Meta diz que Muse Wonder Full supera o Opus 5.5 em trabalho de agente sustentado. A própria tabela da Meta diz algo mais restrito.

Muse Wonder Full é o checkpoint com a maior pontuação que o Meta Superintelligence Labs anunciou em 12 de outubro de 2026, e Muse Wonder é o irmão chamável que foi disponibilizado no mesmo post. Ambos aparecem na própria tabela de avaliação da Meta, ao lado de Claude Opus 5.5, GPT-6 Astra e Claude Fable 5.1, e a afirmação que mais se afastou dessa tabela — a de que o Muse Wonder Full supera os principais modelos de fronteira em vários testes de trabalho agêntico sustentado, e a de que supera todos os outros modelos no DeepSWE, incluindo o Claude Opus 5.5 — não se reproduz diante dos números que a própria Meta publicou. Essa lacuna é a história, e é mais útil do que a afirmação.

O que a afirmação diz, e o que a tabela diz

O resumo amplamente divulgado relata dois valores em particular: uma pontuação SWE-Marathon de 57,5% para o Muse Wonder Full contra 46,3% para um modelo Claude, e um resultado DeepSWE que coloca o Muse Wonder Full à frente de tudo o resto na área. As linhas publicadas pela Meta leem-se de forma diferente em ambos os casos.

• SWE-Marathon — A Meta lista Muse Wonder Full com 79,0, Muse Wonder com 78,8, GPT-6 Astra com 74,1, Claude Opus 5.5 com 74,2 e Claude Fable 5.1 com 67,4. Não há 57,5 nem 46,3 em lugar algum da linha, e a margem sobre o Claude Opus 5.5 é de 4,8 pontos, não 11,2.

• DeepSWE 1.1 — A Meta lista GPT-6 Astra em 59,1 e Claude Opus 5.5 em 59,6, ambos acima de Muse Wonder Full, em 57,1, e de Muse Wonder, em 52,0, que empata com Claude Fable 5.1. Na própria tabela da Meta, Muse Wonder Full é o terceiro nesta linha, não o primeiro.

• 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. Esta é uma vantagem genuína para o par da Meta, e o checkpoint acessível por chamada supera ligeiramente o da subscrição.

• JobBench, tarefas profissionais de horizonte longo — 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. Uma diferença de 44 pontos entre dois checkpoints do mesmo laboratório, que é ou uma divisão real nos alvos de treinamento ou um artefato do harness.

• 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. Outra enorme disparidade interna, e a direção não é uniforme entre as linhas da Meta.

Todos esses números são informados pelo fornecedor, produzidos no próprio harness da Meta com esforço máximo de raciocínio, e nenhum deles foi reproduzido de forma independente. Isso não é motivo para descartar a tabela. É o motivo pelo qual a primeira pergunta sobre qualquer número que tenha circulado a partir dela deveria ser qual harness o produziu.

O 57,5 e o 46,3 não estão na mesa.

Duas possibilidades se encaixam no que é de fato verificável. Ou o resumo está citando uma avaliação diferente — uma suíte com outro nome, uma configuração de esforço de raciocínio diferente, uma taxa de aprovação em vez da pontuação do índice, ou uma execução de harness fora da Meta — ou os números estão errados. Nada no material publicado da Meta estabelece nenhuma das duas coisas, e este artigo não vai afirmar que Muse Wonder Full obtém 57,5% no SWE-Marathon quando a própria linha do fornecedor diz 79,0.

A resposta correta é processual, e não retórica. Um nome de benchmark não é uma especificação. O SWE-Marathon executado com esforço máximo dentro de um orçamento de 200 passos, de um orçamento de 500 passos e de um limite de tempo de relógio produzirá três números diferentes para o mesmo modelo, e o mesmo vale para qualquer suíte de horizonte longo. Quando uma pontuação chega sem um harness, uma configuração de esforço e um orçamento de passos anexados, ela é um ponto numa curva desconhecida. Peça o harness antes de planejar capacidade com base no número.

A versão corrigida da afirmação é mais restrita e ainda interessante: nas próprias linhas de horizonte longo da Meta, o Muse Wonder Full lidera os modelos Claude e GPT na tabela por margens que variam de 4,8 pontos no SWE-Marathon a 44 pontos no JobBench, e perde para eles no DeepSWE 1.1 e no Harvey LAB-AA. Essa é uma afirmação defensável. A versão que diz que ele vence em todos os lugares não é.

