Muse Wonder chega ao OpenCode: um agente de programação encontra um primeiro token de 30 segundos

Meta Muse Wonder tornou-se selecionável dentro do OpenCode em 21 de outubro de 2026, nove dias depois de o Meta Superintelligence Labs lançar o modelo em 12 de outubro. Esse é o fato que vale a pena noticiar, e é um fato menor do que a manchete sugere: o modelo não foi lançado aqui; ele foi adicionado a um ambiente de codificação que já tinha uma longa lista de modelos. O que torna a adição interessante é a colisão que ela cria. Um agente de terminal é o lugar menos tolerante para executar um modelo que a Artificial Analysis mede em 30,35 segundos até o primeiro token, e Muse Wonder é exatamente esse modelo — 52 no Intelligence Index independente, US$ 4,00 por milhão de tokens de entrada e US$ 20,00 por milhão de saída, e uma espera pelo primeiro token cerca de oito vezes a mediana do painel. Se um agente de codificação consegue absorver essa espera é a questão sobre a qual este texto realmente trata. Quando um número de primeiro token como este muda depois que um provedor lança uma correção, a mudança é registrada com sua data e fontes em the AI Incident Archive, ao lado do restante das falhas de modelos e fornecedores que acompanhamos.

O que realmente mudou em 21 de outubro

O OpenCode publica sua lista de modelos em sua documentação, e o Muse Wonder agora aparece lá sob o identificador muse-wonder-1.0, com preço de US$ 4,00 de entrada, US$ 20,00 de saída e US$ 0,20 de leitura em cache por milhão de tokens — a mesma tabela de preços que a Meta publica, sem desconto associado. A entrada é servida por meio de um endpoint Responses compatível com OpenAI, o que significa que uma configuração existente do OpenCode não precisa de um cliente sob medida para acessá-la; precisa apenas de uma string de modelo e uma chave.

A ressalva honesta: o changelog do próprio OpenCode não nomeia o modelo. Suas entradas mais recentes para aquela semana, v2.1.0 em 20 de outubro e v2.1.2 em 21 de outubro, descrevem recuperação de limite gratuito, visibilidade de modelos e mudanças no SDK. Portanto, a disponibilidade está documentada na lista de modelos, em vez de ser anunciada como um recurso de destaque, que é a forma comum como o suporte do harness chega e também o motivo pelo qual um leitor pode ver o modelo em um seletor antes de ver uma postagem de blog sobre ele. Não conseguimos ler diretamente a postagem social do fornecedor — ela retornou um muro de pagamento —, então a data aqui se baseia na listagem mais no carimbo de data/hora da própria postagem, não em um comunicado à imprensa.

Nada no modelo em si mudou em 21 de outubro. Seus pesos não foram abertos, seu preço não mudou e nenhum novo benchmark surgiu. A única novidade é o alcance: um modelo que antes exigia conectar a API da Meta manualmente agora é uma linha de configuração dentro de uma ferramenta que muitas pessoas já têm aberta.

O número que decide se isto é agradável

O Artificial Analysis submete todos os modelos à mesma estrutura de avaliação e, para uma ferramenta de programação agêntica, os números de latência importam mais do que a pontuação composta. Para o Muse Wonder na configuração máxima de raciocínio:

Tempo até o primeiro token — 30,35 segundos, contra uma mediana do painel de 3,96 segundos

• Velocidade de saída assim que começa — 145,1 tokens por segundo, 26.º de 185 modelos medidos e bem acima da mediana de 79,2

• Custo por tarefa do Intelligence Index — cerca de US$ 4,52, em comparação com uma taxa de tabela combinada de US$ 2,94 por milhão de tokens

• Tokens de saída consumidos na execução de indexação — cerca de 130 milhões, contra uma mediana de 85 milhões

• Janela de contexto — 1.048.576 tokens, com texto, imagem, fala e vídeo aceitos como entrada e texto retornado

Esses dois números de latência descrevem um formato específico de modelo: ele pensa por muito tempo e depois escreve rapidamente. Em uma janela de chat, isso é tolerável. Em um loop de agente que faz oito chamadas de ferramentas, a espera de 30 segundos é paga a cada turno, e uma tarefa de oito turnos pode gastar quatro minutos apenas esperando pelo primeiro token de cada etapa. Os 145 tokens por segundo são reais e são o motivo pelo qual o modelo não parece lento depois que começa a falar — mas isso não compensa o silêncio antes da primeira palavra.

