Meta กล่าวว่า Muse Wonder Full เอาชนะ Opus 5.5 ในงานเอเจนต์แบบต่อเนื่อง แต่ตารางของ Meta เองกลับบอกสิ่งที่แคบกว่านั้น

Muse Wonder Full คือเช็กพอยต์ที่ได้คะแนนสูงกว่า ซึ่ง Meta Superintelligence Labs ประกาศเมื่อวันที่ 12 ตุลาคม 2026 และ Muse Wonder คือโมเดลพี่น้องที่เรียกใช้ได้ซึ่งเปิดตัวในโพสต์เดียวกัน ทั้งสองปรากฏอยู่ในตารางการประเมินของ Meta เอง เคียงข้างClaude Opus 5.5, GPT-6 Astra และ Claude Fable 5.1 และข้ออ้างที่ออกห่างจากตารางนั้นมากที่สุด — ที่ว่า Muse Wonder Full เอาชนะโมเดลแนวหน้าชั้นนำในหลายการทดสอบงานเอเจนต์ที่ทำต่อเนื่อง และเหนือกว่าโมเดลอื่นทุกตัวบน DeepSWE รวมถึง Claude Opus 5.5 — ไม่สามารถทำซ้ำให้ตรงกับตัวเลขที่ Meta เองเผยแพร่ได้ ช่องว่างตรงนั้นคือเรื่องราว และมันมีประโยชน์มากกว่าข้ออ้าง

สิ่งที่ข้อกล่าวอ้างกล่าวไว้ และสิ่งที่ตารางกล่าวไว้

สรุปที่ถูกแชร์กันอย่างกว้างขวางรายงานตัวเลขสองตัวโดยเฉพาะ: คะแนน SWE-Marathon ที่ 57.5% สำหรับ Muse Wonder Full เทียบกับ 46.3% สำหรับโมเดล Claude และผล DeepSWE ที่ทำให้ Muse Wonder Full นำหน้าทุกรายอื่นในวงการ แถวข้อมูลที่ Meta เผยแพร่กลับอ่านแตกต่างออกไปในทั้งสองกรณี

• SWE-Marathon — Meta ระบุว่า Muse Wonder Full อยู่ที่ 79.0, Muse Wonder ที่ 78.8, GPT-6 Astra ที่ 74.1, Claude Opus 5.5 ที่ 74.2 และ Claude Fable 5.1 ที่ 67.4 ไม่มี 57.5 และไม่มี 46.3 อยู่ที่ใดเลยในแถวนั้น และส่วนต่างเหนือ Claude Opus 5.5 คือ 4.8 คะแนน ไม่ใช่ 11.2

• DeepSWE 1.1 — Meta ระบุ GPT-6 Astra ที่ 59.1 และ Claude Opus 5.5 ที่ 59.6 ซึ่งทั้งสองสูงกว่า Muse Wonder Full ที่ 57.1 และ Muse Wonder ที่ 52.0 ซึ่งเสมอกับ Claude Fable 5.1 ในตารางของ Meta เอง Muse Wonder Full อยู่ในอันดับที่สามในแถวนี้ ไม่ใช่ที่หนึ่ง

• 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 นี่เป็นความได้เปรียบที่แท้จริงสำหรับคู่ของ Meta และเช็กพอยต์แบบเรียกใช้งานได้ก็เหนือกว่ารุ่นแบบสมัครสมาชิกเล็กน้อย

• JobBench งานระดับมืออาชีพที่มีขอบเขตระยะยาว — 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 ส่วนต่าง 44 คะแนนระหว่างเช็กพอยต์สองตัวจากแล็บเดียวกัน ซึ่งอาจเป็นความแตกต่างจริงในเป้าหมายการฝึก หรือเป็นอาร์ติแฟกต์ของฮาร์เนส

• 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 อีกครั้งที่การกระจายภายในมหาศาล และทิศทางไม่เป็นไปในทางเดียวกันในแถวต่าง ๆ ของ Meta

ตัวเลขทุกตัวเหล่านั้นถูกรายงานโดยผู้จำหน่าย ผลิตขึ้นในฮาร์เนสของ Meta เองด้วยความพยายามในการใช้เหตุผลสูงสุด และไม่มีส่วนใดเลยที่ถูกทำซ้ำโดยอิสระ นั่นไม่ใช่เหตุผลที่จะปัดตารางนั้นทิ้ง มันเป็นเหตุผลว่าคำถามแรกเกี่ยวกับตัวเลขใด ๆ ที่เผยแพร่ออกมาจากตารางนั้น ควรเป็นว่าฮาร์เนสใดสร้างมันขึ้นมา

