Meta twierdzi, że Muse Wonder całkowicie bije Opus 5.5 w długotrwałej pracy agentowej. Własna tabela Meta mówi coś węższego.

Muse Wonder Full to checkpoint z wyższym wynikiem, który Meta Superintelligence Labs ogłosiła 12 października 2026 r., a Muse Wonder to możliwy do wywołania bliźniak, który trafił do tego samego wpisu. Oba widnieją w tabeli ewaluacyjnej samej Meta obok Claude Opus 5.5, GPT-6 Astra i Claude Fable 5.1, a twierdzenie, które odbiegło najdalej od tej tabeli — że Muse Wonder Full bije czołowe modele w kilku testach długotrwałej pracy agentowej oraz że przewyższa każdy inny model w DeepSWE, w tym Claude Opus 5.5 — nie potwierdza się w zestawieniu z liczbami, które sama Meta opublikowała. Ta różnica to sedno sprawy i jest bardziej użyteczna niż samo twierdzenie.

Co mówi roszczenie, a co mówi tabela

Szeroko udostępniane podsumowanie podaje w szczególności dwie wartości: wynik SWE-Marathon na poziomie 57,5% dla Muse Wonder Full w porównaniu z 46,3% dla modelu Claude oraz wynik DeepSWE, który plasuje Muse Wonder Full przed wszystkimi innymi w tej dziedzinie. Opublikowane przez Meta wiersze przedstawiają się inaczej w obu tych przypadkach.

• SWE-Marathon — Meta wymienia Muse Wonder Full z wynikiem 79,0, Muse Wonder z 78,8, GPT-6 Astra z 74,1, Claude Opus 5.5 z 74,2 i Claude Fable 5.1 z 67,4. W tym wierszu nie ma nigdzie 57,5 ani 46,3, a przewaga nad Claude Opus 5.5 wynosi 4,8 punktu, a nie 11,2.

• DeepSWE 1.1 — Meta podaje GPT-6 Astra na 59,1 i Claude Opus 5.5 na 59,6, oba powyżej Muse Wonder Full na 57,1 i Muse Wonder na 52,0, który dorównuje Claude Fable 5.1. W tabeli samej Meta Muse Wonder Full jest trzeci w tym wierszu, a nie pierwszy.

• 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. To rzeczywista przewaga dla pary Meta, a wywoływalny checkpoint o włos wyprzedza wersję subskrypcyjną.

• JobBench, długohoryzontowe zadania zawodowe — 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. 44-punktowa różnica między dwoma checkpointami z tego samego laboratorium, która jest albo prawdziwym rozłamem w celach treningowych, albo artefaktem harnessu.

• 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. Kolejny ogromny wewnętrzny rozrzut, a kierunek nie jest jednakowy w wierszach Meta.

Każda z tych liczb jest raportowana przez dostawcę, uzyskana we własnym środowisku testowym Meta przy maksymalnym wysiłku rozumowania, i żadna z nich nie została niezależnie odtworzona. To nie jest powód, by odrzucać tabelę. To jest powód, dla którego pierwszym pytaniem o każdą liczbę, która z niej krążyła, powinno być to, które środowisko testowe ją wygenerowało.

57,5 i 46,3 nie znajdują się na stole.

Do tego, co rzeczywiście da się zweryfikować, pasują dwie możliwości. Albo podsumowanie cytuje inną ocenę — inaczej nazwany zestaw testów, inne ustawienie wysiłku rozumowania, odsetek zaliczeń zamiast wyniku indeksu lub uruchomienie harnessu poza Meta — albo liczby są błędne. Nic w opublikowanych materiałach Meta nie potwierdza ani jednej, ani drugiej, a ten tekst nie zamierza twierdzić, że Muse Wonder Full osiąga 57,5% w SWE-Marathon, skoro wiersz samego dostawcy podaje 79,0.

Właściwa reakcja jest proceduralna, a nie retoryczna. Nazwa benchmarku to nie specyfikacja. SWE-Marathon uruchomiony przy maksymalnym wysiłku w ramach budżetu 200 kroków, budżetu 500 kroków i limitu czasu zegarowego da trzy różne liczby dla tego samego modelu, i to samo dotyczy każdego zestawu długoterminowego. Gdy wynik pojawia się bez dołączonego harnessu, ustawienia wysiłku i budżetu kroków, jest punktem na nieznanej krzywej. Poproś o harness, zanim zaplanujesz zasoby wokół tej liczby.

Skorygowana wersja tego twierdzenia jest węższa i wciąż interesująca: w wierszach długiego horyzontu samej Meta Muse Wonder Full wyprzedza modele Claude i GPT w tabeli o przewagi wynoszące od 4,8 punktu w SWE-Marathon do 44 punktów w JobBench, a przegrywa z nimi w DeepSWE 1.1 i w Harvey LAB-AA. To stwierdzenie da się obronić. Wersja, która mówi, że wygrywa wszędzie, nie daje się obronić.

Do którego z tych dwóch możesz faktycznie dotrzeć?

