Meta säger att Muse Wonder Full slår Opus 5.5 vid uthålligt agentarbete. Metas egen tabell säger något snävare.

Muse Wonder Full är den högre poängsatta checkpointen som Meta Superintelligence Labs tillkännagav den 12 oktober 2026, och Muse Wonder är det anropbara syskonet som släpptes i samma inlägg. Båda förekommer i Metas egen utvärderingstabell bredvid Claude Opus 5.5, GPT-6 Astra och Claude Fable 5.1, och påståendet som färdades längst från den tabellen – att Muse Wonder Full slår ledande frontmodeller på flera tester av uthålligt agentarbete, och att det överträffar alla andra modeller på DeepSWE, inklusive Claude Opus 5.5 – reproduceras inte mot de siffror som Meta själva publicerade. Den klyftan är historien, och den är mer användbar än påståendet.

Vad påståendet säger, och vad tabellen säger

Den brett delade sammanfattningen rapporterar särskilt två siffror: en SWE-Marathon-poäng på 57,5 % för Muse Wonder Full mot 46,3 % för en Claude-modell, och ett DeepSWE-resultat som placerar Muse Wonder Full före allt annat inom området. Metas publicerade rader läses annorlunda i båda fallen.

• SWE-Marathon — Meta listar Muse Wonder Full på 79,0, Muse Wonder på 78,8, GPT-6 Astra på 74,1, Claude Opus 5.5 på 74,2 och Claude Fable 5.1 på 67,4. Det finns varken 57,5 eller 46,3 någonstans i raden, och marginalen mot Claude Opus 5.5 är 4,8 punkter, inte 11,2.

• DeepSWE 1.1 — Meta listar GPT-6 Astra på 59,1 och Claude Opus 5.5 på 59,6, båda över Muse Wonder Full på 57,1 och Muse Wonder på 52,0, som ligger på samma nivå som Claude Fable 5.1. I Metas egen tabell är Muse Wonder Full trea på den här raden, inte etta.

• 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. Detta är ett äkta försprång för Meta-paret, och den anropbara kontrollpunkten överträffar knappt den prenumerationsbaserade.

• JobBench, professionella uppgifter med lång horisont — 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. Ett gap på 44 punkter mellan två checkpoints från samma labb, vilket antingen är en verklig skillnad i träningsmål eller en artefakt i testramverket.

• 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. Ännu en enorm intern spridning, och riktningen är inte enhetlig över Metas rader.

Var och en av dessa siffror är leverantörsrapporterad, framtagen i Metas egen testrigg vid maximal resonemangsansträngning, och ingen av dem har oberoende reproducerats. Det är inte ett skäl att avfärda tabellen. Det är skälet till att den första frågan om varje siffra som cirkulerade därifrån bör vara vilken testrigg som producerade den.

57,5 och 46,3 är inte på bordet

Två möjligheter passar in på det som faktiskt går att verifiera. Antingen citerar sammanfattningen en annan utvärdering – en svit med ett annat namn, en annan inställning för resonemangsansträngning, en godkännandegrad i stället för indexpoängen, eller en harness-körning utanför Meta – eller så är siffrorna fel. Inget i Metas publicerade material visar att något av alternativen stämmer, och den här texten kommer inte att hävda att Muse Wonder Full får 57,5 % på SWE-Marathon när leverantörens egen rad anger 79,0.

Det rätta svaret är procedurmässigt snarare än retoriskt. Ett benchmarknamn är inte en specifikation. SWE-Marathon som körs med maximal ansträngning mot en budget på 200 steg, en budget på 500 steg och ett tak för väggklockstid kommer att ge tre olika siffror för samma modell, och detsamma gäller vilken svit som helst med lång horisont. När en poäng kommer in utan att en testrigg, en ansträngningsinställning och en stegbudget finns kopplade till den, är den en punkt på en okänd kurva. Be om testriggen innan du planerar kapacitet utifrån siffran.

Den korrigerade versionen av påståendet är mer avgränsad och fortfarande intressant: på Metas egna rader för lång horisont ligger Muse Wonder Full före Claude- och GPT-modellerna i tabellen med marginaler som sträcker sig från 4,8 punkter på SWE-Marathon till 44 punkter på JobBench, och förlorar mot dem på DeepSWE 1.1 och på Harvey LAB-AA. Det är ett försvarbart påstående. Den version som säger att den vinner överallt är inte det.

