tekst wordt geretourneerd

Die twee latentiegetallen beschrijven een specifieke vorm van model: het denkt lang na en schrijft dan snel. In een chatvenster is dat te verdragen. In een agent-lus met acht tool-aanroepen wordt de wachttijd van 30 seconden per beurt betaald, en een taak van acht beurten kan vier minuten besteden aan alleen wachten op het eerste token van elke stap. De 145 tokens per seconde is reëel en dat is waarom het model niet traag aanvoelt zodra het praat — maar het kan de stilte vóór het eerste woord niet compenseren.

Dat is geen argument tegen het gebruik ervan. Het is een argument om de juiste beurten te kiezen. De sterkste door de leverancier gerapporteerde claim van Muse Wonder is langetermijnprofessioneel werk — Meta's eigen tabel zet Muse Wonder Full op 75,3 op JobBench, een langetermijn-agentische benchmark en de plek waar de cijfers het scherpst afwijken van die van zijn zustermodel. Als je OpenCode-sessie één moeilijke refactor met een groot plan is, wordt de wachttijd over een lange generatie afgeschreven. Als het veertig kleine bewerkingen zijn, wordt die veertig keer betaald.

De repository die geen release is

Lezers die op zoek gaan naar de gewichten, zullen meta-01/muse-wonder op Hugging Face vinden en kunnen redelijkerwijs concluderen dat er iets opens is gebeurd. Dat is niet gebeurd. De repository bevat een .gitattributes-bestand en verder niets: geen modelkaart, geen config.json, geen safetensors-shards, geen licentiebestand. Downloads worden niet bijgehouden, en de pagina vermeldt dat het model op dat platform niet door een inferenceprovider wordt uitgerold. Letterlijk gelezen is die repository een naamreservering — een plaatshouder die een string bevat, geen checkpoint.

De juiste formulering van de openheid van Muse Wonder is dus: propriëtair, uitsluitend via API, met een kale repository die de naam bezet houdt. Wie het als open-weight, downloadbaar of fine-tunebaar beschrijft, beschrijft een ander model. Dezelfde voorzichtigheid geldt voor de structuur met twee checkpoints — muse-wonder-1.0 is het aanroepbare model, en muse-wonder-full-1.0 is de hoger scorende configuratie die Meta via zijn Muse Code-abonnement verkoopt in plaats van per token. OpenCode vermeldt de eerste.

Waar OrcaRouter staat, en waar niet.

Wij bieden Muse Wonder niet aan. Er is geen meta/muse-wonder in de OrcaRouter-modellencatalogus, en geen enkele beschikbaarheid van naburige Meta-modellen verandert daar iets aan — de Meta-checkpoints die we wél aanbieden zijn meta/muse-spark-1.2 tegen $1.25 voor input en $4.25 voor output per miljoen tokens, en zijn 1.1-voorganger, beide met een venster van 1,048,576 tokens. Dat zo ronduit zeggen is belangrijker dan het meestal zou zijn, omdat een model dat alleen via twee providers bereikbaar is precies het geval is waarin het eerlijke antwoord van een router "deze nog niet" is in plaats van een suggestieve stilte.

Waar de routeringslaag hier echt goed voor is, is het experiment. Een model van tien dagen oud met een eerste token na 30 seconden en slechts één onafhankelijke evaluatie achter de rug is niet iets om een productiepad op goed vertrouwen achter te zetten.automatische failover de timeouts opvangen terwijl je ontdekt of het gedrag op lange termijn het wachten waard is. Dat is een goedkopere manier om de vraag te beantwoorden dan een workflow migreren en hopen.

De andere helft van het routeringsargument is rekenwerk. Omdat we de lijstprijzen van providers zonder opslag doorgeven, is een prijsverlaging van een leverancier dezelfde dag aan onze kant zichtbaar, en een model dat wij niet hosten verschijnt simpelweg niet — de catalogus is een uitspraak over wat bereikbaar is, geen verlanglijstje. Wanneer Muse Wonder hier arriveert, is de prijs die je ziet Meta's prijs.

Wat zou dit een groter verhaal maken?

Drie dingen, elk controleerbaar met één keer de pagina laden. Een vermelding van Muse Wonder in de changelog van OpenCode, in plaats van alleen in de modellenlijst, zou betekenen dat de integratie als een functionaliteit wordt behandeld en niet als een catalogusrij. Een tweede onafhankelijke evaluator die een cijfer over de lange termijn publiceert, zou de enige bewering verstevigen die momenteel volledig op Meta's eigen tabel berust. En elke beweging in de Hugging Face-repository — een modelkaart, een licentie, één enkel safetensors-bestand — zou de openheidsvraag veranderen, die vandaag een antwoord van één woord heeft.

Tot dan is de juiste lezing van 21 oktober smal en nuttig: een frontiermodel werd makkelijker uit te proberen in de tool waar de meeste mensen het zouden proberen, en wat zal beslissen of het geconfigureerd blijft, is niet zijn indexscore maar of 30 seconden stilte per beurt een prijs is die het werk kan betalen.