Meta утверждает, что Muse Wonder Full превосходит Opus 5.5 при длительной агентной работе. Собственная таблица Meta говорит о более узком.

Muse Wonder Full — это чекпоинт с более высокими оценками, анонсированный Meta Superintelligence Labs 12 октября 2026 года, а Muse Wonder — это вызываемый собрат, выпущенный в том же посте. Оба фигурируют в собственной таблице оценок Meta рядом с Claude Opus 5.5, GPT-6 Astra и Claude Fable 5.1, а утверждение, которое дальше всего ушло от этой таблицы — что Muse Wonder Full превосходит ведущие фронтирные модели в нескольких тестах продолжительной работы агентов, и что она превосходит все другие модели на DeepSWE, включая Claude Opus 5.5 — не воспроизводится на цифрах, опубликованных самой Meta. Этот разрыв и есть суть, и он полезнее утверждения.

Что говорится в утверждении, и что говорится в таблице

Широко распространённая сводка приводит, в частности, две цифры: результат SWE-Marathon — 57,5% у Muse Wonder Full против 46,3% у модели Claude, и результат DeepSWE, который ставит Muse Wonder Full впереди всех остальных в этой области. Опубликованные строки Meta выглядят иначе в обоих случаях.

• SWE-Marathon — Meta указывает для Muse Wonder Full 79,0, для Muse Wonder — 78,8, для GPT-6 Astra — 74,1, для Claude Opus 5.5 — 74,2 и для Claude Fable 5.1 — 67,4. Нигде в этой строке нет ни 57,5, ни 46,3, а преимущество над Claude Opus 5.5 составляет 4,8 пункта, а не 11,2.

• DeepSWE 1.1 — Meta указывает GPT-6 Astra с 59,1 и Claude Opus 5.5 с 59,6, оба выше Muse Wonder Full с 57,1 и Muse Wonder с 52,0, что совпадает с Claude Fable 5.1. В собственной таблице Meta Muse Wonder Full занимает в этом ряду третье место, а не первое.

• 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. Это настоящее преимущество для пары Meta, и чекпойнт, вызываемый через API, немного опережает тот, что доступен по подписке.

• JobBench, долгосрочные профессиональные задачи — 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. Разрыв в 44 пункта между двумя чекпоинтами из одной лаборатории — это либо реальное расхождение в целях обучения, либо артефакт испытательного стенда.

• 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. Ещё один огромный внутренний разброс, и направление не единообразно по строкам Meta.

Каждое из этих чисел заявлено производителем, получено в собственном испытательном стенде Meta при максимальном уровне рассуждений, и ни одно из них не было независимо воспроизведено. Это не повод отвергать таблицу. Это и есть причина, по которой первый вопрос о любом числе, которое из неё распространилось, должен быть таким: какой стенд его выдал.

57,5 и 46,3 не на столе

Под то, что действительно можно проверить, подходят две возможности. Либо в сводке цитируется другая оценка — по-другому названный набор тестов, другая настройка усилий на рассуждения, доля успешных прохождений, а не индексный балл, или запуск тестового стенда вне Meta, — либо цифры неверны. Ничто в опубликованных материалах Meta не подтверждает ни того, ни другого, и в этом материале не будет утверждаться, что Muse Wonder Full набирает 57,5% на SWE-Marathon, когда в собственной строке поставщика указано 79,0.

Правильный ответ — процедурный, а не риторический. Название бенчмарка — это не спецификация. SWE-Marathon, запущенный при максимальном усилии с бюджетом в 200 шагов, бюджетом в 500 шагов и ограничением по реальному времени, даст три разных числа для одной и той же модели, и то же самое справедливо для любого набора задач с длинным горизонтом. Когда оценка приходит без харнесса, настройки уровня усилий и бюджета шагов, это точка на неизвестной кривой. Запросите харнесс, прежде чем планировать ресурсы исходя из этого числа.

Исправленная версия утверждения более узкая и всё ещё интересна: в собственных длинногoризонтных строках Meta Muse Wonder Full опережает модели Claude и GPT в таблице с разрывом от 4,8 балла на SWE-Marathon до 44 баллов на JobBench, а также уступает им на DeepSWE 1.1 и на Harvey LAB-AA. Это защитимое утверждение. А версия, в которой говорится, что он побеждает везде, — нет.