57.5 และ 46.3 ไม่ได้อยู่บนโต๊ะ

มีความเป็นไปได้สองอย่างที่สอดคล้องกับสิ่งที่ตรวจสอบยืนยันได้จริง ไม่ว่าบทสรุปนั้นกำลังอ้างถึงการประเมินอื่น — ชุดที่ใช้ชื่อต่างกัน การตั้งค่าระดับความพยายามในการใช้เหตุผลที่ต่างกัน อัตราการผ่านแทนคะแนนดัชนี หรือการรันฮาร์เนสนอก Meta — หรือตัวเลขนั้นผิด ไม่มีสิ่งใดในเอกสารที่ Meta เผยแพร่ที่ยืนยันข้อใดข้อหนึ่งได้ และบทความนี้จะไม่ยืนยันว่า Muse Wonder Full ได้ 57.5% บน SWE-Marathon ในเมื่อแถวข้อมูลของผู้พัฒนาผลิตภัณฑ์เองระบุไว้ที่ 79.0

การตอบสนองที่ถูกต้องควรเป็นเชิงกระบวนการมากกว่าเชิงวาทศิลป์ ชื่อของเกณฑ์มาตรฐานไม่ใช่ข้อกำหนดจำเพาะ การรัน SWE-Marathon ด้วยความพยายามสูงสุดภายใต้งบ 200 สเต็ป งบ 500 สเต็ป และเพดานเวลาตามนาฬิกา จะให้ตัวเลขที่แตกต่างกันสามค่าสำหรับโมเดลเดียวกัน และเช่นเดียวกันกับชุดทดสอบระยะยาวใด ๆ เมื่อมีคะแนนส่งมาโดยไม่มีฮาร์เนส ไม่มีการตั้งค่าความพยายาม และไม่มีงบสเต็ปแนบมาด้วย มันเป็นเพียงจุดหนึ่งบนเส้นโค้งที่ไม่รู้จัก จงขอฮาร์เนสก่อนที่คุณจะวางแผนขีดความสามารถโดยอิงจากตัวเลขนั้น

เวอร์ชันที่แก้ไขแล้วของข้อกล่าวอ้างนี้แคบลงและยังน่าสนใจอยู่: ในแถว long-horizon ของ Meta เอง Muse Wonder Full นำหน้าโมเดล Claude และ GPT ในตารางด้วยส่วนต่างตั้งแต่ 4.8 จุดใน SWE-Marathon ถึง 44 จุดใน JobBench และแพ้ให้กับโมเดลเหล่านั้นใน DeepSWE 1.1 และ Harvey LAB-AA นั่นเป็นข้อกล่าวอ้างที่ป้องกันได้ ส่วนเวอร์ชันที่บอกว่ามันชนะทุกที่นั้นไม่ใช่

อันไหนในสองอันที่คุณเข้าถึงได้จริง

ข้อกล่าวอ้างนี้มีปัญหาข้อที่สองที่ยากกว่า และมันไม่เกี่ยวกับคะแนนเลยแม้แต่น้อย เช็กพอยต์ที่มีตัวเลขพาดหัวข่าวไม่ได้ขายเป็นรายโทเคน

• แต่ละรุ่นทำงานที่ใด — muse-wonder-1.0 ให้บริการบน Meta Model API และภายใน Muse Code ซึ่งเป็นเอเจนต์เขียนโค้ดบนเทอร์มินัลของบริษัท ส่วน muse-wonder-full-1.0 นั้น Meta ระบุว่าใช้ได้เฉพาะกับสมาชิก Muse Code เท่านั้น

• ค่าใช้จ่ายของ Full — แผนที่ Meta เปิดเผยไว้อยู่ที่ 50 ดอลลาร์ต่อเดือนสำหรับ Power Usage และ 200 ดอลลาร์ต่อเดือนสำหรับ Maximum Usage ไม่มีเส้นทางแบบคิดตามปริมาณการใช้งาน ไม่มีอัตราต่อโทเคนให้ซื้อ และไม่มีวิธีทำให้ SDK ชี้ไปยังเช็กพอยต์ที่ได้คะแนนสูงกว่า