Ta teza ma drugi, trudniejszy problem i wcale nie chodzi w nim o wyniki. Checkpoint z tymi najważniejszymi liczbami nie jest sprzedawany za token.

• Gdzie działa każdy z nich — muse-wonder-1.0 odpowiada za pośrednictwem Meta Model API oraz wewnątrz Muse Code, terminalowego agenta kodującego tej firmy. muse-wonder-full-1.0 jest opisywany przez Meta jako dostępny wyłącznie w ramach subskrypcji Muse Code.

• Ile kosztuje Full — opublikowane plany Meta wynoszą $50 miesięcznie za Power Usage i $200 miesięcznie za Maximum Usage. Nie ma ścieżki rozliczania na podstawie zużycia, nie ma stawki za token, którą można kupić, ani sposobu, aby wskazać SDK na checkpoint o wyższym wyniku.

• Cennik, który nie ma do niego zastosowania — Meta publikuje 4,00 USD za milion tokenów wejściowych, 0,20 USD za wejście z pamięci podręcznej i 20,00 USD za milion tokenów wyjściowych dla tej serii. Te stawki opisują ścieżkę, która istnieje dla Muse Wonder, a nie istnieje dla Muse Wonder Full.

• Kontekst i wyjście — 1 048 576 tokenów wejściowych w obu przypadkach, przy czym budżet wyjściowy pojedynczej odpowiedzi wywoływalnego checkpointu jest ograniczony do 943 718 tokenów.

• Zestaw danych wejściowych — tekst, obraz, mowa i wideo na wejściu; tekst na wyjściu. Wideo i mowa na wejściu bez poprzedzającego je etapu transkrypcji to różnica w możliwościach, która najprawdopodobniej zmieni architekturę.

Zatem zespół, który czyta deklarację premiery, a potem patrzy na własne opcje zakupowe, porównuje dwie różne rzeczy: API w cenie 4,00 i 20,00 USD, które mogą wywołać jeszcze dziś, oraz checkpoint, do którego dostęp jest comiesięczną decyzją zakupową. Każda ocena, która je miesza, nie jest porównaniem modeli.

Jaki niezależny pomiar obejmuje

Artificial Analysis zmierzył osiągalną połowę. Muse Wonder (max) plasuje się na Intelligence Index wynoszącym 52, zajmując dziewiąte miejsce wśród 219 modeli, przy $4.00 za wejście i $20.00 za wyjście z 95% zniżką na pamięć podręczną, co daje około $4.52 na zadanie indeksowe — tańszy koszt na zadanie spośród dwóch zmierzonych czołowych punktów kontrolnych. Jego karta odnotowuje około 130 milionów tokenów wyjściowych zużytych podczas oceny w porównaniu z medianą 85 milionów, okno kontekstowe 1M oraz wejście tekstowe, obrazowe, mowy i wideo w porównaniu z wyjściem tekstowym.

Muse Wonder Full (max) wskazuje 56 na tym samym indeksie, zajmując czwarte miejsce spośród 699, bez opublikowanej ceny, ponieważ nie ma stawki za token, względem której można by ją znormalizować. Meta podaje ten sam checkpoint na poziomie 59,0 w Artificial Analysis Index we własnej tabeli. Trzypunktowa rozbieżność na tym samym nazwanym indeksie jest w izolacji drobiazgiem, a w ujęciu zbiorczym rzeczą wyjaśniającą: wartość dostawcy opisuje kierunek zmian, a 56 opisuje pomiar.

Niezależna tablica wyników mówi ci też to, czego nie potrafi tabela dostawcy. Muse Wonder Full zdobywa 56 punktów, a Muse Wonder — 52: cztery punkty różnicy na publicznym harnessie, w porównaniu z 44-punktowym rozrzutem JobBench, jaki Meta podaje z własnego zestawu. Jedno z tych dwóch narzędzi mierzy coś, czego nie mierzy drugie.

Ile właściwie kosztuje eskalacja

Cennik Muse Wonder nie jest pozycjonowaniem go jako oferty o dobrej relacji ceny do jakości. 4,00 USD za wejście i 20,00 USD za wyjście to ta sama cena katalogowa co w Claude Opus 5.5 i kilkukrotnie więcej niż pobierają obecne modele rozumujące z otwartymi wagami. Tym, co odróżnia te dwa modele przy identycznych stawkach, jest liczba tokenów, jaką każde z nich zużywa na ukończenie zadania, a pod tym względem Muse Wonder jest oszczędniejszy z tej pary: około 130 milionów tokenów wyjściowych w porównaniu z około 260 milionami w Claude Opus 5.5 w tych samych ramach ewaluacyjnych, dlatego niezależne wartości kosztu na zadanie wynoszą odpowiednio blisko 4,52 USD i 5,98 USD.