До которого из двух вы действительно можете добраться?

У этого утверждения есть вторая, более сложная проблема, и она вовсе не об оценках. Чекпойнт с теми самыми цифрами из заголовков продаётся не за токен.

• Где работает каждый — muse-wonder-1.0 отвечает на Meta Model API и внутри Muse Code, терминального агента компании для программирования. muse-wonder-full-1.0 описывается Meta как доступный только по подписке Muse Code.

• Сколько стоит Full — опубликованные тарифы Meta: 50 долларов в месяц за Power Usage и 200 долларов в месяц за Maximum Usage. Нет оплаты по факту потребления, нет тарифа за токен, который можно купить, и нет способа направить SDK на чекпойнт с более высоким рейтингом.

• Тарифная сетка, которая к нему не применяется — Meta публикует $4.00 за миллион входных токенов, $0.20 за кэшированный ввод и $20.00 за миллион выходных токенов для этой серии. Эти тарифы описывают путь, который существует для Muse Wonder и не существует для Muse Wonder Full.

• Контекст и вывод — 1 048 576 входных токенов в обоих случаях, при этом бюджет вывода на один ответ вызываемой контрольной точки ограничен 943 718 токенами.

• Входная поверхность — текст, изображение, речь и видео на входе; текст на выходе. Видео и речь, поступающие на вход без предварительного этапа транскрипции, — это то различие в возможностях, которое с наибольшей вероятностью изменит архитектуру.

Итак, команда, которая читает заявление о запуске, а затем рассматривает собственные варианты закупки, сравнивает две разные вещи: API за $4.00 и $20.00, который она может вызвать сегодня, и чекпойнт, доступ к которому является решением о ежемесячной покупке. Любая оценка, в которой они смешиваются, не является сравнением моделей.

Что охватывает независимое измерение

Artificial Analysis измерила достижимую половину. Muse Wonder (max) находится на уровне 52 по Intelligence Index, занимая девятое место среди 219 моделей, при цене $4.00 за вход и $20.00 за выход со скидкой 95% за кэш, что составляет примерно $4.52 за задачу индекса — более дешёвый показатель на задачу из двух измеренных фронтирных чекпоинтов. В его карточке указано около 130 миллионов выходных токенов, потреблённых во время оценки, против медианы в 85 миллионов, контекстное окно в 1M, а также текстовый, графический, речевой и видео вход при текстовом выходе.

Muse Wonder Full (max) показывает 56 по тому же индексу, занимая четвёртое место из 699, при этом цена не публикуется, поскольку нет ставки за токен, с которой можно было бы нормализовать. Meta приводит ту же контрольную точку на уровне 59,0 в индексе Artificial Analysis в собственной таблице. Расхождение в три пункта по одному и тому же именованному индексу — вещь небольшая сама по себе и проясняющая в совокупности: показатель вендора описывает направление движения, а 56 — измерение.

Независимый лидерборд также сообщает то, чего не может сообщить таблица вендора. Muse Wonder Full набирает 56 баллов, а Muse Wonder — 52: разница в четыре балла на публичном стенде, на фоне разброса в 44 балла в JobBench, о котором Meta сообщает по своим собственным данным. Один из этих двух инструментов измеряет то, чего не измеряет другой.

Сколько на самом деле стоит эскалация

Ценообразование Muse Wonder — это не позиция «выгодной цены». $4.00 за вход и $20.00 за выход — та же прайс-листовая цена, что у Claude Opus 5.5, и в несколько раз выше того, что берут текущие open-weight reasoning-модели. Что отличает эти две модели при одинаковых тарифах, так это то, сколько токенов каждая тратит на завершение задачи, и по этому показателю Muse Wonder экономнее из пары: примерно 130 млн выходных токенов против примерно 260 млн у Claude Opus 5.5 в одной и той же системе оценки, поэтому независимые показатели стоимости за задачу получаются около $4.52 и $5.98 соответственно.

