Muse Wonder Full vs Muse Wonder: Samma lansering, samma prislista, fyra poäng ifrån varandra på den enda resultattavlan som mätte båda

Muse Wonder Full och Muse Wonder dök upp i ett enda inlägg den 12 oktober 2026 från Meta Superintelligence Labs, och nästan varje specifikation i det inlägget gäller båda. Båda beskrivs med ett kontextfönster på 1 048 576 token. Båda listas till 4,00 USD per miljon indata-token, 0,20 USD för cachad indata och 20,00 USD per miljon utdata-token. Båda kräver resonemang. Båda tar in text, bild, tal och video och returnerar text. Och på det oberoende Artificial Analysis Intelligence Index skiljer de sig fyra poäng: Muse Wonder Full på 56, rankad fyra av 699 uppmätta modeller, och Muse Wonder på 52, rankad nia av 219.

De fyra punkterna är den minsta verkliga skillnaden mellan två frontier-checkpoints som släpptes samma dag av samma labb, och de är också det minst avgörande med parkonstellationen — eftersom bara en av de två är tillgänglig. Muse Wonder svarar på Meta Model API och inuti Muse Code. Muse Wonder Full beskrivs av Meta som endast tillgänglig via prenumeration på Muse Code, för 50 dollar i månaden för Power Usage eller 200 dollar i månaden för Maximum Usage. Detta är inte en jämförelse mellan en stark modell och en starkare. Det är en jämförelse mellan en starkare som du inte kan anropa och en svagare som du kan.

Ett tillkännagivande, två kontrollpunkter och en kolumn som skiljer dem åt

Läs lanseringsmaterialet rad för rad, och de två modellerna följer varandra nästan ända till slutet. Där de skiljer sig åt är en enda kolumn, och det är inte förmåga.

• Åtkomst — muse-wonder-1.0 svarar via Meta Model API och i Muse Code; muse-wonder-full-1.0 är endast tillgänglig med prenumeration på Muse Code, utan mätarbaserad åtkomstväg och utan SDK som kan riktas mot den.

• Pris — den gemensamma prislistan med 4,00 USD in, 0,20 USD cachat och 20,00 USD ut beskriver en väg som finns för Muse Wonder och inte finns för Muse Wonder Full, vars kostnad är en månadsplan på 50 eller 200 USD.

• Oberoende index — Muse Wonder 52, nionde av 219; Muse Wonder Full 56, fjärde av 699. Fyra poäng, mätta i samma offentliga testrigg, vilket är den enda platsen där båda förekommer på en och samma skala.

• Utmatningsbudget — den anropbara kontrollpunktens tak för enskilt svar är 943 718 tokens. Prenumerationskontrollpunktens tak är inte publicerat, eftersom ingen utanför Meta kan räkna det.

• Leverantörens sammansatta poäng — Metas egen tabell anger Muse Wonder Full till 59,1 i sitt Superintelligence Index och Muse Wonder till 56. I raden för Artificial Analysis Index i samma tabell anger Meta Muse Wonder Full till 59,0, medan Artificial Analysis själva publicerar 56.

Den där sista raden är värd att stanna upp vid. Leverantörens siffra för sin egen främsta kontrollpunkt ligger tre punkter över den oberoende mätningen av samma kontrollpunkt på samma namngivna index — och den oberoende mätningen av den andra kontrollpunkten, 52, ligger närmare leverantörens 59,1 för den första än vad leverantörens två siffror ligger från varandra.

Fyra poäng är inte antalet som spelar roll

På Metas egna långhorisont-rader skiljer sig de två checkpunkterna med långt mer än fyra punkter, och i båda riktningarna. Allt följande är leverantörsrapporterat, framställt i Metas testramverk med maximal resonemangsansträngning, utan att något har reproducerats oberoende.

• JobBench, professionella uppgifter över lång horisont — Muse Wonder Full 75,3, Muse Wonder 30,8. En skillnad på 44 punkter mellan två modeller från samma release.

