Muse Wonder vs Claude Opus 5.5 na Geração de SVG: O que o Primeiro Teste Prático Realmente Mostra

Muse Wonder foi disponibilizado para o público em geral em 12 de outubro de 2026 — no mesmo dia em que seu modelo irmão de pontuação mais alta, Muse Wonder Full, foi lançado mediante assinatura — e já acumulou mais páginas comparativas do que quase qualquer modelo que este blog já cobriu. O que ele não havia acumulado, até esta semana, era um teste em primeira mão publicado de uma capacidade específica e verificável. Em 12 de outubro, a conta X @scaling01 publicou um confronto direto entre Muse Wonder e Claude Opus 5.5 na geração de SVG, com duas descobertas que vale a pena ler com atenção: Muse Wonder Full é "bom e até tenta geração 3D", e seu estilo de saída é "muito chamativo" e ele "exagera".

Essa é uma alegação real, específica e refutável sobre um modelo real já lançado, e vem de alguém que relata ter executado ambos os modelos por conta própria. É também, no momento em que escrevo, uma única execução não reproduzida, feita por uma única conta cujo próprio post começa com uma divulgação publicitária. Ambas as coisas são verdadeiras ao mesmo tempo, e este texto é sobre sustentá-las juntas, em vez de escolher uma.

Os termos do teste, declarados como foram declarados.

A declaração de conflito de interesses é a primeira linha do post, em vez de uma nota de rodapé, o que vale a pena notar porque não é típico do formato. O autor afirma que a Meta forneceu acesso gratuito de pré-visualização ao Muse Wonder, que pagou do próprio bolso pelo Claude Opus 5.5 e que os testes e as conclusões são dele. Essa é uma posição de conflito de interesses materialmente mais fraca do que uma inserção paga não divulgada — um dos lados da comparação recebeu cortesia, o outro não, e o autor diz isso.

Três coisas sobre a configuração não são dadas, e cada uma delas restringe o que o veredito pode sustentar.

• Qual endpoint foi testado — Muse Wonder e Muse Wonder Full existem como dois IDs de modelo separados, com dois placares diferentes, e o post nomeia Muse Wonder na comparação, mas atribui a observação de geração 3D ao Muse Wonder Full

• Qual configuração de esforço foi usada — o raciocínio do Muse Wonder é obrigatório e percorre uma escala de esforço que vai do mínimo ao máximo, com o médio como padrão, e os tokens de raciocínio são cobrados como saída, então a configuração altera tanto o custo quanto o caráter da saída

• Quantos prompts foram executados — sem contagem de prompts, sem texto de prompt, sem seed, sem reexecução

O segundo e o terceiro desses pontos importam mais do que parecem. Um modelo cujo raciocínio está sempre ativado e cujo esforço é definido pelo usuário produzirá uma saída SVG visivelmente diferente no mínimo do que no máximo, e um veredito sobre estilo é exatamente o tipo de julgamento que uma única execução de um único prompt pode errar. Isto não é uma crítica ao autor — uma publicação curta no X não é um artigo, e a divulgação, somada à frase "os testes e as conclusões são meus", traz mais transparência do que a maioria das comparações no dia do lançamento costuma ter. É uma declaração sobre para que o texto pode e não pode ser usado.

O que um teste SVG realmente mede

SVG é um alvo excepcionalmente bom para uma comparação prática e um alvo excepcionalmente ruim para uma comparação casual, e entender por quê explica o que o veredito diz e o que não diz a você.

Um SVG é texto que renderiza de forma determinística. Essa é a parte boa: um revisor pode colar a saída bruta do modelo em um visualizador, olhá-la e ver exatamente o que o modelo produziu — sem pipeline de geração de imagem, sem semente de amostragem em um decodificador de difusão, sem dúvida sobre se o critério é a imagem ou o arquivo. Se um modelo emite marcação malformada, o desenho falha visivelmente. Se ele emite 40 quilobytes de definições de gradiente onde 2 quilobytes de caminhos bastariam, isso é mensurável.

A parte ruim é que veredictos de estilo como “gimmicky” e “overindulges” são as alegações menos separáveis em todo o espaço. Dois julgamentos independentes residem neles:

• Habilidade — o modelo produziu um SVG válido, bem estruturado e renderizável, ou produziu algo que precisou de reparo antes de desenhar qualquer coisa?

• Contenção — usou a marcação mínima de que a solicitação precisava, ou recorreu a gradientes, filtros, desfoques, animação e efeitos raster incorporados porque estavam disponíveis?

O esmero está próximo de ser objetivo e pode ser pontuado por um script. A contenção é um julgamento de gosto disfarçado de julgamento técnico, e avaliadores razoáveis discordam constantemente sobre isso — um designer que pede uma ilustração de portfólio quer os gradientes, e um engenheiro que pede uma folha de ícones não quer. Então, quando um avaliador diz que um modelo peca pelo excesso, a pergunta útil não é se isso é verdade, mas para qual tarefa é verdade. O post não separa as duas alegações, e é genuinamente difícil separá-las de uma só vez.

