Muse Wonder kontra Reflection Beam: Jedno to cennik, drugie to obietnica

Siedem dni różnicy, z przeciwnych kierunków. Meta wprowadziła Muse Wonder do ogólnej dostępności 12 października 2026 r., w ramach Meta Model API i w Muse Code, po 4,00 USD za milion tokenów wejściowych i 20,00 USD za milion tokenów wyjściowych, z oknem kontekstowym 1 048 576 tokenów i bez jakiegokolwiek pobierania. Reflection ogłosiła Reflection Beam 5 października 2026 r. — rzadki model typu mixture-of-experts z 501 miliardami łącznych parametrów i 23 miliardami aktywnych parametrów na token — z wagami zapowiedzianymi na licencji Apache 2.0, podglądem z listą oczekujących za bramką rejestracji i brakiem opublikowanej ceny na żadnej z własnych witryn firmy.

Co oznacza, że uczciwe ujęcie tego starcia to nie model przeciw modelowi. To cennik przeciw obietnicy. Jedno z nich możesz wywołać już dziś po południu i nigdy nie będziesz go posiadać; drugie możesz z czasem posiadać, ale dziś nie możesz go w ogóle wywołać. Jeśli wybierasz domyślne rozwiązanie dla obciążenia, które ma zostać wdrożone w tym kwartale, ta różnica rozstrzyga więcej niż jakakolwiek linijka benchmarku — i warto wyraźnie powiedzieć, że żadna z jej stron nie jest przytykiem do drugiego laboratorium.

Siedem dni, dwa kierunki podróży

Muse Wonder trafił na rynek jako gotowy produkt komercyjny, pod którym kryje się nietypowo skąpa dokumentacja publiczna. Model można wywoływać, cena jest podana, powierzchnia parametrów wyliczona — drabina wysiłku rozumowania od minimal do max z domyślnym medium, pułap wyjściowy 943 718 tokenów, każdy token rozumowania rozliczany według stawki za wyjście — a drugi checkpoint, Muse Wonder Full, pojawia się w tej samej premierze z wyższym wynikiem, ale wyłącznie w ramach subskrypcji Muse Code i w ogóle nie jest sprzedawany za tokeny. Tym, czego M​eta nie dostarczyła, jest cokolwiek do pobrania. Nie ma wydania karty modelu, nie ma checkpointu, nie ma udzielenia licencji.

Reflection zrobił odwrotnie. Wpis Beam ogłaszający premierę to komunikat badawczy z dołączoną obietnicą serwowania: tabele benchmarków, opis pretreningu, w którym wymieniono 6 144 systemy GB300 NVL72 i czterotygodniowy przebieg obejmujący ponad 23,8 biliona tokenów, etap uczenia ze wzmocnieniem na 10 500 GB300 z ponad 100 milionami rolloutów i około 1,3 miliarda sandboxów oraz konkretne zobowiązanie licencyjne — wagi, raport techniczny, karta modelu i artefakty dla deweloperów pojawią się na licencji Apache 2.0, jak ujmuje to sama firma, później w tym miesiącu. 5 października nie udostępniono ceny, okna kontekstu serwowania, maksymalnej liczby tokenów wyjściowych ani pliku.

Dwa laboratoria, jeden tydzień, a między nimi całe spektrum tego, co słowo „wydane” może oznaczać w 2026 roku.

Co każdy z nich faktycznie opublikował

Każda z poniższych liczb pochodzi od samego dostawcy, a tam, gdzie liczba nie istnieje, właśnie to jest ustaleniem.

• Możliwość wywołania — Muse Wonder jest ogólnie dostępny od 2026-10-12 w Meta Model API pod nazwą muse-wonder-1.0 oraz w Muse Code; podgląd Reflection Beam to lista oczekujących dla „ograniczonego zestawu użytkowników”, bez samoobsługowej ścieżki w

Cena — Muse Wonder $4.00 za wejście / $0.20 za wejście z pamięci podręcznej / $20.00 za wyjście za milion tokenów, opublikowana; Reflection Beam nie został opublikowany nigdzie w serwisach należących do Reflection, więc każda kwota w dolarach, jaką widziano przypisaną do niego, jest szacunkiem, a nie ceną katalogową

• Kontekst — Muse Wonder 1 048 576 tokenów; dokumentacja API Reflection Beam podaje limit obsługi 256 000 tokenów z przypisem ostrzegającym, że liczba ta może się zmienić w wersji beta, a wpis ogłaszający premierę osobno mówi, że trening pośredni rozszerza efektywny kontekst modelu do 1 mln tokenów. To możliwość po stronie treningu i limit po stronie obsługi, a nie sprzeczność — ale tylko jedna z nich jest liczbą, na której można budować