• Terminal-Bench 4.0-AA — Muse Wonder 85.6, Muse Wonder Full 85.5. Den anropbara checkpointen överträffar den prenumerationsbaserade med en tiondels poäng.

• SWE-Marathon — Muse Wonder Full 79,0, Muse Wonder 78,8.

• MemoryBench — Muse Wonder Full 39,4, Muse Wonder 34,3.

• Harvey LAB-AA, Metas juridiska agentsvit — Muse Wonder 54.3, Muse Wonder Full 13.1. Prenumerationskontrollpunkten kommer sist, 41 poäng efter den du faktiskt kan anropa.

Paret ligger fyra poäng isär på den oberoende resultattavlan, 44 poäng isär till Metas fördel på en rad och 41 poäng isär emot Meta på nästa. De tre siffrorna kan inte alla beskriva en enda kapacitetsskillnad, och den mest sparsamma tolkningen är att de inte gör det: en svängning på 44 poäng mellan kontrollpunkter som ligger fyra poäng isär på en offentlig testrigg är vad en testriggskänslig utvärdering av en rollout-formad uppgift ser ut som i en aggregerad poäng.

Den oberoende styrelsens fyra poäng är, om något, den mer ärliga siffran och den mindre användbara — ett gap från en enda körning av den storleken ligger inom själva utvärderingens brusband. Tillsammans med den sammansatta tabellen pekar de tre raderna aggregerat mot samma slutsats: dessa är två checkpoints i topp tio på frontlinjen, vars allmänna förmåga ligger nära varandra, vars långsiktiga beteende ligger långt ifrån varandra, och varav ingen utanför Meta kan köra den ena. Vad den inte kan fastställa är vilken av dem som vinner på din arbetsbelastning, och den försöker inte.

Vad det extra steget ska köpa

Meta nämner två funktioner för serien som inte alls är benchmark-rader: Active Memory, som beskrivs som beständigt tillstånd som bärs över sessioner, och Active Focus, som beskrivs som självhanterad uppmärksamhet över långa uppgifter. Om någon av dem fungerar som beskrivet, är det en annan sorts skillnad än en poäng – det förändrar applikationens form, eftersom tillstånd som överlever en sessionsgräns är något man annars skulle bygga själv, dåligt, i sin egen databas.

Ingendera demonstreras på ett modellkort, och ingendera går att nå för testning, eftersom den checkpoint som bär dem är den som ligger bakom prenumerationen. Det lämnar ett team med ett specifikt och oglamoröst problem: det rimliga skälet att betala 50 eller 200 dollar i månaden för Muse Wonder Full är en funktion som ingen utanför Meta kan utvärdera, kopplad till en checkpoint som också rapporterar 13,1 på den juridiska agentsviten mot sitt syskons 54,3.

Oberoende mätning fyller en del av gapet och bara en del. Artificial Analysis registrerar att Muse Wonder Full förbrukar ungefär 140 miljoner output-tokens under sin utvärdering mot en median på 88 miljoner, och Muse Wonder ungefär 130 miljoner mot en median på 85 miljoner. Båda spenderar mycket för att nå sina poäng, vilket är förenligt med obligatoriskt resonemang och säger dig kostnaden för en eskalering innan du gör den – men ingen av siffrorna säger något om huruvida beständigt minne fungerar.

Beslutet är en strypning, inte ett köp

De flesta jämförelser av två checkpoints slutar i en inköpsfråga: vilken av dem ska vi köpa. Den här kan inte det, eftersom ena sidan inte har någon mätbaserad SKU. Det ramar i stället om hela saken till en routingfråga, och routingfrågan har en ovanligt ren form här, eftersom det billigare alternativet och det dyrare säljs utifrån helt olika mätare.

