Meta cho biết Muse Wonder Full đánh bại Opus 5.5 trong các tác vụ agent kéo dài. Bảng của chính Meta lại nói một điều hẹp hơn.

Muse Wonder Full là checkpoint có điểm cao hơn mà Meta Superintelligence Labs đã công bố vào ngày 12 tháng 10 năm 2026, và Muse Wonder là mô hình anh em có thể gọi được đã ra mắt trong cùng bài đăng. Cả hai đều xuất hiện trong bảng đánh giá của chính Meta bên cạnh Claude Opus 5.5, GPT-6 Astra và Claude Fable 5.1, và tuyên bố đã đi xa nhất so với bảng đó — rằng Muse Wonder Full đánh bại các mô hình tiên phong hàng đầu trong một số bài kiểm tra về công việc tác nhân kéo dài, và rằng nó vượt trội hơn mọi mô hình khác trên DeepSWE bao gồm cả Claude Opus 5.5 — không tái lập được so với các con số mà chính Meta đã công bố. Khoảng cách đó chính là câu chuyện, và nó hữu ích hơn cả tuyên bố.

Những gì tuyên bố nói, và những gì bảng nói

Bản tóm tắt được chia sẻ rộng rãi báo cáo hai con số cụ thể: điểm SWE-Marathon là 57,5% cho Muse Wonder Full so với 46,3% cho một mô hình Claude, và một kết quả DeepSWE đưa Muse Wonder Full vượt lên trên mọi thứ khác trong lĩnh vực. Các dòng được Meta công bố lại cho kết quả khác ở cả hai.

SWE-Marathon — Meta liệt kê Muse Wonder Full ở 79,0, Muse Wonder ở 78,8, GPT-6 Astra ở 74,1, Claude Opus 5.5 ở 74,2 và Claude Fable 5.1 ở 67,4. Không có 57,5 và không có 46,3 ở bất kỳ đâu trong hàng, và mức chênh lệch so với Claude Opus 5.5 là 4,8 điểm, không phải 11,2.

• DeepSWE 1.1 — Meta liệt kê GPT-6 Astra ở mức 59,1 và Claude Opus 5.5 ở mức 59,6, cả hai đều cao hơn Muse Wonder Full ở mức 57,1 và Muse Wonder ở mức 52,0, mức này ngang bằng với Claude Fable 5.1. Trên bảng của chính Meta, Muse Wonder Full đứng thứ ba ở hàng này, không phải thứ nhất.

• 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. Đây là một lợi thế dẫn đầu thực sự cho cặp sản phẩm của Meta, và checkpoint có thể gọi được nhỉnh hơn bản chạy theo thuê bao.

• JobBench, các tác vụ chuyên môn dài hạn — 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. Khoảng cách 44 điểm giữa hai checkpoint từ cùng một phòng thí nghiệm, đây hoặc là sự chia tách thực sự trong các mục tiêu huấn luyện, hoặc là một sai lệch do harness.

• 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. Một mức chênh lệch nội bộ khổng lồ khác, và hướng đi không đồng nhất giữa các dòng của Meta.

Mọi con số trong đó đều do nhà cung cấp tự báo cáo, được tạo ra trong bộ khung đánh giá của chính Meta ở mức nỗ lực suy luận tối đa, và không có con số nào được tái lập một cách độc lập. Đó không phải là lý do để bác bỏ bảng này. Đó chính là lý do câu hỏi đầu tiên về bất kỳ con số nào được lan truyền từ bảng đó phải là: bộ khung đánh giá nào đã tạo ra nó.

57.5 và 46.3 không nằm trên bàn.

Hai khả năng phù hợp với những gì thực sự có thể kiểm chứng. Hoặc bản tóm tắt đang trích dẫn một đánh giá khác — một bộ đánh giá được đặt tên khác, một thiết lập mức độ nỗ lực suy luận khác, tỷ lệ đạt thay vì điểm chỉ số, hoặc một harness được chạy ngoài Meta — hoặc các con số là sai. Không có nội dung nào trong tài liệu đã công bố của Meta chứng minh cho một trong hai khả năng đó, và bài viết này sẽ không khẳng định rằng Muse Wonder Full đạt 57,5% trên SWE-Marathon khi hàng của chính nhà cung cấp ghi 79,0.

