Muse Wonder Full vs Muse Wonder: เปิดตัวพร้อมกัน ใช้เรตการ์ดเดียวกัน และห่างกันสี่คะแนนบนบอร์ดเดียวที่วัดทั้งคู่

Muse Wonder Full และ Muse Wonder เปิดตัวในโพสต์เดียวเมื่อวันที่ 12 ตุลาคม 2026 จาก Meta Superintelligence Labs และข้อกำหนดเกือบทั้งหมดในโพสต์นั้นใช้กับทั้งสองโมเดล ทั้งสองถูกอธิบายว่ามีหน้าต่างบริบท 1,048,576 โทเคน ทั้งสองมีราคาอยู่ที่ $4.00 ต่อล้านโทเคนอินพุต, $0.20 สำหรับอินพุตแคช และ $20.00 ต่อล้านโทเคนเอาต์พุต ทั้งสองต้องใช้การให้เหตุผล ทั้งสองรับข้อความ, รูปภาพ, เสียงพูด และวิดีโอเข้า และส่งคืนข้อความ และบนดัชนี Artificial Analysis Intelligence Index ที่เป็นอิสระ ทั้งสองห่างกันสี่คะแนน: Muse Wonder Full อยู่ที่ 56 จัดอันดับที่สี่จาก 699 โมเดลที่วัด และ Muse Wonder อยู่ที่ 52 จัดอันดับที่เก้าจาก 219

สี่จุดนี้คือความแตกต่างจริงที่น้อยที่สุดระหว่างเช็กพอยต์แนวหน้าสองตัวที่เปิดตัวในวันเดียวกันโดยแล็บเดียวกัน และยังเป็นปัจจัยที่ชี้ขาดน้อยที่สุดเกี่ยวกับการจับคู่นี้ — เพราะมีเพียงหนึ่งในสองตัวเท่านั้นที่เข้าถึงได้ Muse Wonder ให้บริการบน Meta Model API และภายใน Muse Code ส่วน Muse Wonder Full ถูก Meta ระบุว่าเป็นแบบสมัครสมาชิก Muse Code เท่านั้น ในราคา $50 ต่อเดือนสำหรับ Power Usage หรือ $200 ต่อเดือนสำหรับ Maximum Usage นี่ไม่ใช่การเปรียบเทียบระหว่างโมเดลที่แข็งแกร่งกับโมเดลที่แข็งแกร่งกว่า แต่เป็นการเปรียบเทียบระหว่างตัวที่แข็งแกร่งกว่าซึ่งคุณเรียกใช้ไม่ได้ กับตัวที่อ่อนกว่าซึ่งคุณเรียกใช้ได้

ประกาศหนึ่งรายการ จุดตรวจสองแห่ง และคอลัมน์หนึ่งที่แยกทั้งสองออกจากกัน

อ่านเนื้อหาการเปิดตัวทีละบรรทัด แล้วโมเดลทั้งสองจะตามกันมาเกือบจนถึงตอนท้าย จุดที่ทั้งสองแยกจากกันคือคอลัมน์เดียว และสิ่งนั้นไม่ใช่ความสามารถ

• การเข้าถึง — muse-wonder-1.0 ตอบผ่าน Meta Model API และภายใน Muse Code; muse-wonder-full-1.0 มีเฉพาะแบบสมัครสมาชิก Muse Code เท่านั้น โดยไม่มีช่องทางแบบคิดตามปริมาณการใช้งาน และไม่มี SDK ที่สามารถชี้ไปที่มันได้

• ราคา — อัตราค่าบริการเดียวกันที่ $4.00 ขาเข้า, $0.20 แคช และ $20.00 ขาออก อธิบายเส้นทางที่มีอยู่สำหรับ Muse Wonder และไม่มีอยู่สำหรับ Muse Wonder Full ซึ่งมีค่าใช้จ่ายเป็นแผนรายเดือนราคา $50 หรือ $200

• ดัชนีอิสระ — Muse Wonder 52 อยู่อันดับที่ 9 จาก 219; Muse Wonder Full 56 อยู่อันดับที่ 4 จาก 699 ห่างกันสี่คะแนน วัดบนฮาร์เนสสาธารณะเดียวกัน ซึ่งเป็นที่เดียวที่ทั้งสองปรากฏอยู่บนสเกลเดียวกัน