Muse Wonder är mätarbaserad. Kostnaden skalas linjärt med tokens till $4.00 och $20.00 per miljon, med 95 % cacherabatt på indatasidan, vilket är varför den oberoende kostnaden per indexuppgift hamnar nära $4.52. Muse Wonder Full är inte mätarbaserad alls. Kostnaden är en fast månadsplan som inte rör sig med volymen, vilket innebär att marginalkostnaden för ytterligare en förfrågan till Full-checkpointen är noll inom en plan och oändlig utanför en. Dessa två ekonomiska modeller vill ha motsatt trafik: mätbaserad prissättning belönar att hålla den dyra modellen borta från de flesta förfrågningar, och fast prissättning belönar att skicka så mycket som möjligt genom den när man väl har betalat.

Vilket innebär att den praktiska arkitekturen är en eskaleringsstege snarare än ett modellval. Den anropbara kontrollpunkten hanterar merparten av trafiken till en takt du kan förutse. Prenumerationskontrollpunkten absorberar delmängden där dess långsiktiga beteende påstås skilja sig — förutsatt att du har en plan som medger volymen, och förutsatt att JobBench-påståendet om 44 punkter överlever din egen mätning. Själva mätningen är den del som ska byggas först, eftersom ett offentligt gap på fyra punkter och ett leverantörsangivet gap på 44 punkter inte båda kan vara korrekta, och din arbetsbelastning är det enda instrument som avgör det.

Två saker hos resten av fältet gör den där stegen billigare att bygga än det låter. Den första är att alla dessa modeller faktureras på samma sätt – resonemangstoken är utdatatoken till $20 per miljon, och ansträngningsskalan går från minimal till max och har medium som standard, så inställningen du väljer är en större kostnadspost än modellidentifieraren du byter. Den andra är att jämförelseuppsättningen som den här lanseringen inbjuder till redan är routbar: Claude Opus 5.5 till $4,00 in och $20,00 ut och Metas egen Muse Spark 1.2 till $1,25 och $4,25 finns båda på OrcaRouter till respektive leverantörs listpriser, tillsammans med fler än 200 andra modeller bakom ett enda OpenAI-kompatibelt API. Listpriser förs vidare med 0 % påslag, så aritmetiken i stegen förändras inte när modellen ändras.

Varken Muse Wonder eller Muse Wonder Full är en av våra rutter. Det finns ingen post för meta/muse-wonder eller meta/muse-wonder-full i katalogen, Muse Wonder Full är inte tillgänglig utanför Metas prenumerationsytor till något pris, och vi kommer inte att beskriva någon av dem som om den vore det. Det som en router bidrar med till just detta beslut är failover och fallback: det eskaleringssteg som är tänkt att köras sällan är exakt det steg där en leverantörsstörning är svårast att tolerera och minst synlig, och automatisk failover plus ett routing-DSL som kan uttrycka eskaleringen som konfiguration i stället för som applikationskod är det som hindrar en sällan använd sökväg från att bli ett avbrott.

Versionen att minnas

Om det enda du tar med dig från den här lanseringen är att Muse Wonder Full får högre poäng än Muse Wonder, har du den minst användbara delen av den. De två skiljer sig åt med fyra poäng på den enda oberoende resultattavlan som mätte båda, med leverantörsrapporterade 44 poäng på en testsvit och leverantörsrapporterade 41 poäng mot den på en annan, och med en hård binär när det gäller åtkomst: den ena är ett API som du kan anropa i dag för $4.00 och $20.00 per miljon, den andra är en månadsplan utan pris per token och utan någon väg in från ett SDK.

Det rätta draget är att behandla de fyra punkterna som bevis för att dessa är jämbördiga i förmåga och skillnaden i åtkomst som bevis för att de inte är substitut. Bygg mot den anropbara kontrollpunkten, bygg mätramverket som skulle tala om för dig din egen lucka, och behandla prenumerationen som en eskalering du slår på när mätningen motiverar det – inte som en uppgradering du köper för att den sammansatta poängen är högre. Och när en leverantör publicerar en spridning på 44 punkter inom en enda lansering, är den användbara frågan inte vilken kontrollpunkt man ska standardisera på. Det är vilket nummer som överlever kontakt med din egen utvärderingsuppsättning, och den frågan har bara ett svar om du redan har byggt den.