Qual dos dois você consegue realmente alcançar

A afirmação tem um segundo problema, mais difícil, e não tem nada a ver com pontuações. O checkpoint com os números de destaque não é vendido por token.

• Onde cada um roda — o muse-wonder-1.0 responde na API Meta Model e dentro do Muse Code, o agente de codificação de terminal da empresa. O muse-wonder-full-1.0 é descrito pela Meta como exclusivo da assinatura do Muse Code.

• Quanto custa o Full — os planos publicados pela Meta custam US$ 50 por mês para Power Usage e US$ 200 por mês para Maximum Usage. Não há caminho com medição, nenhuma tarifa por token que você possa comprar e nenhuma maneira de apontar um SDK para o checkpoint de maior pontuação.

A tabela de preços que não se aplica a ele — a Meta publica US$ 4,00 por milhão de tokens de entrada, US$ 0,20 para entrada em cache e US$ 20,00 por milhão de tokens de saída para a série. Essas tarifas descrevem um caminho que existe para Muse Wonder e não existe para Muse Wonder Full.

• Contexto e saída — 1.048.576 tokens de entrada em ambos, com o orçamento de saída de resposta única do checkpoint chamável limitado a 943.718 tokens.

• Superfície de entrada — texto, imagem, fala e vídeo entram; texto sai. Vídeo e fala entrando sem uma etapa de transcrição antes deles é a diferença de capacidade mais provável de mudar uma arquitetura.

Então, uma equipe que lê a alegação de lançamento e depois analisa suas próprias opções de aquisição está comparando duas coisas diferentes: uma API a US$ 4,00 e US$ 20,00 que ela pode chamar hoje, e um checkpoint cujo acesso é uma decisão de compra mensal. Qualquer avaliação que misture as duas não é uma comparação de modelos.

Que medição independente cobre

O Artificial Analysis mediu a metade alcançável. O Muse Wonder (max) está em um Índice de Inteligência de 52, classificado em nono entre 219 modelos, a US$ 4,00 de entrada e US$ 20,00 de saída com 95% de desconto de cache, o que equivale a aproximadamente US$ 4,52 por tarefa de índice — o valor por tarefa mais barato entre os dois checkpoints de fronteira medidos. Sua ficha registra cerca de 130 milhões de tokens de saída consumidos durante a avaliação, contra uma mediana de 85 milhões, a janela de contexto de 1M e entrada de texto, imagem, fala e vídeo com saída de texto.

Muse Wonder Full (max) marca 56 no mesmo índice, classificado em quarto lugar entre 699, sem preço publicado porque não há uma tarifa por token com a qual normalizar. A Meta lista o mesmo checkpoint em 59,0 no Artificial Analysis Index, na sua própria tabela. Uma divergência de três pontos no mesmo índice nomeado é uma coisa pequena isoladamente e esclarecedora no conjunto: o valor do fornecedor descreve a direção da evolução, o 56 descreve uma medição.

O ranking independente também lhe diz o que a tabela do fornecedor não consegue dizer. Muse Wonder Full pontua 56 e Muse Wonder pontua 52 — quatro pontos de diferença em uma estrutura pública de avaliação, contra a diferença de 44 pontos no JobBench que a Meta reporta com base na sua própria estrutura. Um desses dois instrumentos está medindo algo que o outro não mede.

O que a escalada realmente custa

O preço do Muse Wonder não é uma posição de valor. US$ 4,00 de entrada e US$ 20,00 de saída é o mesmo preço de tabela do Claude Opus 5.5, e várias vezes o que cobram os atuais modelos de raciocínio de pesos abertos. O que separa os dois a taxas idênticas é quantos tokens cada um gasta para concluir uma tarefa, e nesse aspecto o Muse Wonder é o mais enxuto da dupla: cerca de 130 milhões de tokens de saída contra aproximadamente 260 milhões do Claude Opus 5.5 no mesmo arcabouço de avaliação, e é por isso que os números independentes de custo por tarefa ficam próximos de US$ 4,52 e US$ 5,98, respectivamente.