Dźwignią wpływającą na ten koszt jest drabinka wysiłku, a nie przełącznik trybu. Rozumowanie jest obowiązkowe, drabinka rozciąga się od minimalnego do maksymalnego poziomu i domyślnie ustawiona jest na średni, a tokeny rozumowania są rozliczane jak tokeny wyjściowe po 20 USD za milion. Nie ma ścieżki bez rozumowania, na którą można by się awaryjnie przełączyć przy dużym natężeniu ruchu. W połączeniu z limitem wyjściowym wynoszącym 943,718 tokenów ustawienie wysiłku jest pojedynczą linijką w integracji, która decyduje, czy ten model jest opłacalny dla Twojego obciążenia.

A argument za sięganiem w ogóle po Full checkpoint jest słabszy, niż sugeruje twierdzenie z premiery, ponieważ cztery niezależne punkty między tymi dwoma checkpointami w Artificial Analysis mieszczą się w paśmie szumu pojedynczego przebiegu ewaluacji. To, co je rozdziela w tabeli dostawcy, to wiersze długohoryzontowe, stanowe i mocno oparte na narzędziach — a są to dokładnie te wiersze, których nikt poza Metą nie odtworzył.

Gdzie router zasługuje tutaj na swoje miejsce

Muse Wonder nie jest dostępny w OrcaRouter. W naszym katalogu nie ma wpisu meta/muse-wonder i nie będziemy opisywać takiego wpisu, jakby istniał; Muse Wonder działa na własnym API Meta oraz w Muse Code, a Muse Wonder Full nie działa nigdzie indziej, jak tylko w ramach subskrypcji Muse Code.

Problem z routingiem, który tworzy ten launch, jest problemem pomiarowym. Gdy jeden model w porównaniu jest dostępny wyłącznie w subskrypcji, a drugi rozliczany za token, jedynym sposobem porównania własnego obciążenia między nimi jest przepuszczenie tych samych zadań przez własny harness i liczenie tokenów, a nie wskaźników zaliczeń. To kształt pracy, do którego stworzony jest pojedynczy endpoint. OrcaRouter udostępnia ponad 200 modeli za jednym API zgodnym z OpenAI, a modele, do których mierzenia zaprasza ten launch — Claude Opus 5.5 po $4.00 za wejście i $20.00 za wyjście, własny Muse Spark 1.2 Meta po $1.25 i $4.25 — są już na nim w cenach katalogowych swoich dostawców, bez żadnej marży po naszej stronie. Ceny katalogowe dostawców przechodzą bez zmian, więc zmiana cennika przez dostawcę dociera do nas tego samego dnia, w którym się pojawia.

Istnieje jeszcze drugie zastosowanie charakterystyczne dla tej serii. Meta wypuściła co najmniej trzy modele zbliżone do czołówki w ciągu pięciu miesięcy — Muse Spark 1.2 w sierpniu, Muse Spark 1.3 we wrześniu, serię Muse Wonder w październiku — a każdy z nich pojawia się z tabelą wyników dostawcy i modelem kosztów obowiązkowego rozumowania. Uruchamianie stałego zestawu ewaluacyjnego na tym z nich, do którego możesz dotrzeć, i podmiana identyfikatora modelu zamiast całego stosu, to najtańszy sposób, by uniknąć trzykrotnego uczenia się tej samej lekcji.

Czego nie rozstrzyga deklaracja premierowa

• Czy Muse Wonder Full kiedykolwiek doczeka się ścieżki API. Wyżej oceniany checkpoint jest zamknięty za miesięczną subskrypcją, przez co dostęp do niego staje się decyzją zakupową, a nie inżynierską. Meta nie zapowiedziała, że go udostępni.

• Które środowisko testowe wygenerowało 57,5 i 46,3? Dopóki nie zostanie to wyjaśnione, dwóch najczęściej cytowanych liczb z tej premiery nie można umieścić na krzywej obok własnych wierszy Meta ani nie należy ich cytować tak, jakby można je było umieścić.

• Czy 44-punktowa różnica w JobBench między dwoma punktami kontrolnymi z tego samego laboratorium przetrwa niezależny przebieg. Różnica tej wielkości to albo prawdziwy podział na dwa profile, albo artefakt stanowiska testowego, a tylko strona trzecia rozstrzyga, który.

• Czy Active Memory i Active Focus sprawdzą się w środowisku produkcyjnym. Meta opisuje trwały stan między sesjami i samodzielne zarządzanie uwagą przy długotrwałych zadaniach. Żadnej z tych funkcji nie zademonstrowano na karcie modelu, a o obu rozstrzygną tygodnie produkcyjnego ruchu, a nie wpis premierowy.

Seria jest prawdziwa i już wydana, a wywoływalny endpoint jest aktywny. To, co w zapowiedzi premiery było błędne, to tabela wyników, a nie model. Możliwe do obrony stanowisko jest dziś wąskie: w wierszach długiego horyzontu samej Meta para Muse Wonder w tabeli wyprzedza modele Claude i GPT w niektórych zestawach testów, a w innych im ustępuje, checkpoint z większymi liczbami to ten, którego nie można wywołać, a dwie najczęściej cytowane liczby z ogłoszenia w ogóle nie pojawiają się w tabeli samego dostawcy.