• งบเอาต์พุต — เพดานการตอบหนึ่งครั้งของเช็กพอยต์ที่เรียกใช้ได้คือ 943,718 โทเค็น ส่วนเพดานของเช็กพอยต์แบบสมัครสมาชิกไม่ได้รับการเปิดเผย เพราะไม่มีใครนอก Meta ที่จะนับมันได้

• คอมโพสิตจากผู้ขาย — ตารางของ Meta เองระบุว่า Muse Wonder Full อยู่ที่ 59.1 บน Personal Superintelligence Index ของตน และ Muse Wonder อยู่ที่ 56 ในแถว Artificial Analysis Index ของตารางเดียวกัน Meta ระบุ Muse Wonder Full ไว้ที่ 59.0 ในขณะที่ Artificial Analysis เองเผยแพร่ 56

ประโยคสุดท้ายนั้นชวนให้หยุดคิดและทบทวน ตัวเลขที่ผู้ขายระบุสำหรับเช็กพอยต์อันดับสูงสุดของตัวเองนั้นสูงกว่าผลการวัดอิสระของเช็กพอยต์เดียวกันบนดัชนีชื่อเดียวกันอยู่สามจุด — และผลการวัดอิสระของเช็กพอยต์อีกตัวหนึ่ง ซึ่งก็คือ 52 กลับใกล้กับค่า 59.1 ที่ผู้ขายระบุสำหรับตัวแรก มากกว่าที่ตัวเลขสองค่าของผู้ขายเองจะใกล้กันเสียอีก

สี่คะแนนไม่ใช่ตัวเลขที่สำคัญ

บนแถวระยะยาวของ Meta เอง เช็กพอยต์ทั้งสองแตกต่างกันมากกว่าสี่คะแนนอย่างมาก และในทั้งสองทิศทาง ทั้งหมดต่อไปนี้เป็นข้อมูลที่ผู้ขายรายงาน ผลิตในฮาร์เนสของ Meta ด้วยความพยายามในการใช้เหตุผลสูงสุด โดยไม่มีสิ่งใดถูกทำซ้ำโดยอิสระ

• JobBench งานระดับมืออาชีพที่มีขอบเขตระยะยาว — Muse Wonder Full 75.3, Muse Wonder 30.8 ช่องว่าง 44 คะแนนระหว่างสองโมเดลจากการเปิดตัวครั้งเดียวกัน

• Terminal-Bench 4.0-AA — Muse Wonder 85.6, Muse Wonder Full 85.5 โดยเช็กพอยต์แบบเรียกใช้ได้เฉือนชนะแบบสมัครสมาชิกไปหนึ่งในสิบของคะแนน

• SWE-Marathon — Muse Wonder Full 79.0, Muse Wonder 78.8

• MemoryBench — Muse Wonder Full 39.4, Muse Wonder 34.3

• Harvey LAB-AA ชุดเอเจนต์ด้านกฎหมายของ Meta — Muse Wonder 54.3, Muse Wonder Full 13.1 เช็กพอยต์แบบสมัครสมาชิกจบเป็นอันดับสุดท้าย โดยตามหลังตัวที่คุณเรียกใช้ได้จริงอยู่ 41 คะแนน

ดังนั้น คู่นี้ห่างกันสี่คะแนนบนบอร์ดอิสระ ห่างกัน 44 คะแนนโดยเป็นฝ่ายได้เปรียบของ Meta ในแถวหนึ่ง และห่างกัน 41 คะแนนโดย Meta เป็นฝ่ายเสียเปรียบในแถวถัดไป ตัวเลขทั้งสามนี้ไม่สามารถอธิบายความแตกต่างของความสามารถเพียงหนึ่งเดียวได้ทั้งหมด และการตีความที่ประหยัดที่สุดคือพวกมันไม่ได้อธิบายเช่นนั้นจริง: การแกว่ง 44 คะแนนระหว่างจุดตรวจสอบที่ห่างกันสี่คะแนนบนชุดทดสอบสาธารณะ คือสิ่งที่การประเมินที่ไวต่อชุดทดสอบของงานที่มีลักษณะเป็นโรลเอาต์ดูเหมือนเมื่ออยู่ในรูปคะแนนรวม