• Maksymalna liczba tokenów wyjściowych — Muse Wonder 943 718 tokenów; Reflection Beam nie został opublikowany

• Modalność — Muse Wonder przyjmuje tekst, obraz, mowę, wideo i pliki, a zwraca tekst; Reflection Beam to tekst na wejściu, tekst na wyjściu

• Wagi — Muse Wonder: brak i nie zapowiedziano żadnych; Reflection Beam: obiecano Apache 2.0, ale na dzień dzisiejszy nie wydano

• Niezależny wynik — Muse Wonder 52 w Intelligence Index Artificial Analysis, pozycja #9 na 219; Reflection Beam nie ma wiersza na tej liście ani u żadnego innego niezależnego ewaluatora, jakiego możemy znaleźć

• Architektura — Muse Wonder: nieujawniona; Reflection Beam: 501B łącznie / 23B aktywnych, podany stosunek około 4,6%

Asymetria na tej liście mówi wszystko. Muse Wonder ma cenę i grupę docelową, a nie ma artefaktu. Reflection Beam ma obiecany artefakt, a nie ma ani ceny, ani grupy docelowej.

Twierdzenie o wydajności to to, które należy trzymać na dystans

Najciekawsze twierdzenie Reflection nie dotyczy wyniku benchmarku. Polega na tym, że Beam łączy zdolności kodowania i działania agentowego z „wysoce wydajnym rozumowaniem”, osiągając wyniki w zaawansowanych benchmarkach rozumowania porównywalne z GLM-5.2, zużywając przy tym 3–4× mniej mocy obliczeniowej na wnioskowanie, a różnica ta rośnie w zestawieniu z modelami z rodziny o ponad 2 bilionach parametrów, takimi jak Qwen 3.8-Max. Wykres stojący za tym twierdzeniem pochodzi od dostawcy, jest na własnych osiach dostawcy i nie został odtworzony — ale arytmetyka, która za nim stoi, nie jest egzotyczna. FLOPy wnioskowania skalują się w przybliżeniu jak dwukrotność liczby aktywnych parametrów pomnożona przez liczbę wygenerowanych tokenów, więc model z 23 mld aktywnych parametrów, który generuje porównywalne wyniki dla danego zadania, naprawdę kosztuje mniej na zadanie niż model z 40 mld lub 100 mld aktywnych parametrów. Architektura jest argumentem, a jeśli chodzi o architekturę, argumentacja Beam jest spójna.

Brakuje mianownika. Obliczenia na zadanie to stosunek, a opublikowany materiał daje nam stronę parametrów tego stosunku i nic po stronie tokenów. Reflection nie publikuje liczby tokenów wyjściowych dla żadnego ze swoich przebiegów benchmarkowych. Nie ma żadnego wskaźnika gadatliwości, żadnego pomiaru tokenów na zadanie ani niezależnego przebiegu.

Muse Wonder, dla odmiany, ma dokładnie tę liczbę i działa to w przeciwnym kierunku. Artificial Analysis zmierzyło Muse Wonder (max) na 130 milionów tokenów wyjściowych zużytych podczas jego oceny w Intelligence Index, wobec mediany 85 mln wśród porównywalnych modeli, oraz na około 4,52 USD na zadanie indeksowe. Sam oceniający określa to zachowanie jako „nieco gadatliwe”. Muse Wonder to model frontierowy w frontierowej cenie i za swój wynik płaci tokenami wyjściowymi, ponieważ tokeny rozumowania są rozliczane według stawki za wyjście — co jest najistotniejszym zapisem w dokumentacji cenowej samej M​eta.

Tak więc te dwa laboratoria obstawiają przeciwne rzeczy i żadne z nich nie opublikowało liczb, które by to rozstrzygnęły. Meta ma mierzalną gadatliwość i nieujawnioną liczbę parametrów, więc nie można obliczyć jej FLOPs na token. Reflection ma ujawnioną liczbę parametrów i niemierzoną gadatliwość, więc nie można obliczyć jej tokenów na zadanie. Każdy, kto mówi ci, że Beam jest trzy do czterech razy tańszy w działaniu niż Muse Wonder, porównuje stosunek parametrów z liczbą tokenów, która nie istnieje.

Rzadkość przekłada się na koszt wnioskowania, a nie na możliwości.