Isso não é um argumento contra usá-lo. É um argumento para escolher os turnos certos. A alegação mais forte relatada pelo fornecedor sobre o Muse Wonder é o trabalho profissional de longo horizonte — a própria tabela da Meta coloca o Muse Wonder Full em 75,3 no JobBench, um benchmark agêntico de longo horizonte e o ponto em que seus números mais divergem acentuadamente dos de seu modelo irmão. Se sua sessão do OpenCode for uma única refatoração difícil com um plano grande, a espera é amortizada ao longo de uma geração longa. Se forem quarenta pequenas edições, a espera é paga quarenta vezes.

O repositório que não é uma versão

Leitores que forem procurar os pesos encontrarão meta-01/muse-wonder no Hugging Face e podem razoavelmente concluir que algo aberto aconteceu. Não aconteceu. O repositório contém um arquivo .gitattributes e nada mais: nenhum cartão de modelo, nenhum config.json, nenhum shard de safetensors, nenhum arquivo de licença. Os downloads não são rastreados, e a página declara que o modelo não é implantado por nenhum provedor de inferência naquela plataforma. Lido sem rodeios, esse repositório é uma reserva de nome — um placeholder que guarda uma string, não um checkpoint.

Portanto, a afirmação correta sobre a abertura do Muse Wonder é: proprietário, apenas via API, com um repositório bare usurpando o nome. Qualquer pessoa que o descreva como de pesos abertos, baixável ou ajustável por fine-tuning está descrevendo um modelo diferente. O mesmo cuidado se aplica à estrutura de dois checkpoints — muse-wonder-1.0 é o modelo que pode ser chamado, e muse-wonder-full-1.0 é a configuração de maior pontuação que a Meta vende por meio de sua assinatura Muse Code, e não por token. O OpenCode lista o primeiro.

Onde o OrcaRouter se situa, e onde não

Não servimos o Muse Wonder. Não há meta/muse-wonder no catálogo de modelos do OrcaRouter, e nenhuma quantidade de disponibilidade adjacente da Meta muda isso — os checkpoints da Meta que oferecemos são meta/muse-spark-1.2 a $1,25 de entrada e $4,25 de saída por milhão de tokens, e seu predecessor 1.1, ambos com janela de 1.048.576 tokens. Dizer isso claramente importa mais do que normalmente importaria, porque um modelo que só é acessível por meio de dois provedores é exatamente o caso em que a resposta honesta de um roteador é "ainda não este" em vez de um silêncio sugestivo.

Aqui, a camada de roteamento é realmente útil para o experimento. Um modelo de dez dias, com 30 segundos até o primeiro token e apenas uma avaliação independente por trás, não é algo para colocar em um caminho de produção com base na fé. Direcione uma fatia do tráfego para ele usando a mesma chave que acessa os modelos em que você já confia, mantenha o restante do tráfego onde está e deixe o failover automático capturar os timeouts enquanto você descobre se o comportamento de longo horizonte vale a espera. Essa é uma forma mais barata de responder à pergunta do que migrar um fluxo de trabalho e torcer.

A outra metade do argumento de roteamento é aritmética. Como nós repassamos os preços de lista dos provedores sem nenhum acréscimo, um corte de preço de fornecedor aparece do nosso lado no mesmo dia, e um modelo que não hospedamos simplesmente não aparece — o catálogo é uma declaração sobre o que é acessível, não uma lista de desejos. Quando Muse Wonder chegar aqui, o preço que você vê será o preço da Meta.

O que tornaria isso uma história maior?

Três coisas, cada uma verificável com um único carregamento de página. Uma entrada do Muse Wonder no changelog do OpenCode, e não apenas na sua lista de modelos, significaria que a integração está sendo tratada como uma funcionalidade, e não como uma linha de catálogo. Um segundo avaliador independente publicando um número de longo horizonte reforçaria a única alegação que atualmente se baseia inteiramente na tabela da própria Meta. E qualquer movimentação no repositório do Hugging Face — um model card, uma licença, um único arquivo safetensors — mudaria a questão da abertura, que hoje tem uma resposta de uma palavra.

Até lá, a leitura correta do dia 21 de outubro é estreita e útil: um modelo de fronteira ficou mais fácil de experimentar na ferramenta em que a maioria das pessoas o experimentaria, e o que vai decidir se ele continua configurado não é a sua pontuação no índice, mas sim se 30 segundos de silêncio por turno é um preço que o trabalho pode pagar.