A alavanca desse custo é a escala de esforço, não uma troca de modo. O raciocínio é obrigatório, a escala vai de mínimo a máximo e o padrão é médio, e os tokens de raciocínio são cobrados como tokens de saída a US$ 20 por milhão. Não há caminho sem raciocínio para o qual recorrer em tráfego de alto volume. Combinado com um teto de saída de 943.718 tokens, a configuração de esforço é a única linha em uma integração que decide se este modelo é viável para sua carga de trabalho.

E o argumento para sequer recorrer ao checkpoint Full é mais frágil do que a alegação feita no lançamento sugere, porque os quatro pontos independentes entre os dois checkpoints no Artificial Analysis estão dentro da faixa de ruído de uma avaliação de execução única. O que os separa na tabela de fornecedores são as linhas de horizonte longo, com estado e com uso intenso de ferramentas — e essas são exatamente as linhas que ninguém fora da Meta reproduziu.

Onde um roteador conquista o seu lugar aqui

Muse Wonder não está no OrcaRouter. Não há nenhuma entrada meta/muse-wonder em nosso catálogo e não vamos descrever uma como se houvesse; a própria API da Meta e o Muse Code são onde ele roda, e o Muse Wonder Full não roda em lugar nenhum, exceto por trás de uma assinatura do Muse Code.

O problema de roteamento que este lançamento cria é um problema de medição. Assim que um modelo em uma comparação fica atrás de uma assinatura e o outro é medido por token, a única forma de comparar sua própria carga de trabalho entre eles é executar as mesmas tarefas pelo seu próprio harness e contar tokens em vez de taxas de aprovação. É para esse tipo de trabalho que um endpoint único existe. O OrcaRouter carrega mais de 200 modelos por trás de uma única API compatível com OpenAI, e os modelos com os quais este lançamento convida você a medir — Claude Opus 5.5 a US$ 4,00 de entrada e US$ 20,00 de saída, e o Muse Spark 1.2 da própria Meta a US$ 1,25 e US$ 4,25 — já estão nele pelos preços de tabela dos próprios fornecedores, sem nada acrescentado do nosso lado. Os preços de tabela dos fornecedores passam inalterados, então um reajuste de preço de um fornecedor chega até nós no mesmo dia em que é anunciado.

Há um segundo uso específico para esta série. A Meta lançou pelo menos três modelos próximos da fronteira em cinco meses — Muse Spark 1.2 em agosto, Muse Spark 1.3 em setembro, a série Muse Wonder em outubro — e cada um chega com um placar do fornecedor e um modelo de custo de raciocínio obrigatório. Executar um conjunto fixo de avaliações contra qualquer um deles que você consiga acessar, e trocar um identificador de modelo em vez de uma stack, é a forma mais barata de evitar reaprender a mesma lição três vezes.

O que a alegação de lançamento não resolve

• Se o Muse Wonder Full algum dia terá um caminho de API. O checkpoint com pontuação mais alta está atrás de uma assinatura mensal, o que torna o acesso a ele uma decisão de compra, e não uma decisão de engenharia. A Meta não disse que vai abri-lo.

• Qual harness produziu 57,5 e 46,3. Enquanto isso não for respondido, os dois números mais citados deste lançamento não podem ser colocados numa curva ao lado das próprias linhas da Meta, e não devem ser citados como se pudessem.

• Se a diferença de 44 pontos no JobBench entre dois checkpoints do mesmo laboratório sobrevive a uma execução independente. Uma diferença desse tamanho ou é uma separação genuína entre dois perfis ou é um artefato do sistema de avaliação, e só um terceiro determina qual.

• Se Active Memory e Active Focus se sustentam em produção. A Meta descreve estado persistente entre sessões e atenção autogerenciada em tarefas longas. Nenhum dos dois é demonstrado em uma ficha de modelo, e ambos só se comprovam com semanas de tráfego de produção, e não com um post de lançamento.

A série é real e foi lançada, e o endpoint chamável está no ar. O que a alegação de lançamento errou é o placar, não o modelo. A posição defensável hoje é a mais restrita: nas próprias linhas de horizonte longo da Meta, o par Muse Wonder lidera os modelos Claude e GPT na tabela em algumas suítes e fica atrás deles em outras, o checkpoint com os números maiores é aquele que você não pode chamar, e os dois números mais citados do anúncio não aparecem em absoluto na tabela do próprio fornecedor.