Phản hồi đúng đắn mang tính quy trình chứ không phải tu từ. Tên benchmark không phải là một bản đặc tả. SWE-Marathon chạy ở nỗ lực tối đa với ngân sách 200 bước, ngân sách 500 bước và một giới hạn thời gian thực sẽ tạo ra ba con số khác nhau cho cùng một mô hình, và điều tương tự cũng đúng với bất kỳ bộ đánh giá tầm xa nào. Khi một điểm số đến mà không có khung đánh giá, thiết lập nỗ lực và ngân sách bước đi kèm, thì nó chỉ là một điểm trên một đường cong chưa biết. Hãy yêu cầu khung đánh giá trước khi bạn lập kế hoạch năng lực dựa trên con số đó.

Phiên bản đã sửa của tuyên bố hẹp hơn và vẫn thú vị: trên chính các hàng long-horizon của Meta, Muse Wonder Full dẫn đầu các mô hình Claude và GPT trong bảng với mức chênh lệch từ 4,8 điểm trên SWE-Marathon đến 44 điểm trên JobBench, và thua chúng trên DeepSWE 1.1 và trên Harvey LAB-AA. Đó là một tuyên bố có thể biện minh được. Phiên bản nói rằng nó thắng ở mọi nơi thì không.

Trong hai cái đó, bạn thực sự có thể với tới cái nào?

Tuyên bố này có một vấn đề thứ hai, khó nhằn hơn, và nó hoàn toàn không liên quan đến điểm số. Checkpoint mang những con số đáng chú ý đó không được bán theo token.

• Nơi mỗi mô hình hoạt động — muse-wonder-1.0 trả lời trên Meta Model API và bên trong Muse Code, tác nhân viết mã trên terminal của công ty. muse-wonder-full-1.0 được Meta mô tả là chỉ dành cho thuê bao Muse Code.

Chi phí của Full là bao nhiêu — các gói đã công bố của Meta có giá 50 đô la một tháng cho Power Usage và 200 đô la một tháng cho Maximum Usage. Không có lộ trình tính theo mức sử dụng, không có mức giá theo token nào bạn có thể mua, và không có cách nào để trỏ một SDK vào checkpoint có điểm số cao hơn.

• Bảng giá không áp dụng cho nó — Meta công bố 4,00 USD cho mỗi triệu token đầu vào, 0,20 USD cho đầu vào được lưu trong bộ nhớ đệm và 20,00 USD cho mỗi triệu token đầu ra cho dòng sản phẩm này. Những mức giá đó mô tả một lộ trình tồn tại đối với Muse Wonder và không tồn tại đối với Muse Wonder Full.

• Ngữ cảnh và đầu ra — 1,048,576 token đầu vào trên cả hai, với ngân sách đầu ra cho một phản hồi duy nhất của checkpoint có thể gọi bị giới hạn ở mức 943,718 token.

• Bề mặt đầu vào — văn bản, hình ảnh, giọng nói và video vào; văn bản ra. Việc video và giọng nói đi vào mà không có bước phiên âm trước đó là khác biệt về năng lực có nhiều khả năng làm thay đổi kiến trúc nhất.

Vậy nên một nhóm đọc tuyên bố ra mắt và sau đó nhìn vào các lựa chọn thu mua của chính mình đang so sánh hai thứ khác nhau: một API ở mức $4.00 và $20.00 mà họ có thể gọi ngay hôm nay, và một checkpoint mà quyền truy cập là một quyết định mua hàng hằng tháng. Bất kỳ đánh giá nào trộn lẫn chúng đều không phải là một so sánh mô hình.