Vilken av de två du faktiskt kan nå

Påståendet har ett andra, svårare problem, och det handlar inte alls om poäng. Checkpointen med rubriksiffrorna säljs inte per token.

• Var och en av dem körs – muse-wonder-1.0 svarar via Meta Model API och i Muse Code, företagets terminalbaserade kodagent. muse-wonder-full-1.0 beskrivs av Meta som endast tillgänglig med prenumeration på Muse Code.

• Vad Full kostar — Metas publicerade planer ligger på 50 dollar i månaden för Power Usage och 200 dollar i månaden för Maximum Usage. Det finns ingen mätarbaserad väg, inget pris per token som du kan köpa, och inget sätt att rikta ett SDK mot checkpointen med högre poäng.

• Prislistan som inte gäller för den – Meta publicerar $4.00 per miljon indatatokens, $0.20 för cachad indata och $20.00 per miljon utdatatokens för serien. Dessa priser beskriver en väg som finns för Muse Wonder och inte finns för Muse Wonder Full.

• Kontext och utdata – 1 048 576 indatatoken på båda, med den anropbara kontrollpunktens utdatabudget för ett enskilt svar begränsad till 943 718 token.

• Ingångsyta — text, bild, tal och video in; text ut. Att video och tal går in utan ett transkriberingssteg före dem är den kapacitetsskillnad som mest sannolikt förändrar en arkitektur.

Så ett team som läser lanseringsanspråket och sedan tittar på sina egna inköpsalternativ jämför två olika saker: ett API för $4.00 och $20.00 som de kan anropa i dag, och en checkpoint vars åtkomst är ett månatligt inköpsbeslut. Varje utvärdering som blandar dem är inte en modelljämförelse.

Vilken oberoende mätning täcker

Artificial Analysis har mätt den nåbara halvan. Muse Wonder (max) ligger på ett Intelligence Index på 52, rankad nia av 219 modeller, med 4,00 $ in och 20,00 $ ut med 95 % cache-rabatt, vilket motsvarar ungefär 4,52 $ per indexuppgift – det billigare per-uppgiftsvärdet av de två uppmätta frontier-checkpointarna. Dess kort registrerar cirka 130 miljoner output-tokens som förbrukades under utvärderingen mot en median på 85 miljoner, kontextfönstret på 1M, samt text-, bild-, tal- och videoindata mot textutdata.

Muse Wonder Full (max) visar 56 på samma index, rankad fyra av 699, utan publicerat pris eftersom det inte finns någon per-token-taxa att normalisera mot. Meta listar samma checkpoint på 59,0 på Artificial Analysis Index i sin egen tabell. En skillnad på tre punkter på samma namngivna index är en liten sak isolerat och en klargörande sådan i aggregerat: leverantörens siffra beskriver färdriktning, medan 56:an beskriver en mätning.

Den oberoende resultattavlan berättar också det som leverantörens tabell inte kan. Muse Wonder Full får 56 och Muse Wonder får 52 — fyra poängs skillnad i en offentlig testbänk, mot den 44-punktsspridning i JobBench som Meta rapporterar från sin egen. Ett av dessa två instrument mäter något som det andra inte gör.

Vad eskaleringen faktiskt kostar

Muse Wonders prissättning är inte ett värdeerbjudande. 4,00 USD för indata och 20,00 USD för utdata är samma listpris som Claude Opus 5.5, och flera gånger mer än vad dagens resonemangsmodeller med öppna vikter tar betalt. Det som skiljer de två åt vid identiska taxor är hur många tokens var och en gör av med för att slutföra en uppgift, och på den punkten är Muse Wonder den snålare av de två: ungefär 130 miljoner utdatatokens mot Claude Opus 5.5:s cirka 260 miljoner i samma utvärderingsramverk, vilket förklarar varför de oberoende siffrorna för kostnad per uppgift hamnar nära 4,52 USD respektive 5,98 USD.

