Muse Wonder vs Claude Opus 5.5 về Tạo SVG: Bài kiểm tra thực hành đầu tiên thực sự cho thấy điều gì

Muse Wonder ra mắt chính thức vào ngày 12 tháng 10 năm 2026 — cùng ngày mà người anh em cùng nhà có điểm số cao hơn là Muse Wonder Full được phát hành sau một lớp đăng ký thuê bao — và nó đã tích lũy được nhiều trang so sánh hơn gần như mọi mô hình mà blog này từng đề cập. Điều mà nó chưa tích lũy được, cho đến tuần này, là một bài kiểm tra trực tiếp đã được công bố về một năng lực cụ thể, có thể kiểm chứng. Vào ngày 12 tháng 10, tài khoản X @scaling01 đã đăng một màn đối đầu trực tiếp giữa Muse Wonder và Claude Opus 5.5 về tạo SVG, với hai phát hiện đáng đọc kỹ: Muse Wonder Full thì "tốt và thậm chí còn thử tạo 3D", còn phong cách đầu ra của nó thì "quá màu mè" và nó "quá đà".

Đó là một tuyên bố có thật, cụ thể, có thể bị phản bác về một mô hình có thật đã được phát hành, và nó đến từ một người tự nhận đã đích thân chạy cả hai mô hình. Ở thời điểm viết bài này, đó cũng chỉ là một lần chạy duy nhất chưa được tái lập, do một tài khoản mà bài đăng của chính họ mở đầu bằng lời công bố quảng cáo. Cả hai điều đó đều đúng cùng lúc, và bài viết này nói về việc giữ cả hai điều ấy lại với nhau thay vì chọn một.

Các điều khoản của bài kiểm tra, được nêu đúng như chúng đã được nêu.

Việc công bố nằm ở dòng đầu tiên của bài đăng thay vì ở chú thích cuối trang, điều này đáng chú ý vì đây không phải là kiểu trình bày thông thường. Tác giả nêu rằng Meta đã cung cấp quyền truy cập xem trước miễn phí cho Muse Wonder, rằng họ đã tự bỏ tiền túi để trả cho Claude Opus 5.5, và rằng các bài kiểm tra cùng kết luận là của họ. Đó là một lập trường về xung đột lợi ích yếu hơn đáng kể so với một nội dung trả tiền không được tiết lộ — một bên trong so sánh được miễn phí, bên kia thì không, và tác giả nói rõ như vậy.

Ba điều về thiết lập này không được nêu ra, và mỗi điều trong số đó giới hạn những gì mà phán quyết có thể chống đỡ được.

• Điểm cuối nào đã được kiểm thử — Muse Wonder và Muse Wonder Full tồn tại dưới dạng hai ID mô hình riêng biệt với hai bảng điểm khác nhau, và bài đăng nêu tên Muse Wonder trong phần so sánh nhưng lại gán nhận định về tạo 3D cho Muse Wonder Full

• Cài đặt mức độ nỗ lực nào đã được sử dụng — tính năng suy luận của Muse Wonder là bắt buộc và vận hành theo thang mức độ nỗ lực từ tối thiểu đến tối đa, mặc định là trung bình, và các token suy luận được tính phí như output, nên cài đặt này thay đổi cả chi phí lẫn đặc tính đầu ra

• Đã chạy bao nhiêu prompt — không có số lượng prompt, không có nội dung prompt, không có seed, không chạy lại

Điều thứ hai và thứ ba trong số đó quan trọng hơn vẻ ngoài của chúng. Một mô hình có khả năng suy luận luôn bật và mức nỗ lực do người dùng đặt sẽ tạo ra đầu ra SVG khác biệt rõ rệt ở mức tối thiểu so với mức tối đa, và một phán quyết về phong cách đúng là kiểu đánh giá mà một lần chạy duy nhất của một lời nhắc có thể đưa ra sai. Đây không phải là lời chỉ trích tác giả — một bài đăng ngắn trên X không phải là một bài báo, và việc công bố thông tin cùng dòng "các bài kiểm tra và kết luận là của riêng tôi" thể hiện mức độ minh bạch cao hơn hầu hết các so sánh trong ngày ra mắt. Đó là một tuyên bố về việc bài viết có thể và không thể được dùng để làm gì.

