Muse Wonder vs Claude Opus 5.5 för SVG-generering: Vad det första praktiska testet faktiskt visar

Muse Wonder blev allmänt tillgänglig den 12 oktober 2026 – samma dag som dess högre poängsatta syskonmodell Muse Wonder Full släpptes bakom en prenumeration – och den har redan samlat fler jämförelsesidor än nästan någon annan modell som den här bloggen har bevakat. Vad den inte hade samlat på sig, förrän den här veckan, var ett publicerat förstahandstest av en specifik, kontrollerbar förmåga. Den 12 oktober publicerade X-kontot @scaling01 en direkt jämförelse mellan Muse Wonder och Claude Opus 5.5 inom SVG-generering, med två fynd som är värda att läsa noga: Muse Wonder Full är ”bra och försöker till och med generera 3D”, och dess utdatastil är ”alltför gimmickartad” och den ”tar i för mycket”.

Det är ett verkligt, specifikt och falsifierbart påstående om en verklig skeppad modell, och det kommer från någon som uppger att de själva har kört båda modellerna. Det är också, i skrivande stund, en enda icke-reproducerad körning av ett konto vars eget inlägg inleds med en reklamupplysning. Båda dessa saker är sanna samtidigt, och den här texten handlar om att hålla dem samman snarare än att välja en av dem.

Testets villkor, formulerade så som de formulerades

Redovisningen står på första raden i inlägget i stället för i en fotnot, vilket är värt att notera eftersom det inte är typiskt för formatet. Författaren uppger att Meta gav kostnadsfri förhandsåtkomst till Muse Wonder, att författaren betalade för Claude Opus 5.5 ur egen ficka och att testerna och slutsatserna är författarens egna. Det är en väsentligt svagare position i fråga om intressekonflikter än en oredovisad betald placering — den ena sidan av jämförelsen var gratis, den andra var det inte, och författaren säger det själv.

Tre saker om upplägget anges inte, och var och en av dem begränsar vad domen kan stödja.

• Vilken slutpunkt testades — Muse Wonder och Muse Wonder Full finns som två separata modell-ID:n med två olika resultattavlor, och inlägget nämner Muse Wonder i jämförelsen men hänför observationen om 3D-generering till Muse Wonder Full

• Vilken effort-inställning som användes – Muse Wonders resonemang är obligatoriskt och kör en effort-stege från minimal till max, med medium som standard, och resonemangstokens faktureras som output, så inställningen ändrar både kostnad och outputens karaktär

• Hur många prompter kördes — inget antal prompter, ingen prompttext, ingen seed, ingen omkörning

De andra och tredje av dessa spelar större roll än de verkar. En modell vars resonemang alltid är påslaget och vars ansträngningsnivå sätts av användaren kommer att producera synligt annorlunda SVG-utdata vid minimal än vid max, och ett omdöme om stil är precis den typ av bedömning som en enda körning av en enda prompt kan få fel. Detta är inte en kritik av författaren — ett kort inlägg på X är inte en artikel, och redogörelsen plus raden "testerna och slutsatserna är mina egna" är mer öppenhet än vad de flesta jämförelser på lanseringsdagen har. Det är ett konstaterande av vad texten kan och inte kan användas till.

Vad ett SVG-test faktiskt mäter

SVG är ett ovanligt bra mål för en praktisk jämförelse och ett ovanligt dåligt mål för en lättvindig sådan, och att förstå varför förklarar vad utlåtandet säger och inte säger dig.

En SVG är text som renderas deterministiskt. Det är det bra med det: en granskare kan klistra in modellens råa utdata i ett visningsprogram, titta på det och se exakt vad modellen producerade – ingen bildgenereringspipeline, inget samplingsfrö i en diffusionsavkodare, ingen fråga om huruvida kriteriet är bilden eller filen. Om en modell skickar ut felformad markup misslyckas ritningen synligt. Om den skickar ut 40 kilobyte gradientdefinitioner där 2 kilobyte banor skulle räcka, är det mätbart.

Det dåliga är att stilomdömen som "gimmickartat" och "överdrivet" är de minst separerbara påståendena i hela området. Inuti dem sitter två oberoende bedömningar:

• Hantverk — producerade modellen giltig, välstrukturerad, renderbar SVG, eller producerade den något som behövde repareras innan den ritade något?

• Återhållsamhet — använde den minimal uppmärkning som begäran krävde, eller tog den till gradienter, filter, oskärpa, animering och inbäddade rastereffekter bara för att de fanns tillgängliga?

Hantverk ligger nära det objektiva och kan poängsättas av ett skript. Återhållsamhet är en smakbedömning utklädd till en teknisk, och rimliga granskare är ständigt oense om den — en formgivare som ber om en portföljillustration vill ha gradienterna, och en ingenjör som ber om ett ikonblad vill det inte. Så när en granskare säger att en modell tar i för mycket är den användbara frågan inte om det är sant, utan för vilken uppgift det är sant. Inlägget skiljer inte på de två påståendena, och det är verkligen svårt att skilja dem åt under en och samma sittning.

