Meta zegt dat Muse Wonder Full Beats Opus 5.5 verslaat bij aanhoudend agentwerk. Meta's eigen tabel zegt iets beperkters.

Muse Wonder Full is het hoger scorende checkpoint dat Meta Superintelligence Labs op 12 oktober 2026 aankondigde, en Muse Wonder is het aanroepbare zusje dat in hetzelfde bericht werd uitgebracht. Beide staan in Meta's eigen evaluatietabel naast Claude Opus 5.5, GPT-6 Astra en Claude Fable 5.1, en de bewering die het verst van die tabel is weggereisd — dat Muse Wonder Full toonaangevende frontiermodellen verslaat op meerdere tests van langdurig agentwerk, en dat het beter presteert dan elk ander model op DeepSWE, inclusief Claude Opus 5.5 — laat zich niet reproduceren tegen de cijfers die Meta zelf publiceerde. Dat verschil is het verhaal, en het is nuttiger dan de bewering.

Wat de claim zegt, en wat de tabel zegt

De breed gedeelde samenvatting rapporteert in het bijzonder twee cijfers: een SWE-Marathon-score van 57,5% voor Muse Wonder Full tegenover 46,3% voor een Claude-model, en een DeepSWE-resultaat dat Muse Wonder Full boven al het andere in het veld plaatst. De door Meta gepubliceerde rijen geven op beide punten een ander beeld.

• SWE-Marathon — Meta vermeldt Muse Wonder Full met 79,0, Muse Wonder met 78,8, GPT-6 Astra met 74,1, Claude Opus 5.5 met 74,2 en Claude Fable 5.1 met 67,4. Er staat nergens in de rij een 57,5 en ook geen 46,3, en de voorsprong op Claude Opus 5.5 is 4,8 punten, niet 11,2.

• DeepSWE 1.1 — Meta vermeldt GPT-6 Astra met 59,1 en Claude Opus 5.5 met 59,6, beide hoger dan Muse Wonder Full met 57,1 en Muse Wonder met 52,0, die Claude Fable 5.1 evenaart. In Meta's eigen tabel staat Muse Wonder Full op deze rij derde, niet eerste.

• 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. Dit is een echte voorsprong voor het Meta-duo, en het callable checkpoint gaat nipt voor op de subscription-variant.

• JobBench, professionele langetermijntaken — 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. Een verschil van 44 punten tussen twee checkpoints van hetzelfde lab, wat ofwel een echte splitsing in de trainingsdoelen is, ofwel een artefact van de testharness.

• 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. Nog een enorme interne spreiding, en de richting is niet uniform over Meta's rijen.

Elk van die getallen is door de leverancier gerapporteerd, geproduceerd in Meta's eigen harness bij maximale redeneerinspanning, en niets ervan is onafhankelijk gereproduceerd. Dat is geen reden om de tabel te verwerpen. Het is de reden waarom de eerste vraag bij elk getal dat daaruit de ronde deed, zou moeten zijn welke harness het heeft geproduceerd.

De 57,5 en de 46,3 staan niet op tafel.

Twee mogelijkheden passen bij wat daadwerkelijk verifieerbaar is. Ofwel de samenvatting citeert een andere evaluatie — een suite met een andere naam, een andere reasoning-effort-instelling, een slagingspercentage in plaats van de indexscore, of een harness-run buiten Meta — ofwel de cijfers kloppen niet. Niets in het gepubliceerde materiaal van Meta toont een van beide aan, en dit stuk zal niet beweren dat Muse Wonder Full 57,5% scoort op SWE-Marathon, terwijl de eigen rij van de leverancier 79,0 aangeeft.

De juiste reactie is procedureel in plaats van retorisch. Een benchmarknaam is geen specificatie. SWE-Marathon uitgevoerd met maximale inspanning met een budget van 200 stappen, een budget van 500 stappen en een kloktijdlimiet levert drie verschillende getallen op voor hetzelfde model, en hetzelfde geldt voor elke suite met een lange horizon. Wanneer een score binnenkomt zonder dat er een harness, een inspanningsinstelling en een stappenbudget aan zijn gekoppeld, is het een punt op een onbekende curve. Vraag om de harness voordat je capaciteit rond het getal plant.

De gecorrigeerde versie van de bewering is beperkter en nog steeds interessant: op Meta's eigen rijen met een lange horizon gaat Muse Wonder Full de Claude- en GPT-modellen in de tabel voor met marges die uiteenlopen van 4,8 punten op SWE-Marathon tot 44 punten op JobBench, en verliest van hen op DeepSWE 1.1 en op Harvey LAB-AA. Dat is een verdedigbare bewering. De versie die zegt dat het overal wint, is dat niet.