ส่วนต่างสี่จุดของคณะกรรมการอิสระนั้น หากจะพูดกันตามจริง ก็เป็นตัวเลขที่ตรงไปตรงมามากกว่าและมีประโยชน์น้อยกว่า — ช่องว่างจากการรันเพียงครั้งเดียวขนาดนั้นยังอยู่ภายในช่วงสัญญาณรบกวนของการประเมินเอง เมื่อพิจารณาร่วมกับตารางคะแนนรวม สามแถวนั้นชี้ไปยังข้อสรุปเดียวกันโดยรวม: นี่คือเช็กพอยต์แนวหน้าสองตัวที่ติดสิบอันดับแรก ซึ่งค่าความสามารถทั่วไปวัดได้ใกล้กัน ค่าพฤติกรรมระยะยาววัดได้ห่างกันมาก และหนึ่งในนั้นไม่มีใครนอก Meta รันได้ สิ่งที่มันยืนยันไม่ได้คือตัวไหนจะชนะบนเวิร์กโหลดของคุณ และมันก็ไม่ได้พยายามจะยืนยันเช่นนั้น

สิ่งที่ขั้นพิเศษนั้นควรจะให้

Meta ตั้งชื่อความสามารถสองอย่างสำหรับซีรีส์นี้ซึ่งไม่ใช่แถวใน benchmark เลย: Active Memory ซึ่งอธิบายว่าเป็นสถานะถาวรที่คงอยู่ข้ามเซสชัน และ Active Focus ซึ่งอธิบายว่าเป็นการให้ความสนใจแบบจัดการตนเองในงานที่ยาวนาน หากอย่างใดอย่างหนึ่งทำงานได้ตามที่อธิบายไว้ มันก็เป็นความแตกต่างอีกรูปแบบหนึ่งจากคะแนน — มันเปลี่ยนโครงสร้างของแอปพลิเคชัน เพราะสถานะที่อยู่รอดข้ามขอบเขตเซสชันเป็นสิ่งที่คุณคงต้องสร้างเอง อย่างแย่ ๆ ในฐานข้อมูลของคุณเอง

ทั้งสองอย่างไม่ได้รับการสาธิตบนการ์ดโมเดล และทั้งสองอย่างก็เข้าถึงไม่ได้สำหรับการทดสอบ เพราะเช็กพอยต์ที่บรรจุมันไว้คือเช็กพอยต์ที่ต้องสมัครสมาชิกจึงจะเข้าถึงได้ นั่นทำให้ทีมต้องเผชิญกับปัญหาที่เฉพาะเจาะจงและไม่น่าตื่นเต้น: เหตุผลที่เป็นไปได้ในการจ่าย $50 หรือ $200 ต่อเดือนสำหรับ Muse Wonder Full คือฟีเจอร์ที่ไม่มีใครนอก Meta สามารถประเมินได้ ซึ่งผูกอยู่กับเช็กพอยต์ที่ยังรายงานค่า 13.1 ในชุดทดสอบเอเจนต์ด้านกฎหมาย เทียบกับ 54.3 ของโมเดลพี่น้องของมัน

การวัดผลโดยอิสระช่วยเติมเต็มช่องว่างได้เพียงบางส่วน และเป็นเพียงบางส่วนเท่านั้น Artificial Analysis บันทึกว่า Muse Wonder Full ใช้เอาต์พุตโทเคนราว 140 ล้านโทเคนระหว่างการประเมิน เทียบกับค่ามัธยฐานที่ 88 ล้าน และ Muse Wonder ใช้ราว 130 ล้าน เทียบกับค่ามัธยฐานที่ 85 ล้าน ทั้งสองใช้ทรัพยากรอย่างหนักเพื่อไปให้ถึงคะแนนของตน ซึ่งสอดคล้องกับการต้องใช้การให้เหตุผลแบบบังคับ และบอกคุณถึงต้นทุนของการยกระดับก่อนที่คุณจะตัดสินใจทำ แต่ตัวเลขทั้งสองไม่ได้บอกอะไรเลยว่าหน่วยความจำแบบถาวรได้ผลหรือไม่

การตัดสินใจคือการควบคุม ไม่ใช่การซื้อ

การเปรียบเทียบเช็กพอยต์สองตัวส่วนใหญ่มักจบลงที่คำถามด้านการจัดซื้อว่า เราจะซื้ออันไหน แต่กรณีนี้ทำเช่นนั้นไม่ได้ เพราะฝั่งหนึ่งไม่มี SKU ที่คิดค่าบริการตามการใช้งาน สิ่งนี้จึงเปลี่ยนกรอบของเรื่องทั้งหมดให้กลายเป็นคำถามเรื่องการเลือกเส้นทางแทน และคำถามเรื่องการเลือกเส้นทางในที่นี้มีรูปร่างที่ชัดเจนเรียบง่ายอย่างผิดปกติ เพราะตัวเลือกที่ถูกกว่าและตัวเลือกที่แพงกว่านั้นถูกขายด้วยมาตรวัดที่แตกต่างกันโดยสิ้นเชิง