Det jämförande påståendet och efterlevnadspåståendet

Inläggets inramning ställer Claude Opus 5.5 på den andra sidan och observationen om 3D-generering på Muse Wonders sida, vilket gör det till en trevägsjämförelse i en titel med två namn – samma strukturella skavank som löper genom hela Muse Wonder-lanseringen.

På den axeln är den användbara kontexten densamma hos alla dess syskonmodeller: Claude Opus 5.5 är inte en helt ny modell. Den släpptes den 22 september 2026, ungefär tre veckor före Muse Wonder, och dess kostnads- och förmågeprofil är väl kartlagd. Oberoende av detta visar Claude Opus 5.5 (max) 58 på Artificial Analysis Intelligence Index — den högsta poängen i klassen med 219 modeller — medan Muse Wonder (max) visar 52, rankad som nia av 219. Opus 5.5:s listpris är $4.00 per miljon indatatoken och $20.00 per miljon utdatatoken; Muse Wonders listpris är identiskt, $4.00 och $20.00. Det roliga i situationen är att Opus 5.5 visar sig vara den dyrare modellen i praktiken, inte på grund av sin prislista utan för att den är mångordig: Artificial Analysis registrerar att den förbrukar omkring 260 miljoner utdatatoken under utvärdering mot en median på 85 miljoner, jämfört med ungefär 130 miljoner för Muse Wonder, vilket motsvarar ungefär $5.98 per indexuppgift mot ungefär $4.52. Det är den typen av jämförelse mellan två siffror som en utvärderare med tokenmätning kan mäta och en enda SVG-prompt inte kan.

Det som SVG-testet tillför är en kategori som indexet inte täcker. Generering av strukturerad text ligger någonstans mellan kod och illustration, och ingen resultattavla poängsätter det – inte Personal Superintelligence Index, inte JobBench, inte Terminal-Bench 4.0-AA, inte SWE-Marathon. Om en läsares faktiska arbete innebär att producera rena vektorfiler tiger de etablerade resultattavlorna om deras fråga, vilket är precis varför en kämpig direktjämförelse är värd att länka överhuvudtaget.

Vad det andra påståendet egentligen handlar om

"Den försöker sig till och med på 3D-generering" är den mer intressanta halvan av observationen, och det är lätt att misstolka som ett påstående om förmåga.

I SVG-sammanhang beskriver detta med största sannolikhet en modell som sträcker sig bortom platt tvådimensionell teckning in i en antydd eller partiell tredje dimension – isometriska konstruktioner, extruderade former, perspektivraster, staplade pseudolager eller genererad markup som renderas som en tredimensionell scen. Det är inte samma sak som en 3D-modell. Att producera ett mesh, ett skannat objekt eller en utskrivbar tillgång är en helt annan utdatatyp, och frasen "3D-generering" används löst inom området för att betyda allt från en 2.5D-illustration till en faktisk geometrifil. Utan prompterna eller filerna kan läsaren inte avgöra vilket av dessa det var.

Om det var den lösare betydelsen är påståendet förenligt med stilklagomålet snarare än i konflikt med det. Att gripa efter isometrisk projektion eller staplade lager är samma instinkt som att gripa efter gradienter: mer maskineri än vad uppdragsbeskrivningen efterfrågade. Båda påståendena kan beskriva ett och samma beteende – en modell som behandlar tillgänglig markup som tillåtelse – vilket är en mer användbar lärdom än någon av halvorna för sig, och även den version som en andra granskare med störst sannolikhet antingen bekräftar eller bryter.

Det finns dock en asymmetri som är värd att nämna här. Där de två checkpointerna skiljer sig i lanseringsdatan löper klyvningen längs strukturen snarare än finputsning. I Metas egen benchmarktabell slår Muse Wonder Full API-modellen med bred marginal på JobBench (75,3 mot 30,8) och Vals Finance Agent V2 (59,1 mot 10,0) – samtidigt som den förlorar mot den på Harvey LAB-AA med 41 punkter, 13,1 mot 54,3. De siffrorna är rapporterade av leverantören, framtagna i Metas testrigg och inte reproducerade. Men de beskriver ett labb som tränade två profiler snarare än en, och en skillnad i stil eller återhållsamhet mellan checkpointerna är precis den typ av sak som en strukturell klyvning skulle ge upphov till. Vilken checkpoint granskaren tittade på när hen skrev ”gimmickartad” är därför inte en pedantisk fråga – inlägget placerar de två observationerna på olika modeller.

Där modellerna faktiskt kan nås

För den som vill göra den här jämförelsen själv i stället för att lita på domen är den praktiska frågan var varje modell finns, och svaren är inte symmetriska.