Phép đo độc lập nào bao gồm

Artificial Analysis đã đo lường nửa có thể tiếp cận được. Muse Wonder (max) đứng ở mức Intelligence Index 52, xếp thứ chín trong số 219 mô hình, với giá $4.00 cho đầu vào và $20.00 cho đầu ra, kèm chiết khấu cache 95%, tức khoảng $4.52 mỗi tác vụ chỉ mục — mức chi phí trên mỗi tác vụ rẻ hơn trong hai checkpoint tiên tiến được đo lường. Thẻ của nó ghi nhận khoảng 130 triệu token đầu ra được tiêu thụ trong quá trình đánh giá, so với mức trung vị 85 triệu, cửa sổ ngữ cảnh 1M, và đầu vào văn bản, hình ảnh, giọng nói và video so với đầu ra văn bản.

Muse Wonder Full (max) đạt 56 trên cùng chỉ số, xếp thứ tư trong số 699, không có giá nào được công bố vì không có mức giá trên mỗi token để chuẩn hóa đối chiếu. Meta liệt kê cùng checkpoint đó ở mức 59,0 trên Artificial Analysis Index trong bảng riêng của mình. Một sự chênh lệch ba điểm trên cùng một chỉ số được nêu tên là chuyện nhỏ khi xét riêng, và là điều làm sáng tỏ khi xét tổng thể: con số của nhà cung cấp mô tả hướng đi, còn 56 mô tả một phép đo.

Bảng xếp hạng độc lập cũng cho bạn biết điều mà bảng của nhà cung cấp không thể. Muse Wonder Full đạt 56 điểm và Muse Wonder đạt 52 — cách nhau bốn điểm trên một bộ kiểm thử công khai, so với khoảng cách 44 điểm trên JobBench mà Meta báo cáo từ bộ của chính mình. Một trong hai công cụ đó đang đo thứ mà công cụ kia không đo.

Điều mà sự leo thang thực sự tốn kém

Mức giá của Muse Wonder không phải là một lợi thế về giá trị. $4.00 đầu vào và $20.00 đầu ra là mức giá niêm yết giống như Claude Opus 5.5, và cao gấp vài lần so với mức mà các mô hình suy luận trọng số mở hiện tại tính phí. Điều phân biệt hai mô hình ở cùng mức giá là số token mà mỗi mô hình dùng để hoàn thành một tác vụ, và ở khía cạnh đó Muse Wonder là mô hình tiết kiệm hơn trong cặp: khoảng 130 triệu token đầu ra so với khoảng 260 triệu của Claude Opus 5.5 trong cùng một khung đánh giá, đó là lý do các con số chi phí trên mỗi tác vụ độc lập lần lượt rơi vào khoảng $4.52 và $5.98.

Đòn bẩy chi phối chi phí đó là thang effort, chứ không phải một công tắc chế độ. Suy luận là bắt buộc, thang này chạy từ mức tối thiểu đến tối đa và mặc định ở mức trung bình, còn token suy luận được tính như token đầu ra với giá 20 USD mỗi triệu. Không có đường nào không-suy-luận để dựa vào cho lưu lượng lớn. Kết hợp với mức trần đầu ra 943,718 token, thiết lập effort chính là dòng duy nhất trong một tích hợp quyết định xem model này có khả thi về chi phí với khối lượng công việc của bạn hay không.

Và lập luận để chọn hẳn Full checkpoint vốn đã mỏng manh hơn so với tuyên bố khi ra mắt, bởi bốn điểm độc lập giữa hai checkpoint trên Artificial Analysis nằm trong dải nhiễu của một lần đánh giá đơn lẻ. Điều phân biệt chúng trên bảng của nhà cung cấp là các hàng tầm xa, có trạng thái, dùng nhiều công cụ — và đó chính xác là những hàng mà chưa ai ngoài Meta tái lập được.

Nơi một bộ định tuyến khẳng định được vị trí của mình ở đây

Muse Wonder không có trên OrcaRouter. Không có mục meta/muse-wonder nào trong danh mục của chúng tôi và chúng tôi sẽ không mô tả một mục như vậy như thể nó tồn tại; API riêng của Meta và Muse Code là nơi nó chạy, còn Muse Wonder Full không chạy ở đâu ngoài phía sau một gói đăng ký Muse Code.