Muse Wonder คิดค่าบริการตามปริมาณการใช้งาน ต้นทุนของมันเพิ่มขึ้นเชิงเส้นตามจำนวนโทเคนที่ $4.00 และ $20.00 ต่อล้านโทเคน โดยมีส่วนลดแคช 95% ในฝั่งอินพุต ซึ่งเป็นเหตุผลว่าทำไมต้นทุนอิสระต่องาน Index หนึ่งงานจึงออกมาใกล้ $4.52 Muse Wonder Full ไม่ได้คิดค่าบริการตามปริมาณการใช้งานเลย ต้นทุนของมันคือแผนรายเดือนแบบคงที่ที่ไม่เปลี่ยนไปตามปริมาณ ซึ่งหมายความว่าต้นทุนส่วนเพิ่มของการเรียกใช้ Full checkpoint เพิ่มอีกหนึ่งครั้งเป็นศูนย์ภายในแผน และเป็นอนันต์นอกแผน เศรษฐศาสตร์สองแบบนี้ต้องการทราฟฟิกที่ตรงข้ามกัน: การคิดราคาตามปริมาณให้ผลตอบแทนกับการกันโมเดลราคาแพงออกจากคำขอส่วนใหญ่ และการคิดราคาแบบคงที่ให้ผลตอบแทนกับการผลักคำขอให้ผ่านมันมากที่สุดเท่าที่เป็นไปได้เมื่อคุณจ่ายไปแล้ว

ซึ่งหมายความว่าสถาปัตยกรรมในทางปฏิบัติคือบันไดการยกระดับ มากกว่าจะเป็นการเลือกโมเดล เช็กพอยต์แบบเรียกใช้ได้รองรับปริมาณการใช้งานส่วนใหญ่ด้วยอัตราที่คุณพยากรณ์ได้ ส่วนเช็กพอยต์แบบสมัครสมาชิกรองรับส่วนย่อยซึ่งพฤติกรรมระยะยาวของมันถูกกล่าวอ้างว่าแตกต่างออกไป — โดยสมมติว่าคุณมีแผนที่รองรับปริมาณนั้นได้ และสมมติว่าข้ออ้าง JobBench 44 จุดยังผ่านการวัดของคุณเองได้ การวัดเองนั่นแหละคือส่วนที่ต้องสร้างก่อน เพราะช่องว่าง 4 จุดจากข้อมูลสาธารณะกับช่องว่าง 44 จุดจากผู้ขายไม่อาจถูกต้องทั้งคู่ได้ และเวิร์กโหลดของคุณเท่านั้นที่เป็นเครื่องมือชี้ขาดเรื่องนี้

สองสิ่งเกี่ยวกับส่วนที่เหลือของตลาดทำให้การสร้างบันไดนั้นถูกกว่าที่ฟังดู อย่างแรกคือโมเดลทั้งหมดเหล่านี้คิดค่าบริการแบบเดียวกัน — โทเคนการให้เหตุผลถือเป็นโทเคนเอาต์พุตในราคา 20 ดอลลาร์ต่อล้านโทเคน และบันไดระดับความพยายามไล่จากระดับต่ำสุดไปจนถึงสูงสุดโดยมีค่าเริ่มต้นที่ระดับปานกลาง ดังนั้นการตั้งค่าที่คุณเลือกจึงเป็นรายการค่าใช้จ่ายที่ใหญ่กว่าตัวระบุโมเดลที่คุณสลับใช้ อย่างที่สองคือชุดการเปรียบเทียบที่การเปิดตัวครั้งนี้ชวนให้ทำนั้นสามารถจัดเส้นทางได้อยู่แล้ว: Claude Opus 5.5ที่ราคา 4.00 ดอลลาร์สำหรับอินพุต และ 20.00 ดอลลาร์สำหรับเอาต์พุต และMuse Spark 1.2ของ Meta เอง ที่ราคา 1.25 และ 4.25 ต่างก็อยู่บน OrcaRouter ในราคาตามรายการของผู้จำหน่าย ควบคู่ไปกับโมเดลอื่น ๆ อีกกว่า 200 รายการที่อยู่เบื้องหลัง API ที่เข้ากันได้กับ OpenAI เพียงหนึ่งเดียว ราคาตามรายการถูกส่งผ่านโดยมีมาร์กอัป 0% ดังนั้นคณิตศาสตร์ของบันไดจึงไม่เปลี่ยนไปเมื่อโมเดลเปลี่ยน