Welke van de twee je daadwerkelijk kunt bereiken

De bewering heeft een tweede, moeilijker probleem, en het gaat helemaal niet over scores. Het checkpoint met de kopcijfers wordt niet per token verkocht.

• Waar elk draait — muse-wonder-1.0 is beschikbaar via de Meta Model API en binnen Muse Code, de terminal-codingagent van het bedrijf. muse-wonder-full-1.0 wordt door Meta beschreven als uitsluitend voor een Muse Code-abonnement.

• Wat Full kost — Meta's gepubliceerde abonnementen bedragen $50 per maand voor Power Usage en $200 per maand voor Maximum Usage. Er is geen op verbruik gebaseerd pad, geen tarief per token dat je kunt kopen, en geen manier om een SDK naar de hoger scorende checkpoint te laten wijzen.

• De tariefkaart die er niet op van toepassing is — Meta publiceert voor de serie $4,00 per miljoen invoertokens, $0,20 voor gecachte invoer en $20,00 per miljoen uitvoertokens. Die tarieven beschrijven een pad dat bestaat voor Muse Wonder en niet bestaat voor Muse Wonder Full.

• Context en uitvoer — 1,048,576 invoertokens bij beide, waarbij het uitvoerbudget voor één antwoord van het callable checkpoint een maximum heeft van 943,718 tokens.

• Invoeroppervlak — tekst, afbeelding, spraak en video in; tekst uit. Het feit dat video en spraak binnenkomen zonder dat daar een transcriptiestap aan voorafgaat, is het verschil in mogelijkheden dat het waarschijnlijkst een architectuur verandert.

Dus een team dat de lanceringsclaim leest en vervolgens naar zijn eigen inkoopmogelijkheden kijkt, vergelijkt twee verschillende dingen: een API van $4,00 en $20,00 die ze vandaag kunnen aanroepen, en een checkpoint waarvan de toegang een maandelijkse aankoopbeslissing is. Elke evaluatie die ze door elkaar haalt, is geen modelvergelijking.

Welke onafhankelijke meting dekt

Artificial Analysis heeft de bereikbare helft gemeten. Muse Wonder (max) staat op een Intelligence Index van 52, gerangschikt als negende van 219 modellen, tegen $4,00 in en $20,00 uit met een cachekorting van 95%, wat neerkomt op ongeveer $4,52 per indextaak — het goedkoopste bedrag per taak van de twee gemeten frontier-checkpoints. De kaart vermeldt ongeveer 130 miljoen verbruikte outputtokens tijdens de evaluatie tegen een mediaan van 85 miljoen, het contextvenster van 1M, en tekst-, beeld-, spraak- en video-invoer tegen tekstuitvoer.

Muse Wonder Full (max) scoort 56 op dezelfde index, als vierde van 699 gerangschikt, zonder gepubliceerde prijs omdat er geen tarief per token is om tegen te normaliseren. Meta vermeldt hetzelfde checkpoint met 59,0 op de Artificial Analysis Index in zijn eigen tabel. Een discrepantie van drie punten op dezelfde genoemde index is op zichzelf iets kleins en over het geheel genomen iets verhelderends: het leverancierscijfer beschrijft de richting van de beweging, de 56 beschrijft een meting.

Het onafhankelijke scorebord vertelt je ook wat de leverancierstabel je niet kan vertellen. Muse Wonder Full scoort 56 en Muse Wonder scoort 52 — vier punten uit elkaar op een publieke harness, tegenover de 44 punten verschil die Meta voor JobBench meldt uit zijn eigen cijfers. Een van die twee instrumenten meet iets wat het andere niet meet.

Wat de escalatie werkelijk kost

De prijsstelling van Muse Wonder is geen waarde-positionering. $4,00 voor input en $20,00 voor output is dezelfde lijstprijs als Claude Opus 5.5, en een veelvoud van wat de huidige open-weight redeneermodellen vragen. Wat de twee bij identieke tarieven onderscheidt, is het aantal tokens dat elk besteedt aan het voltooien van een taak, en op dat vlak is Muse Wonder de zuinigere van de twee: ongeveer 130 miljoen outputtokens tegenover de ongeveer 260 miljoen van Claude Opus 5.5 in hetzelfde evaluatiekader, wat verklaart waarom de onafhankelijke kosten-per-taakcijfers rond $4,52 respectievelijk $5,98 uitkomen.