Vấn đề định tuyến mà đợt ra mắt này tạo ra thực chất là một vấn đề đo lường. Khi một mô hình trong phép so sánh bị giới hạn sau gói đăng ký còn mô hình kia được tính phí theo token, cách duy nhất để so sánh khối lượng công việc của bạn giữa chúng là chạy cùng những tác vụ đó qua khung thử nghiệm của riêng bạn và đếm token thay vì đếm tỷ lệ vượt qua. Đó chính là dạng công việc mà một endpoint duy nhất được sinh ra để đảm nhiệm. OrcaRouter manghơn 200 mô hìnhphía sau một API tương thích OpenAI, và những mô hình mà đợt ra mắt này mời bạn đo lường so sánh — Claude Opus 5.5 với giá 4,00 USD đầu vào và 20,00 USD đầu ra, cùng Muse Spark 1.2của chính Meta ở mức 1,25 USD và 4,25 USD — đều đã có mặt trên đó với đúng giá niêm yết của nhà cung cấp, không hề bị đánh thêm phí từ phía chúng tôi. Giá niêm yết của nhà cung cấp được giữ nguyên, nên khi nhà cung cấp đổi giá, chúng tôi nắm được thông tin ngay trong cùng ngày.

Có một công dụng thứ hai dành riêng cho dòng sản phẩm này. Meta đã tung ra ít nhất ba mô hình cận biên trong vòng năm tháng — Muse Spark 1.2 vào tháng Tám, Muse Spark 1.3 vào tháng Chín, dòng Muse Wonder vào tháng Mười — và mỗi mô hình đều đi kèm một bảng điểm của nhà cung cấp cùng một mô hình chi phí suy luận bắt buộc. Chạy một bộ đánh giá cố định với bất kỳ mô hình nào trong số đó mà bạn có thể tiếp cận, và chỉ hoán đổi định danh mô hình thay vì cả một stack, là cách rẻ nhất để tránh phải học lại cùng một bài học ba lần.

Điều mà tuyên bố ra mắt không giải quyết được

• Liệu Muse Wonder Full có bao giờ có được đường dẫn API hay không. Checkpoint có điểm số cao hơn bị khóa sau gói đăng ký hàng tháng, khiến việc truy cập vào nó trở thành một quyết định mua hàng hơn là một quyết định kỹ thuật. Meta chưa nói rằng họ sẽ mở nó.

• Bộ khung đánh giá nào đã tạo ra 57,5 và 46,3? Cho đến khi câu hỏi đó được trả lời, hai con số được trích dẫn nhiều nhất từ lần ra mắt này không thể được đặt trên một đường cong cùng với các dòng của chính Meta, và không nên được trích dẫn như thể có thể làm vậy.

• Liệu mức chênh lệch 44 điểm JobBench giữa hai checkpoint từ cùng một phòng thí nghiệm có còn giữ được khi chạy độc lập hay không. Một khoảng cách lớn cỡ đó hoặc là sự phân tách thực sự giữa hai profile, hoặc là tạo tác của harness, và chỉ bên thứ ba mới xác định được đó là trường hợp nào.

• Liệu Active Memory và Active Focus có trụ vững trong môi trường vận hành thực tế hay không. Meta mô tả trạng thái bền vững xuyên phiên và khả năng tự quản lý sự tập trung trong các tác vụ dài. Cả hai đều không được chứng minh trên model card, và cả hai chỉ được định đoạt qua nhiều tuần lưu lượng vận hành thực tế chứ không phải qua một bài đăng ra mắt.

Dòng sản phẩm này là thật và đã được phát hành, và điểm truy cập có thể gọi được đang hoạt động. Điều mà tuyên bố ra mắt đã nói sai là bảng điểm, không phải mô hình. Lập trường có thể bảo vệ được ngày hôm nay là lập trường hẹp: trên chính các hàng long-horizon của Meta, cặp Muse Wonder dẫn trước các mô hình Claude và GPT trong bảng ở một số bộ kiểm thử và xếp sau chúng ở những bộ khác, checkpoint có những con số lớn hơn lại là cái bạn không thể gọi được, và hai con số được trích dẫn nhiều nhất từ thông báo hoàn toàn không xuất hiện trên bảng của chính nhà cung cấp.