Một bài kiểm tra SVG thực sự đo lường điều gì

SVG là một mục tiêu tốt một cách bất thường cho việc so sánh trực tiếp và là một mục tiêu tệ một cách bất thường cho việc so sánh qua loa, và việc hiểu tại sao sẽ giải thích kết luận đó cho bạn biết điều gì và không cho bạn biết điều gì.

Một SVG là văn bản hiển thị một cách tất định. Đó là điểm hay: người đánh giá có thể dán đầu ra thô của mô hình vào một trình xem, nhìn vào nó, và thấy chính xác những gì mô hình đã tạo ra — không có pipeline tạo ảnh, không có hạt giống lấy mẫu trên bộ giải mã khuếch tán, không có câu hỏi về việc tiêu chí là bức hình hay tệp tin. Nếu một mô hình phát ra đánh dấu sai định dạng, bản vẽ sẽ hỏng một cách rõ thấy. Nếu nó phát ra 40 kilobyte định nghĩa gradient trong khi 2 kilobyte path là đủ, điều đó có thể đo lường được.

Phần tệ là những phán xét về phong cách như "gimmicky" và "overindulges" là những khẳng định khó tách bạch nhất trong toàn bộ không gian này. Hai đánh giá độc lập nằm bên trong chúng:

• Tay nghề — liệu mô hình có tạo ra SVG hợp lệ, có cấu trúc tốt, có thể kết xuất được hay không, hay nó tạo ra thứ gì đó cần phải sửa trước khi vẽ được bất cứ thứ gì?

• Tiết chế — liệu nó có sử dụng mức đánh dấu tối thiểu mà yêu cầu cần không, hay nó đã dùng đến gradient, bộ lọc, hiệu ứng mờ, hoạt ảnh và các hiệu ứng raster nhúng chỉ vì chúng có sẵn?

Độ trau chuốt kỹ thuật thì gần với khách quan và có thể được chấm bằng script. Sự tiết chế lại là một phán đoán gu thẩm mỹ được khoác áo kỹ thuật, và những người đánh giá hợp lý liên tục bất đồng về nó — một nhà thiết kế yêu cầu một minh họa cho portfolio thì muốn có các dải chuyển màu, còn một kỹ sư yêu cầu một bảng icon thì không. Vậy nên khi một người đánh giá nói một mô hình quá đà, câu hỏi hữu ích không phải là điều đó có đúng hay không, mà là nó đúng với tác vụ nào. Bài viết không tách biệt hai nhận định, và thật sự khó tách biệt chúng trong một lần ngồi.

Tuyên bố so sánh và tuyên bố tuân thủ

Cách dẫn dắt của bài đăng đặt Claude Opus 5.5 ở phía bên kia và nhận định về việc tạo 3D ở phía Muse Wonder Full, khiến nó trở thành một so sánh ba bên trong một tiêu đề hai tên — cũng chính là vấn đề cấu trúc ấy xuyên suốt toàn bộ đợt ra mắt Muse Wonder.