ทั้ง Muse Wonder และ Muse Wonder Full ไม่ใช่หนึ่งในเส้นทางของเรา ไม่มีรายการ meta/muse-wonder หรือ meta/muse-wonder-full ในแคตตาล็อก Muse Wonder Full ไม่พร้อมให้ใช้งานนอกพื้นผิวการสมัครสมาชิกของ Meta ไม่ว่าจะในราคาใด และเราจะไม่อธิบายทั้งสองอย่างราวกับว่ามันเป็นเช่นนั้น สิ่งที่เราเตอร์มีส่วนช่วยในการตัดสินใจครั้งนี้คือ failover และ fallback: ขั้นบันไดการยกระดับ (escalation rung) ที่ควรทำงานน้อยครั้งนั้น คือขั้นที่ความสะดุดของผู้ให้บริการเป็นสิ่งที่ยอมรับได้น้อยที่สุดและมองเห็นได้น้อยที่สุดพอดี และ การ failover อัตโนมัติบวกกับ DSL สำหรับการจัดเส้นทางที่สามารถแสดงการยกระดับเป็นคอนฟิกูเรชันแทนที่จะเป็นโค้ดแอปพลิเคชัน คือสิ่งที่ช่วยไม่ให้เส้นทางที่ใช้น้อยครั้งกลายเป็นการล่ม

เวอร์ชันที่ควรค่าแก่การจดจำ

ถ้าสิ่งเดียวที่คุณได้จากงานเปิดตัวนี้คือ Muse Wonder Full ได้คะแนนสูงกว่า Muse Wonder คุณก็ได้ส่วนที่นำไปใช้ประโยชน์ได้น้อยที่สุดของมัน สองรุ่นนี้ต่างกัน 4 คะแนนบนบอร์ดอิสระเพียงแห่งเดียวที่วัดทั้งคู่ ต่างกัน 44 คะแนนตามที่ผู้ขายรายงานในชุดทดสอบหนึ่ง และ 41 คะแนนที่เสียเปรียบตามที่ผู้ขายรายงานในอีกชุดทดสอบหนึ่ง และต่างกันแบบสองขั้วชัดเจนในเรื่องการเข้าถึง: อันหนึ่งคือ API ที่คุณเรียกใช้ได้วันนี้ในราคา $4.00 และ $20.00 ต่อล้าน อีกอันเป็นแผนรายเดือนที่ไม่มีอัตราคิดตามโทเคนและไม่มีทางเข้าใช้งานจาก SDK

ทางเลือกที่ถูกต้องคือการมองว่าสี่จุดนั้นเป็นหลักฐานว่าเช็คพอยต์เหล่านี้มีความสามารถเทียบเท่ากัน และมองความแตกต่างด้านการเข้าถึงเป็นหลักฐานว่าพวกมันไม่ใช่สิ่งที่ใช้ทดแทนกันได้ สร้างโดยอิงกับเช็คพอยต์ที่เรียกใช้ได้ สร้างชุดเครื่องมือวัดที่จะบอกช่องว่างของคุณเอง และมองการสมัครสมาชิกเป็นการยกระดับที่คุณเปิดใช้เมื่อการวัดพิสูจน์ว่าคุ้มค่า — ไม่ใช่การอัปเกรดที่คุณซื้อเพราะคะแนนรวมสูงกว่า และเมื่อผู้ขายเผยแพร่ส่วนต่าง 44 จุดภายในผลิตภัณฑ์ที่เปิดตัวครั้งเดียว คำถามที่มีประโยชน์ไม่ใช่ว่าจะกำหนดมาตรฐานกับเช็คพอยต์ใด แต่เป็นว่าตัวเลขใดที่ผ่านการทดสอบกับชุดประเมินของคุณเอง และคำถามนั้นจะมีคำตอบก็ต่อเมื่อคุณสร้างมันขึ้นมาแล้ว