Spaken för den kostnaden är ansträngningsstegen, inte en lägesomkopplare. Resonemang är obligatoriskt, stegen går från minimal till max och är som standard medium, och resonemangstoken faktureras som utdatatoken till $20 per miljon. Det finns ingen icke-tänkande väg att falla tillbaka på för högvolymstrafik. I kombination med ett utdatatak på 943 718 token är ansträngningsinställningen den enda raden i en integration som avgör om den här modellen är överkomlig för din arbetsbelastning.

Och argumentet för att överhuvudtaget satsa på Full checkpoint är tunnare än vad lanseringspåståendet antyder, eftersom de fyra oberoende punkterna mellan de två checkpointarna på Artificial Analysis ligger inom brusbandet för en utvärdering med en enda körning. Det som skiljer dem åt i leverantörstabellen är de långsiktiga, tillståndsberoende, verktygstunga raderna – och det är precis de raderna som ingen utanför Meta har reproducerat.

Där en router förtjänar sin plats här

Muse Wonder finns inte på OrcaRouter. Det finns ingen meta/muse-wonder-post i vår katalog, och vi kommer inte att beskriva en sådan som om den fanns; Metas eget API och Muse Code är där den körs, och Muse Wonder Full körs ingen annanstans än bakom en Muse Code-prenumeration.

Det routningsproblem som den här lanseringen skapar är ett mätproblem. När en modell i en jämförelse är låst bakom prenumeration och den andra mäts per token, är det enda sättet att jämföra din egen arbetsbelastning mellan dem att köra samma uppgifter genom din egen testrigg och räkna tokens i stället för godkännandefrekvens. Det är den typ av arbete som en enda slutpunkt är byggd för. OrcaRouter har fler än 200 modeller bakom ett OpenAI-kompatibelt API, och de modeller som den här lanseringen bjuder in dig att mäta mot – Claude Opus 5.5 till $4,00 in och $20,00 ut, Metas egen Muse Spark 1.2 till $1,25 och $4,25 – är redan tillgängliga där till sina leverantörers egna listpriser utan något påslag från vår sida. Leverantörernas listpriser förs vidare oförändrade, så en leverantörs prisändring når oss samma dag som den landar.

Det finns en andra användning som är specifik för den här serien. Meta har släppt minst tre frontier-nära modeller på fem månader — Muse Spark 1.2 i augusti, Muse Spark 1.3 i september, Muse Wonder-serien i oktober — och var och en kommer med en leverantörsresultattavla och en kostnadsmodell med obligatoriskt resonemang. Att köra en fast utvärderingsuppsättning mot vilken av dem du än kan nå, och byta ut en modellidentifierare i stället för en hel stack, är det billigaste sättet att undvika att lära sig samma läxa tre gånger.

Vad lanseringspåståendet inte avgör

• Om Muse Wonder Full någonsin får en API-väg. Checkpointen med högre poäng är inlåst bakom en månadsprenumeration, vilket gör åtkomsten till den till ett köpbeslut snarare än ett ingenjörsmässigt beslut. Meta har inte sagt att de kommer att öppna den.

• Vilket utvärderingsramverk gav 57,5 och 46,3. Tills det har besvarats kan de två mest citerade siffrorna från den här lanseringen inte placeras på en kurva tillsammans med Metas egna rader, och de bör inte citeras som om de kunde det.

• Huruvida 44-punktsspridningen i JobBench mellan två checkpoints från samma labb överlever en oberoende körning. En så stor skillnad är antingen en genuin uppdelning i två profiler eller en artefakt av testramverket, och endast en tredje part kan avgöra vilket.

• Huruvida Active Memory och Active Focus håller i produktion. Meta beskriver beständigt tillstånd över sessioner och självhanterad uppmärksamhet på långa uppgifter. Ingen av dem demonstreras på ett modellkort, och båda avgörs av veckor av produktionstrafik snarare än av ett lanseringsinlägg.

Serien är verklig och levererad, och den anropbara slutpunkten är live. Det lanseringspåståendet fick fel om är resultattavlan, inte modellen. Den försvarbara positionen i dag är den snäva: på Metas egna rader för lång horisont leder Muse Wonder-paret Claude- och GPT-modellerna i tabellen i vissa sviter och ligger efter dem i andra, checkpointen med de större siffrorna är den du inte kan anropa, och de två mest citerade siffrorna från tillkännagivandet förekommer inte alls i leverantörens egen tabell.