A alegação comparativa, e a alegação de conformidade

O enquadramento do post coloca o Claude Opus 5.5 do outro lado e a observação sobre geração 3D do lado do Muse Wonder Full, o que faz dela uma comparação tripla em um título com dois nomes — a mesma inconsistência estrutural que atravessa todo o lançamento do Muse Wonder.

Nesse eixo, o contexto útil é o mesmo em todos os seus congéneres: o Claude Opus 5.5 não é um modelo novíssimo. Foi lançado em 22 de setembro de 2026, cerca de três semanas antes do Muse Wonder, e seu perfil de custo e capacidade está bem caracterizado. De forma independente, no Artificial Analysis Intelligence Index, o Claude Opus 5.5 (max) marca 58 — a pontuação mais alta da classe de 219 modelos — enquanto o Muse Wonder (max) marca 52, ficando em nono lugar entre 219. O preço de tabela do Opus 5.5 é de $4,00 por milhão de tokens de entrada e $20,00 por milhão de tokens de saída; o preço de tabela do Muse Wonder é idêntico, $4,00 e $20,00. A graça da situação é que o Opus 5.5 acaba sendo, na prática, o modelo mais caro, não por causa da sua tabela de preços, mas porque é prolixo: a Artificial Analysis registra que ele consumiu cerca de 260 milhões de tokens de saída durante a avaliação, contra uma mediana de 85 milhões, e cerca de 130 milhões no caso do Muse Wonder, o que dá aproximadamente $5,98 por tarefa do índice contra cerca de $4,52. Esse é o tipo de comparação de dois números que um avaliador com medição por tokens consegue medir e que um único prompt SVG não consegue.

O que o teste de SVG acrescenta é uma categoria que o índice não cobre. A geração de texto estruturado fica em algum lugar entre código e ilustração, e nenhum leaderboard a avalia — nem o Personal Superintelligence Index, nem o JobBench, nem o Terminal-Bench 4.0-AA, nem o SWE-Marathon. Se o trabalho real de um leitor envolve gerar arquivos vetoriais limpos, os placares convencionais não têm nada a dizer sobre a sua pergunta, e é exatamente por isso que um confronto direto e despretensioso vale a pena ser linkado.

O que a segunda afirmação realmente significa

"Até tenta geração em 3D" é a metade mais interessante da observação, e é fácil interpretá-la errado como uma alegação de capacidade.

No contexto de SVG, isto descreve, de forma mais plausível, um modelo que ultrapassa o desenho bidimensional plano e entra numa terceira dimensão implícita ou parcial — construções isométricas, formas extrudadas, grelhas de perspetiva, pseudo-camadas empilhadas ou código de marcação gerado que é renderizado como uma cena tridimensional. Não é a mesma coisa que um modelo 3D. Produzir uma malha, um objeto digitalizado ou um recurso imprimível é um tipo de saída completamente diferente, e a expressão "3D generation" é usada de forma vaga em toda a área para significar desde uma ilustração 2.5D até um ficheiro de geometria real. Sem os prompts ou os ficheiros, o leitor não consegue dizer qual destes foi.

Se era o sentido mais frouxo, a afirmação é consistente com a crítica de estilo em vez de estar em tensão com ela. Recorrer à projeção isométrica ou a camadas empilhadas é o mesmo instinto que recorrer a gradientes: mais maquinaria do que o briefing pedia. Ambas as afirmações podem estar descrevendo um único comportamento — um modelo que trata a marcação disponível como permissão —, o que é uma conclusão mais útil do que qualquer uma das metades por si só, e também a versão que um segundo revisor tem maior probabilidade de confirmar ou derrubar.

Há, porém, uma assimetria que vale a pena mencionar aqui. Onde os dois checkpoints diferem nos dados de lançamento, a divisão se dá pela estrutura, e não pelo polimento. Na própria tabela de benchmark da Meta, o Muse Wonder Full supera o modelo da API por uma ampla margem no JobBench (75,3 contra 30,8) e no Vals Finance Agent V2 (59,1 contra 10,0) — enquanto perde o Harvey LAB-AA para ele por 41 pontos, 13,1 contra 54,3. Esses números são informados pelo fornecedor, produzidos no harness da Meta e não reproduzidos. Mas eles descrevem um laboratório que treinou dois perfis, e não um, e uma diferença de estilo ou de comedimento entre os checkpoints é exatamente o tipo de coisa que uma divisão estrutural produziria. Qual checkpoint o revisor estava observando quando escreveu "gimmicky" não é, portanto, uma questão pedante — o post coloca as duas observações em modelos diferentes.

Onde os modelos podem realmente ser acessados

Para quem quiser fazer essa comparação por conta própria, em vez de aceitar o veredito sem questionar, a questão prática é onde cada modelo reside, e as respostas não são simétricas.