• ตารางราคาที่ไม่ใช้กับมัน — Meta ประกาศ $4.00 ต่อล้านโทเคนอินพุต, $0.20 สำหรับอินพุตที่แคชไว้ และ $20.00 ต่อล้านโทเคนเอาต์พุตสำหรับซีรีส์นี้ อัตราเหล่านี้แสดงถึงเส้นทางที่มีอยู่สำหรับ Muse Wonder และไม่มีอยู่สำหรับ Muse Wonder Full

• บริบทและเอาต์พุต — 1,048,576 โทเค็นอินพุตบนทั้งสองระบบ โดยงบประมาณเอาต์พุตแบบตอบกลับครั้งเดียวของเช็กพอยต์ที่เรียกใช้ได้ถูกจำกัดไว้ที่ 943,718 โทเค็น

• พื้นผิวอินพุต — ข้อความ รูปภาพ เสียงพูด และวิดีโอเข้า; ข้อความออก การที่วิดีโอและเสียงพูดเข้าสู่ระบบโดยไม่มีขั้นตอนถอดเสียงนำมาก่อน คือความแตกต่างด้านขีดความสามารถที่มีแนวโน้มที่สุดที่จะทำให้สถาปัตยกรรมเปลี่ยนแปลง

ดังนั้น ทีมที่อ่านคำกล่าวอ้างตอนเปิดตัวแล้วจากนั้นมองดูทางเลือกในการจัดซื้อของตัวเอง กำลังเปรียบเทียบสองสิ่งที่แตกต่างกัน: API ราคา $4.00 และ $20.00 ที่พวกเขาเรียกใช้ได้วันนี้ กับเช็กพอยต์ที่การเข้าถึงเป็นการตัดสินใจซื้อรายเดือน การประเมินใด ๆ ที่นำสองสิ่งนี้มาปนกันจึงไม่ใช่การเปรียบเทียบโมเดล

การวัดที่เป็นอิสระใดครอบคลุม

Artificial Analysis ได้วัดครึ่งที่เข้าถึงได้แล้ว Muse Wonder (max) อยู่ที่ Intelligence Index 52 อยู่ในอันดับที่ 9 จาก 219 โมเดล ที่ราคา $4.00 สำหรับอินพุต และ $20.00 สำหรับเอาต์พุต พร้อมส่วนลดแคช 95% ซึ่งคิดเป็นประมาณ $4.52 ต่องานดัชนี — เป็นตัวเลขต่องานที่ถูกกว่าของสองเช็คพอยต์แนวหน้าที่วัดได้ การ์ดของมันบันทึกว่าใช้โทเค็นเอาต์พุตประมาณ 130 ล้านโทเค็นระหว่างการประเมิน เทียบกับค่ามัธยฐาน 85 ล้าน หน้าต่างบริบท 1M และอินพุตข้อความ รูปภาพ เสียง และวิดีโอ เทียบกับเอาต์พุตข้อความ

Muse Wonder Full (max) ให้ค่า 56 บนดัชนีเดียวกัน อยู่อันดับที่สี่จาก 699 โดยไม่มีการเผยแพร่ราคา เนื่องจากไม่มีอัตราต่อโทเคนให้ใช้ปรับเทียบมาตรฐาน Meta ระบุเช็กพอยต์เดียวกันไว้ที่ 59.0 บน Artificial Analysis Index ในตารางของตนเอง ความไม่ตรงกันสามจุดบนดัชนีที่ชื่อเดียวกันเป็นเรื่องเล็กน้อยเมื่อพิจารณาแยกส่วน และเป็นสิ่งที่ช่วยทำให้กระจ่างเมื่อพิจารณาภาพรวม: ตัวเลขของผู้ขายอธิบายทิศทางที่กำลังเคลื่อนไป ส่วน 56 อธิบายผลการวัด

บอร์ดอิสระยังบอกคุณในสิ่งที่ตารางของผู้ขายบอกไม่ได้ Muse Wonder Full ได้ 56 คะแนน และ Muse Wonder ได้ 52 คะแนน — ห่างกันสี่คะแนนบนชุดทดสอบสาธารณะ เทียบกับช่วงห่าง 44 คะแนนของ JobBench ที่ Meta รายงานจากของตัวเอง หนึ่งในสองเครื่องมือนั้นกำลังวัดบางสิ่งบางอย่างที่อีกเครื่องไม่ได้วัด