W liczbie 501B kryje się druga pułapka i łatwo w nią wpaść, ponieważ ta liczba jest tak duża. Łączna liczba parametrów w rzadkim modelu typu mixture-of-experts to statystyka dotycząca przechowywania i wstępnego trenowania, a nie obliczeń na token. Każdy token generowany przez Beam dotyka około 23 miliardów spośród jego 501 miliardów parametrów. Pozostałe 478 miliardów pozostają bezczynne przy tym wywołaniu. Beam nie jest modelem o 501 miliardach parametrów w takim sensie, w jakim byłby nim gęsty model tej wielkości, a podawanie tej liczby obok nieujawnionego rozmiaru Muse Wonder zachęca do porównania, które nic nie znaczy.

To, gdzie ten stosunek naprawdę ma znaczenie, to wdrożenie. Checkpoint 501B w BF16 to rzędu terabajta wag, a liczba aktywnych parametrów nie zmniejsza śladu pamięciowego — jedynie obliczenia. Samodzielne serwowanie Beam oznacza albo duży węzeł multi-GPU, albo ciężką kwantyzację, a kwantyzacja to dokładnie ten rodzaj rzeczy, który można ocenić dopiero wtedy, gdy wagi już istnieją. To drugi powód, dla którego wydanie Apache 2.0 jest tutaj wydarzeniem, a nie przypisem: zamienia obiecującą architekturę w coś, co można zmierzyć na własnym sprzęcie, przy własnym rozmiarze batcha i własnych promptach.

Stanowisko firmy Meta na tej samej osi jest przeciwne. Architektura Muse Wonder nie jest ujawniona, a historia jej wdrożenia to w całości API kogoś innego. Nie skwantujesz go, nie uruchomisz go na własnej infrastrukturze na potrzeby obciążenia objętego regulacjami i nie dostroisz go. Wynajmujesz go za podaną stawkę, bezterminowo.

Gdzie liczby dostawcy i niezależne liczby się nie zgadzają

To zasługuje na krótką sekcję, ponieważ to właśnie ta dyscyplina sprawia, że reszta porównania pozostaje uczciwa. Własny harness Mety umieszcza Muse Wonder Full na poziomie 59,1 w swoim Personal Superintelligence Index, a Muse Wonder na 56. Artificial Analysis, prowadząc własny indeks dla Muse Wonder (max), otrzymuje 52. Ta sama rodzina modeli, ten sam tydzień, cztery punkty różnicy — a wynik niezależny jest tym niższym. Muse Wonder Full z wynikiem 56 na niezależnej liście to autentyczny rezultat, dający 4. miejsce spośród 699 modeli w tej klasie, a mimo to wciąż jest o cztery punkty poniżej tego, co sugeruje własna tabela Mety. Nic z tego nie czyni liczb Mety błędnymi; harnessy dostawców są dostrojone pod wdrożenie danego dostawcy, a Meta oznacza je jako własne. Oznacza to jednak, że jedynymi danymi w tym artykule, które można zestawić ze sobą nawzajem, są te z Artificial Analysis, a istnieją one tylko dla jednego z dwóch modeli.

Tabele Reflection przedstawiają inną wersję tego samego problemu. Beam jest wymieniony z wynikiem 80,9 w SWE-Bench Verified, 80,1 w Terminal-Bench v2.1 i 44,4 w DeepSWE v1.1 — wszystkie raportowane przez dostawcę, wszystkie na tej samej stronie co porównania z Inkling i Nemotron 3 Ultra. Dwa z tych trzech to wyniki, dla których Muse Wonder również ma wartość raportowaną przez dostawcę, a porównywanie dwóch zestawów wartości podanych przez dostawców, uzyskanych w dwóch różnych środowiskach testowych, nie jest porównaniem. To przypadkowa zbieżność nagłówków kolumn.

Jeśli musisz wybrać w tym miesiącu

Decyzja sprowadza się do tego, którego braku możesz tolerować.

• Wdrażasz w tym kwartale i potrzebujesz możliwości wywoływania, przewidywalnej ceny, okna 1 mln tokenów oraz budżetu wyjściowego 943 718 tokenów — Muse Wonder to jedyny z dwóch, który istnieje dziś jako usługa, a wybór nasuwa się sam

• Wdrażasz to w tym kwartale, a stawka Muse Wonder wynosząca 20 USD za milion tokenów wyjściowych w zestawieniu z profilem ewaluacyjnym obejmującym 130 mln tokenów przekracza twój budżet — użytecznym posunięciem jest drabina wysiłku, a nie inny model. Rozumowanie jest obowiązkowe w Muse Wonder, ale drabina rozciąga się od minimalnego do maksymalnego, a każdy token rozumowania jest rozliczany jako token wyjściowy; uruchamianie ekstrakcji i klasyfikacji na poziomie minimalnym i rezerwowanie wysokiego lub maksymalnego dla wywołań, które na nie zasługują, to dźwignia, która wpływa na wysokość rachunku

• Wymóg środowiska objętego regulacjami, odizolowanego (air-gapped) lub lokalnego (on-premises) — żaden z modeli go dziś nie spełnia. Muse Wonder nigdy go nie spełni. Beam być może tak, za miesiąc, na licencji permisywnej, kosztem pamięci, którego jeszcze nie zmierzyłeś.