• Claude Opus 5.5 — allmänt tillgänglig sedan 22 september 2026, 4,00 USD per miljon indatatoken och 20,00 USD per miljon utgående token, med en cache-läsningsavgift på 0,20 USD, ett kontextfönster på 1 miljon token och tankebudgetar som inkluderar en konfiguration utan tänkande

• Muse Wonder — allmänt tillgänglig sedan den 12 oktober 2026, på Meta Model API och i Muse Code, till samma $4,00 in och $20,00 ut, med ett kontextfönster på 1 048 576 token och ett utdatatak på 943 718 token

• Muse Wonder Full — tillkännagavs samma dag men säljs inte per token; den nås endast via en prenumeration på Muse Code och har ingen publicerad taxa per token, vilket är anledningen till att den inte har någon prisrad här överhuvudtaget

Haken är Muse Wonders resonemangskonfiguration. Den kan inte stängas av. Ansträngningsstegen omfattar minimal, låg, medium, hög, xhigh och max, med medium som standard, och resonemangstoken faktureras som utdata. Varje head-to-head-körning mot en modell som kan instrueras att inte tänka jämför därför en strypt konfiguration mot en ostrypt, om inte granskaren anger inställningen, och det gör inte det här inlägget. Det är den enskilt mest betydelsefulla luckan i reproduktionen, mer än avsaknaden av antalet prompter.

Hur man reproducerar det på en eftermiddag

Anledningen till att detta test är värt att utvidga i stället för att avfärda är att det är billigt att utvidga. En användbar version behöver fyra saker som originalet inte erbjuder: en fast uppsättning prompter med kanske ett dussin vektoruppgifter som täcker ikon, diagram, illustration och graf; en angivelse av effort-inställningen; de råa SVG-filerna som sparas tillsammans med renderingarna; och en poängsättningsomgång som skiljer hantverk från återhållsamhet i stället för att blanda ihop dem. Tolv prompter vid två effort-inställningar över två modeller är 48 körningar – några dollar i utdatatokens mot dessa prislistor, och en genuint mer användbar artefakt än något intryck från lanseringsdagen.

Detta är också fallet där en router betalar sig själv på ett sätt som en ren prisjämförelse inte gör. Claude Opus 5.5 tillhandahålls på OrcaRouter till Anthropics eget listpris — 4,00 USD per miljon indatatoken, 20,00 USD per miljon utdatatoken, 0,20 USD per miljon för cacheläsningar — med den påslagsfria vidarebefordran som gäller i hela katalogen, så en prisförändring från leverantören slår igenom hos oss samma dag som den slår igenom hos dem. Leverantörernas listpriser förs vidare oförändrade; routningslagret lägger inte på något påslag. En svepning över ett dussin prompter mellan två modeller är en nyckel och en slutpunkt i stället för två konton, två SDK-integrationer och två faktureringsrelationer, och om du sveper något så oprövat som en modell som släpptes i går innebär automatisk failover att en hastighetsbegränsad eller försämrad leverantör inte tar ner hela körningen med sig.

För att vara helt tydlig med vad vi inte har: det finns ingen meta/muse-wonder- eller meta/muse-wonder-full-post i vår katalog. Vi routar inte någon av dem och vi kommer inte att beskriva en som om vi gjorde det. Vad vi däremot har från samma labb är serien Muse Spark — Muse Spark 1.2 ligger på 1,25 USD per miljon input och 4,25 USD per miljon output, vilket är samma kontextfönster som flaggskeppet till en bråkdel av priset, och det är modellen att ta till om du vill komma åt Metas resonemangsfamilj via samma nyckel som allt annat. Att lägga till Muse Wonder i en sweep är för närvarande ett andra konto; att lägga till Muse Spark 1.2 är en rad i samma konfig.

Vad man bör hålla utkik efter, och vad som skulle avgöra saken

Tre saker skulle förvandla detta från ett intressant intryck till bevis.

• En andra granskare med annan smak som kommer fram till samma dom om återhållsamhet — stilbedömningar som överlever ett byte av granskare handlar om modellen; de som inte gör det handlar om granskaren

• Muse Wonder Full blir tillgänglig per token — modellen som nämns i observationen om 3D-generering är den utan prislista, så ingen som vill kontrollera den halvan av påståendet kan köpa åtkomst till den utan en månadsprenumeration på en kodningsagent

• Varje oberoende resultattavla som lägger till en vektor- eller strukturerad grafikuppgift — gapet som detta test hamnar i är inte att ingen körde det, utan att ingen resultattavla poängsätter det, vilket är anledningen till att en persons eftermiddag för närvarande är hela facit

Den ärliga sammanfattningen är att detta är ett verkligt fynd med en verklig begränsning. En recensent som har redogjort för betald förhandsåtkomst, själv betalat för den andra sidan och publicerat ett specifikt negativt omdöme har gjort mer än en lanseringssammanfattning gör — och en modell som ”provar” saker den inte har blivit ombedd att göra är ett påstående om återhållsamhet, inte om förmåga, och återhållsamhet är det som nästa recensent lättast kan se annorlunda på. Om du i dag väljer mellan Claude Opus 5.5 och Muse Wonder för vektorutdata är det oberoende indexgapet sex punkter och tokenvolymgapet två mot ett till Muse Wonders fördel; stilomdömet är en persons eftermiddag och bör behandlas som en hypotes snarare än ett resultat.