De hefboom op die kosten is de inspanningsladder, niet een modusschakelaar. Redeneren is verplicht, de ladder loopt van minimaal tot maximaal en staat standaard op gemiddeld, en redeneertokens worden gefactureerd als uitvoertokens tegen $20 per miljoen. Er is geen niet-denken-pad om op terug te vallen voor verkeer met een hoog volume. In combinatie met een uitvoerplafond van 943.718 tokens is de inspanningsinstelling de enige regel in een integratie die bepaalt of dit model betaalbaar is voor jouw workload.

En het argument om überhaupt naar de Full-checkpoint te grijpen is zwakker dan de bewering bij de lancering doet vermoeden, omdat de vier onafhankelijke punten tussen de twee checkpoints op Artificial Analysis binnen de ruisband van een evaluatie met één run vallen. Wat ze in de leverancierstabel onderscheidt, zijn de langetermijn-, stateful- en toolintensieve rijen — en dat zijn precies de rijen die niemand buiten Meta heeft gereproduceerd.

Waar een router hier zijn plek verdient

Muse Wonder staat niet op OrcaRouter. Er is geen meta/muse-wonder-vermelding in onze catalogus en we zullen er geen beschrijven alsof die er wel is; Meta's eigen API en Muse Code zijn waar het draait, en Muse Wonder Full draait nergens anders dan achter een Muse Code-abonnement.

Het routeringsprobleem dat deze lancering creëert, is een meetprobleem. Zodra het ene model in een vergelijking achter een abonnement zit en het andere per token wordt afgerekend, is de enige manier om je eigen workload over beide te vergelijken dezelfde taken door je eigen harness te draaien en tokens te tellen in plaats van slagingspercentages. Dat is precies de vorm van werk waarvoor één endpoint is gebouwd. OrcaRouter biedt meer dan 200 modellen achter één OpenAI-compatibele API, en de modellen waartegen deze lancering je uitnodigt te meten — Claude Opus 5.5 voor $4,00 in en $20,00 uit, Meta's eigen Muse Spark 1.2 voor $1,25 en $4,25 — staan er al op tegen de eigen lijstprijzen van hun leveranciers, zonder dat er aan onze kant iets bovenop komt. De lijstprijzen van leveranciers worden ongewijzigd doorgegeven, dus een prijswijziging van een leverancier bereikt ons dezelfde dag dat die ingaat.

Er is een tweede gebruik dat specifiek is voor deze serie. Meta heeft in vijf maanden minstens drie frontier-adjacente modellen uitgebracht — Muse Spark 1.2 in augustus, Muse Spark 1.3 in september, de Muse Wonder-serie in oktober — en elk komt met een scorebord van de leverancier en een kostenmodel voor verplicht redeneren. Een vaste evaluatieset draaien op elk van hen die je kunt bereiken, en een model-ID omwisselen in plaats van een stack, is de goedkoopste manier om te voorkomen dat je dezelfde les drie keer opnieuw leert.

Wat de lanceringsclaim niet beslecht

• Of Muse Wonder Full ooit een API-pad krijgt. De checkpoint met de hogere score zit achter een maandabonnement, waardoor toegang ertoe een aankoopbeslissing is in plaats van een technische beslissing. Meta heeft niet gezegd dat het die zal openstellen.

• Welke harness produceerde 57,5 en 46,3? Totdat daar antwoord op is, kunnen de twee meest geciteerde cijfers van deze lancering niet op een curve naast Meta's eigen rijen worden geplaatst, en moeten ze niet worden geciteerd alsof dat wel kan.

• Of het 44-punts JobBench-verschil tussen twee checkpoints uit hetzelfde lab een onafhankelijke run overleeft. Een verschil van die grootte is ofwel een echte tweedeling tussen twee profielen, ofwel een artefact van de testopstelling, en alleen een derde partij kan uitmaken welke van de twee het is.

• Of Active Memory en Active Focus standhouden in productie. Meta beschrijft een persistente toestand over sessies heen en zelfbeheerde aandacht bij lange taken. Geen van beide wordt op een modelkaart aangetoond, en beide worden eerder beslecht door weken productieverkeer dan door een lanceerbericht.

De serie is echt en uitgebracht, en het aanroepbare endpoint is live. Wat de lanceringsclaim verkeerd had, is het scorebord, niet het model. De verdedigbare positie vandaag is de smalle: op Meta's eigen lange-termijnrijen leidt het Muse Wonder-paar de Claude- en GPT-modellen in de tabel op sommige suites en loopt het achter op andere, het checkpoint met de grotere cijfers is degene die je niet kunt aanroepen, en de twee meest geciteerde cijfers uit de aankondiging staan helemaal niet op de eigen tabel van de leverancier.