• Claude Opus 5.5 — disponível em geral desde 22 de setembro de 2026, US$ 4,00 por milhão de tokens de entrada e US$ 20,00 por milhão de saída, com uma taxa de leitura de cache de US$ 0,20, uma janela de contexto de 1 milhão de tokens e orçamentos de pensamento que incluem uma configuração sem pensamento

• Muse Wonder — disponível em geral desde 12 de outubro de 2026, na API Meta Model e no Muse Code, pelo mesmo valor de US$ 4,00 de entrada e US$ 20,00 de saída, com um contexto de 1.048.576 tokens e um limite de saída de 943.718 tokens

• Muse Wonder Full — anunciado no mesmo dia, mas não vendido por token; só pode ser acessado por meio de uma assinatura Muse Code e não tem tabela de preços por token publicada, razão pela qual não há nenhuma linha de preço para ele aqui.

O problema é a configuração de raciocínio do Muse Wonder. Ela não pode ser desativada. A escala de esforço vai de mínimo, baixo, médio, alto, xhigh e máximo, com padrão em médio, e os tokens de raciocínio são cobrados como saída. Portanto, qualquer execução comparativa direta contra um modelo que pode ser instruído a não pensar compara uma configuração limitada com uma sem limitação, a menos que o revisor informe a configuração, e este post não o faz. Essa é a lacuna de maior impacto na reprodução, mais do que a contagem de prompts ausente.

Como reproduzir isso em uma tarde

A razão pela qual vale a pena ampliar este teste, em vez de descartá-lo, é que ampliá-lo é barato. Uma versão útil precisa de quatro coisas que a original não fornece: um conjunto fixo de prompts de talvez uma dúzia de tarefas vetoriais abrangendo ícone, diagrama, ilustração e gráfico; uma declaração da configuração de esforço; os arquivos SVG brutos mantidos junto com as renderizações; e uma etapa de pontuação que separa o apuro técnico da contenção, em vez de misturá-los. Doze prompts em duas configurações de esforço, em dois modelos, são 48 execuções — alguns dólares em tokens de saída frente a essas tabelas de preços, e um artefato genuinamente mais útil do que qualquer impressão de dia de lançamento.

É também o caso em que um roteador se paga de uma forma que uma comparação pura de preços não consegue. O Claude Opus 5.5 é servido no OrcaRouter pelo preço de tabela da própria Anthropic — US$ 4,00 por milhão de tokens de entrada, US$ 20,00 por milhão de saída, US$ 0,20 por milhão para leituras de cache — com o repasse sem acréscimo que se aplica a todo o catálogo, de modo que uma mudança de preço do fornecedor chega ao nosso lado no mesmo dia em que chega ao deles. Os preços de tabela dos fornecedores são repassados sem alteração; a camada de roteamento não adiciona spread. Uma varredura de uma dúzia de prompts em dois modelos é uma única chave e um único endpoint, em vez de duas contas, duas integrações de SDK e duas relações de cobrança, e, se você estiver testando algo tão pouco comprovado quanto um modelo lançado ontem, o failover automático significa que um fornecedor com limite de taxa ou degradado não derruba toda a execução junto.

Para deixar claro o que não temos: não existe nenhuma entrada meta/muse-wonder ou meta/muse-wonder-full no nosso catálogo. Não encaminhamos nenhum dos dois checkpoints e não vamos descrever um deles como se o fizéssemos. O que trazemos do mesmo laboratório é a linha Muse Spark — O Muse Spark 1.2 custa $1,25 por milhão de tokens de entrada e $4,25 por milhão de tokens de saída, que é a mesma janela de contexto do modelo principal por uma fração do preço, e é o modelo a procurar se quiser a família de raciocínio da Meta através da mesma chave que tudo o resto. Adicionar o Muse Wonder a uma sweep é atualmente uma segunda conta; adicionar o Muse Spark 1.2 é uma linha na mesma configuração.

O que observar, e o que resolveria isso

Três coisas transformariam isto de uma impressão interessante em evidência.

• Um segundo avaliador, com um gosto diferente, chegando ao mesmo veredito de contenção — julgamentos de estilo que sobrevivem a uma mudança de avaliador dizem respeito ao modelo; os que não sobrevivem dizem respeito ao avaliador

• Muse Wonder Full tornando-se acessível por token — o modelo citado na observação de geração 3D é o que não tem tabela de preços, então ninguém que queira verificar essa metade da afirmação consegue comprar acesso a ele sem uma assinatura mensal de um agente de programação

• Qualquer placar independente que adicione uma tarefa de vetor ou de gráficos estruturados — a lacuna em que este teste se encaixa não é que ninguém o tenha executado, e sim que nenhum placar o pontua, e é por isso que a tarde de uma pessoa é atualmente o registro inteiro

O resumo honesto é que esta é uma descoberta real com uma limitação real. Um avaliador que divulgou acesso pago a prévias, pagou ele mesmo pela outra parte e publicou um veredito negativo específico fez mais do que uma recapitulação de lançamento faz — e um modelo que "tenta" coisas que não lhe foram pedidas é uma afirmação sobre contenção, não sobre capacidade, e a contenção é a coisa mais fácil para o próximo avaliador enxergar de forma diferente. Se você está escolhendo entre Claude Opus 5.5 e Muse Wonder para saída vetorial hoje, a diferença no índice independente é de seis pontos e a diferença no volume de tokens é de dois para um a favor do Muse Wonder; o veredito de estilo é a tarde de uma pessoa e deve ser tratado como uma hipótese, e não como um resultado.