• Plany badawcze lub dotyczące dostrajania — poczekaj na wagi. Nie zaczynaj projektu opartego na modelu 501B, którego nie możesz pobrać.

• Benchmarking względem własnego obciążenia — Muse Wonder można zmierzyć w tym tygodniu, a Beam nie można zmierzyć w ogóle. Każda liczba dotycząca Beam w Twoim arkuszu oceny jest obecnie twierdzeniem dostawcy bez mianownika.

Co routujemy, a czego nie

Mówiąc wprost: żaden z tych modeli nie znajduje się w katalogu OrcaRouter. Nie ma meta/muse-wonder wpisu ani żadnego wpisu Reflection, i nie będziemy prezentować trasy, która nie istnieje. To, co mamy od Meta Superintelligence Labs, to linia Muse Spark —Muse Spark 1.2 i Muse Spark 1.1 — która jest najbliższą rzeczą do rodziny rozumowania Meta, jaką zespół może dziś u nas wywołać, i kosztuje około jednej piątej tego, co Muse Wonder za token. Wśród模型, względem których wyceniana jest ta konfrontacja, Claude Opus 5.5 znajduje się na naszej liście w stawkach samego Anthropic, podobnie jak DeepSeek V4 Pro za ułamek tej ceny.

Ta szczerość ma praktyczną konsekwencję, którą takie porównanie pokazuje wyjątkowo wyraźnie. Automatyczne przełączanie awaryjne przełącza wyłącznie na coś, co faktycznie obsługujemy, a lista oczekujących bez endpointu nie jest rozwiązaniem zapasowym. Jeśli twój plan dla Beam brzmi: „przetestujemy go, gdy tylko dostaniemy dostęp do wersji zapoznawczej”, użyteczną rzeczą, którą warto utrzymać do tego czasu, jest podstawowa trasa, którą można mierzyć, oraz druga trasa za nią — co sprowadza się do zmiany konfiguracji na jednym endpointcie zgodnym z OpenAI. OrcaRouter obsługuje ponad 200 modeli za jednym kluczem i jednym rachunkiem, więc gdy wagi Beam zostaną opublikowane, a jakiś dostawca zacznie go udostępniać, dotarcie do niego to identyfikator w pliku konfiguracyjnym, a nie nowa integracja.

Co zmieniłoby odpowiedź i kiedy patrzeć

Trzy wydarzenia, uszeregowane według tego, jak bardzo by to zmieniły.

Pierwszym jest udostępnienie wag. Reflection zobowiązało się do Apache 2.0 i zapowiedziało, że artefakty pojawią się jeszcze w tym miesiącu. To udostępnienie jest tym, co zamienia twierdzenie o 501B w coś, co można pobrać, skwantyfikować i poddać benchmarkom, a przy okazji jest jedyną ścieżką, dzięki której Beam kiedykolwiek pojawi się na platformie routingu. Dopóki do tego nie dojdzie, Beam pozostaje hipotezą z przypisem.

Drugie to niezależna ocena. Pojedynczy wiersz Artificial Analysis dla Beam zrobiłby więcej, by rozstrzygnąć to starcie, niż jakiekolwiek czytanie tabel dostawców, bo dostarczyłby liczby tokenów na zadanie, której brakuje w twierdzeniu o wydajności. Śledź raczej tamten ranking niż bloga z premierą.

Trzeci czynnik to ustabilizowanie się własnej warstwy konfiguracyjnej Muse Wonder. Jej wartość 4,52 USD na zadanie zmierzono przy maksymalnym poziomie rozumowania na modelu, który został udostępniony dzień temu. Gdy zespoły zaczną w środowisku produkcyjnym korzystać z niższych szczebli drabiny wysiłku, realistyczny koszt modelu spadnie — i to właśnie ta liczba, a nie wynik indeksu, jest tym, co Beam musiałby pobić.

Najbardziej prawdopodobna krótkoterminowa odpowiedź to ani czyste zwycięstwo, ani czysta porażka: zespół, który potrzebuje modelu teraz, korzysta z Muse Wonder, a zespół, który potrzebuje mieć własne wagi, kończy z tym z dwojga, który faktycznie może pobrać. To dziwny sposób opisywania bezpośredniego starcia, ale trafny.