ต้นทุนที่แท้จริงของการยกระดับ

ราคาของ Muse Wonder ไม่ใช่จุดขายด้านความคุ้มค่า $4.00 ขาเข้าและ $20.00 ขาออกเป็นราคาตามรายการเดียวกับ Claude Opus 5.5 และสูงกว่าที่โมเดลให้เหตุผลแบบเปิดน้ำหนักในปัจจุบันเรียกเก็บหลายเท่า สิ่งที่ทำให้ทั้งสองแตกต่างกันในอัตราที่เท่ากันคือจำนวนโทเคนที่แต่ละตัวใช้ในการทำงานให้เสร็จ และในด้านนี้ Muse Wonder เป็นตัวที่ใช้โทเคนน้อยกว่าในคู่นี้: ประมาณ 130 ล้านโทเคนเอาต์พุต เทียบกับประมาณ 260 ล้านของ Claude Opus 5.5 ในกรอบการประเมินเดียวกัน ซึ่งเป็นเหตุผลที่ตัวเลขต้นทุนต่องานจากแหล่งอิสระออกมาใกล้ $4.52 และ $5.98 ตามลำดับ

คันโยกควบคุมต้นทุนนั้นคือบันไดระดับความพยายาม ไม่ใช่สวิตช์โหมด การให้เหตุผลเป็นสิ่งบังคับ บันไดนี้ไล่จากต่ำสุดไปถึงสูงสุด และค่าเริ่มต้นคือปานกลาง และโทเค็นการให้เหตุผลถูกคิดค่าใช้จ่ายเป็นโทเค็นเอาต์พุตในราคา 20 ดอลลาร์ต่อล้านโทเค็น ไม่มีเส้นทางแบบไม่คิดวิเคราะห์ให้ถอยกลับไปใช้สำหรับปริมาณการใช้งานสูง เมื่อรวมกับเพดานเอาต์พุต 943,718 โทเค็น การตั้งค่าระดับความพยายามคือบรรทัดเดียวในการผสานรวมที่ตัดสินว่าโมเดลนี้จ่ายไหวกับปริมาณงานของคุณหรือไม่

และเหตุผลในการเลือกใช้ Full checkpoint ตั้งแต่แรกก็บางเบากว่าที่คำกล่าวอ้างตอนเปิดตัวชี้ให้เห็น เพราะ 4 พอยต์ที่เป็นอิสระระหว่าง checkpoint ทั้งสองบน Artificial Analysis นั้นอยู่ในช่วง noise band ของการประเมินแบบรันครั้งเดียว สิ่งที่ทำให้ทั้งสองแตกต่างกันบนตารางผู้ขายคือแถวแบบ long-horizon, stateful และ tool-heavy — และนั่นก็คือแถวที่ไม่มีใครนอก Meta ทำซ้ำได้สำเร็จ

ที่ที่เราเตอร์พิสูจน์คุณค่าของมันตรงนี้

Muse Wonder ไม่ได้อยู่บน OrcaRouter ไม่มีรายการ meta/muse-wonder ในแคตตาล็อกของเรา และเราจะไม่อธิบายว่ามีรายการนั้นราวกับว่ามีอยู่จริง API ของ Meta เองและ Muse Code คือที่ที่มันทำงาน ส่วน Muse Wonder Full ทำงานที่ไหนไม่ได้เลยนอกจากภายใต้การสมัครสมาชิก Muse Code

ปัญหาการจัดเส้นทางที่การเปิดตัวครั้งนี้ก่อขึ้นนั้นเป็นปัญหาของการวัดผล เมื่อโมเดลหนึ่งในการเปรียบเทียบถูกกั้นด้วยระบบสมาชิก ส่วนอีกโมเดลคิดค่าบริการตามจำนวนโทเคน วิธีเดียวที่จะเปรียบเทียบเวิร์กโหลดของคุณระหว่างทั้งสองได้ คือการรันงานชุดเดียวกันผ่านฮาร์เนสของคุณเอง แล้วนับจำนวนโทเคนแทนอัตราการผ่าน นั่นคือรูปแบบงานที่ endpoint เดียวถูกสร้างขึ้นมาเพื่อรองรับ OrcaRouter มี โมเดลมากกว่า 200 รายการอยู่เบื้องหลัง API เดียวที่เข้ากันได้กับ OpenAI และโมเดลที่การเปิดตัวนี้ชวนให้คุณนำมาเทียบวัด — Claude Opus 5.5 ราคา $4.00 ขาเข้า และ $20.00 ขาออก, Muse Spark 1.2ของ Meta เอง ในราคา $1.25 และ $4.25 — มีอยู่บนแพลตฟอร์มนี้แล้วในราคาตามรายการของผู้ให้บริการเอง โดยไม่มีอะไรถูกบวกเพิ่มจากฝั่งเรา ราคาตามรายการของผู้ให้บริการส่งผ่านไปโดยไม่เปลี่ยนแปลง ดังนั้นเมื่อผู้ให้บริการปรับราคา เราจึงรับทราบในวันเดียวกับที่ราคานั้นมีผล