Рычаг, влияющий на эту стоимость, — это лестница усилий, а не переключатель режима. Рассуждение обязательно, лестница идёт от минимального до максимального уровня и по умолчанию установлена на средний, а токены рассуждений тарифицируются как выходные токены по $20 за миллион. Для высоконагруженного трафика нет запасного пути без рассуждений. В сочетании с потолком вывода в 943 718 токенов настройка усилий — это единственная строка в интеграции, которая решает, будет ли эта модель доступной по цене для вашей рабочей нагрузки.

А аргумент в пользу того, чтобы вообще обращаться к чекпоинту Full, слабее, чем предполагает заявление о запуске, потому что четыре независимые точки между двумя чекпоинтами на Artificial Analysis находятся внутри полосы шума оценки по одному прогону. В таблице вендора их отличают строки с длинным горизонтом, сохранением состояния и интенсивным использованием инструментов — и это ровно те строки, которые никто за пределами Meta не воспроизвёл.

Где роутер оправдывает своё место здесь

Muse Wonder не представлен на OrcaRouter. В нашем каталоге нет записи meta/muse-wonder, и мы не будем описывать её так, будто она существует; он работает через собственный API Meta и Muse Code, а Muse Wonder Full нигде не работает, кроме как по подписке Muse Code.

Проблема маршрутизации, которую создаёт этот запуск, — это проблема измерения. Как только одна модель в сравнении доступна только по подписке, а другая тарифицируется за токен, единственный способ сравнить вашу собственную нагрузку между ними — прогнать одни и те же задачи через собственный стенд и считать токены, а не долю успешных прохождений. Именно для такой работы и создан единый эндпоинт. OrcaRouter объединяет более 200 моделей за одним API, совместимым с OpenAI, а модели, с которыми этот запуск предлагает вам сравнивать, — Claude Opus 5.5 по $4.00 за вход и $20.00 за выход, собственная Muse Spark 1.2 от Meta по $1.25 и $4.25 — уже доступны там по собственным прайс-листам вендоров, без каких-либо наценок с нашей стороны. Прайс-листы провайдеров передаются без изменений, так что изменение цен вендором доходит до нас в тот же день, когда вступает в силу.

Есть второе применение, специфичное для этой серии. Meta выпустила как минимум три модели, близкие к передовым, за пять месяцев — Muse Spark 1.2 в августе, Muse Spark 1.3 в сентябре, серию Muse Wonder в октябре — и каждая выходит с таблицей результатов от вендора и моделью затрат на обязательные рассуждения. Прогонять фиксированный набор оценок на любой из них, до которой вы сможете добраться, и менять идентификатор модели, а не стек, — самый дешёвый способ не усваивать один и тот же урок трижды заново.

Что заявление о запуске не решает

• Получит ли Muse Wonder Full когда-нибудь доступ через API. Чекпойнт с более высокими оценками закрыт за месячной подпиской, из-за чего доступ к нему становится вопросом покупки, а не инженерным решением. Meta не заявляла, что откроет его.

• Какой испытательный стенд дал 57,5 и 46,3? Пока на это не ответят, две наиболее часто цитируемые цифры этого запуска нельзя поместить на кривую рядом с собственными строками Meta, и не следует цитировать их так, будто это возможно.

• Сохранится ли разброс в 44 пункта JobBench между двумя контрольными точками из одной и той же лаборатории при независимом запуске. Разрыв такого размера — это либо настоящее разделение на два профиля, либо артефакт испытательного стенда, и только третья сторона может решить, какой из вариантов верен.

• Выдержат ли Active Memory и Active Focus проверку продакшеном. Meta описывает сохраняемое состояние между сессиями и самоуправляемое внимание на длительных задачах. Ни то, ни другое не продемонстрировано в карточке модели, и оба вопроса решаются неделями продакшн-трафика, а не постом о запуске.

Серия реальна и уже выпущена, а вызываемая конечная точка работает. В заявлении о запуске неверна таблица результатов, а не модель. Защитимая позиция сегодня — узкая: на собственных строках Meta для длинного горизонта пара Muse Wonder лидирует среди моделей Claude и GPT в таблице в одних наборах тестов и уступает им в других, чекпоинт с бо́льшими числами — это тот, который нельзя вызвать, а две самые цитируемые цифры из анонса вообще отсутствуют в собственной таблице вендора.