มีการใช้งานอย่างที่สองที่เฉพาะเจาะจงสำหรับซีรีส์นี้ Meta ได้เปิดตัวโมเดลที่ใกล้เคียงระดับแนวหน้าอย่างน้อยสามรุ่นภายในห้าเดือน — Muse Spark 1.2 ในเดือนสิงหาคม, Muse Spark 1.3 ในเดือนกันยายน, ซีรีส์ Muse Wonder ในเดือนตุลาคม — และแต่ละรุ่นมาพร้อมกับกระดานคะแนนของผู้ขายและโมเดลต้นทุนการให้เหตุผลแบบบังคับ การรันชุดการประเมินแบบคงที่กับรุ่นใดก็ตามที่คุณเข้าถึงได้ และการสลับตัวระบุโมเดลแทนที่จะสลับสแต็ก เป็นวิธีที่ประหยัดที่สุดในการหลีกเลี่ยงการเรียนรู้บทเรียนเดิมซ้ำสามครั้ง

สิ่งที่คำกล่าวอ้างตอนเปิดตัวไม่ได้คลี่คลาย

• ว่า Muse Wonder Full จะได้เส้นทาง API ในสักวันหรือไม่ เช็กพอยต์ที่ได้คะแนนสูงกว่านั้นถูกกั้นไว้หลังการสมัครสมาชิกรายเดือน ซึ่งทำให้การเข้าถึงมันเป็นการตัดสินใจซื้อ มากกว่าการตัดสินใจเชิงวิศวกรรม Meta ยังไม่ได้ระบุว่าจะเปิดให้

• ฮาร์เนสตัวใดให้ผล 57.5 และ 46.3 จนกว่าจะมีคำตอบในเรื่องนี้ ตัวเลขสองตัวที่ถูกอ้างอิงมากที่สุดจากการเปิดตัวครั้งนี้ไม่สามารถนำไปวางบนเส้นโค้งร่วมกับแถวของ Meta เองได้ และไม่ควรถูกอ้างอิงราวกับว่าสามารถทำได้

• ว่า 44-point spread ของ JobBench ระหว่างเช็กพอยต์สองตัวจากแล็บเดียวกันจะยังคงอยู่เมื่อรันแบบอิสระหรือไม่ ช่องว่างขนาดนั้นอาจเป็นการแยกเป็นสองโปรไฟล์ที่แท้จริง หรือเป็นเพียงอาร์ติแฟกต์ของฮาร์เนส และมีเพียงบุคคลที่สามเท่านั้นที่จะชี้ขาดได้ว่าเป็นอย่างใด

• Active Memory และ Active Focus จะใช้งานได้จริงในโปรดักชันหรือไม่ Meta อธิบายถึงสถานะที่คงอยู่ข้ามเซสชัน และ attention ที่จัดการเองสำหรับงานยาว ๆ ทั้งสองอย่างไม่ได้ถูกสาธิตบนการ์ดโมเดล และทั้งคู่จะถูกตัดสินจากทราฟฟิกโปรดักชันหลายสัปดาห์ มากกว่าจากโพสต์เปิดตัว

ซีรีส์นี้มีอยู่จริงและวางจำหน่ายแล้ว และปลายทางที่เรียกใช้ได้ (callable endpoint) ก็เปิดให้บริการแล้ว สิ่งที่คำกล่าวอ้างตอนเปิดตัวเข้าใจผิดคือกระดานคะแนน ไม่ใช่ตัวโมเดล จุดยืนที่ป้องกันได้ในวันนี้คือจุดยืนแบบแคบ ๆ: บนแถวระยะยาว (long-horizon) ของ Meta เอง คู่ Muse Wonder นำหน้าโมเดล Claude และ GPT ในตารางบนบางชุดทดสอบ และตามหลังโมเดลเหล่านั้นบนชุดอื่น ๆ เช็กพอยต์ที่มีตัวเลขสูงกว่าคือตัวที่คุณเรียกใช้ไม่ได้ และตัวเลขสองค่าที่ถูกอ้างถึงมากที่สุดจากการประกาศกลับไม่ปรากฏบนตารางของผู้ขายเองเลยแม้แต่ตัวเดียว