Trên trục đó, ngữ cảnh hữu ích là giống nhau trên tất cả các mô hình anh em của nó: Claude Opus 5.5 không phải là một mô hình hoàn toàn mới. Nó được phát hành vào ngày 22 tháng 9 năm 2026, khoảng ba tuần trước Muse Wonder, và hồ sơ chi phí cùng năng lực của nó đã được mô tả rõ ràng. Một cách độc lập, trên Chỉ số Trí tuệ Artificial Analysis, Claude Opus 5.5 (max) đạt 58 — điểm cao nhất trong lớp 219 mô hình — trong khi Muse Wonder (max) đạt 52, xếp thứ chín trong số 219. Giá niêm yết của Opus 5.5 là 4,00 USD cho mỗi triệu token đầu vào và 20,00 USD cho mỗi triệu token đầu ra; giá niêm yết của Muse Wonder là giống hệt, 4,00 và 20,00 USD. Điều thú vị ở tình huống này là Opus 5.5 hóa ra lại là mô hình đắt đỏ hơn trên thực tế, không phải vì bảng giá của nó mà vì nó dài dòng: Artificial Analysis ghi nhận nó tiêu thụ khoảng 260 triệu token đầu ra trong quá trình đánh giá, so với mức trung vị 85 triệu, và so với khoảng 130 triệu của Muse Wonder, tương đương khoảng 5,98 USD cho mỗi tác vụ chỉ số so với khoảng 4,52 USD. Đó là kiểu so sánh hai con số mà một trình đánh giá tính theo token có thể đo được, còn một prompt SVG đơn lẻ thì không.

Điều mà bài kiểm tra SVG bổ sung là một hạng mục mà chỉ số không bao quát. Việc tạo văn bản có cấu trúc nằm đâu đó giữa mã và minh họa, và không có bảng xếp hạng nào chấm điểm nó — không phải Personal Superintelligence Index, không phải JobBench, không phải Terminal-Bench 4.0-AA, không phải SWE-Marathon. Nếu công việc thực tế của một độc giả liên quan đến việc xuất ra các tệp vector sạch, thì các bảng điểm chủ lưu lại im lặng trước câu hỏi của họ, và đó chính xác là lý do vì sao một cuộc đối đầu trực tiếp có phần thô sơ lại đáng để dẫn liên kết đến vậy.

Điều mà tuyên bố thứ hai thực sự nói về

“Thậm chí còn thử sinh 3D” là một nửa thú vị hơn của nhận định, và rất dễ bị hiểu sai thành một tuyên bố về năng lực.

Trong ngữ cảnh SVG, điều này hợp lý nhất là mô tả một mô hình vượt ra ngoài bản vẽ hai chiều phẳng để bước vào chiều không gian thứ ba được ngụ ý hoặc chỉ một phần — các cấu trúc đẳng cự, hình khối được đùn, lưới phối cảnh, các lớp giả xếp chồng, hoặc mã đánh dấu được tạo ra và hiển thị như một cảnh ba chiều. Nó không giống với một mô hình 3D. Việc tạo ra lưới đa giác, một vật thể được quét hay một tài sản có thể in được là một loại đầu ra hoàn toàn khác, và cụm "tạo sinh 3D" được dùng khá lỏng lẻo trong lĩnh vực này để chỉ mọi thứ, từ minh họa 2.5D đến một tệp hình học thực sự. Nếu không có prompt hoặc tệp, người đọc không thể biết đây là trường hợp nào.

Nếu đó là nghĩa lỏng hơn, thì khẳng định này nhất quán với lời phàn nàn về phong cách chứ không hề mâu thuẫn với nó. Việc với tới phép chiếu đẳng cự hoặc các lớp xếp chồng cũng là cùng một bản năng như với tới gradient: nhiều máy móc hơn mức brief yêu cầu. Cả hai phát biểu có thể đang mô tả một hành vi — một mô hình coi phần markup sẵn có như sự cho phép — và đó là một bài học hữu ích hơn so với từng nửa riêng lẻ, đồng thời cũng là phiên bản mà người đánh giá thứ hai dễ xác nhận hoặc bác bỏ nhất.

Tuy nhiên, có một điểm bất đối xứng đáng được gọi tên ở đây. Ở chỗ hai checkpoint khác nhau trong dữ liệu ra mắt, sự chia tách nằm dọc theo cấu trúc chứ không phải mức độ trau chuốt. Trên bảng benchmark của chính Meta, Muse Wonder Full đánh bại mô hình API với cách biệt lớn trên JobBench (75,3 so với 30,8) và Vals Finance Agent V2 (59,1 so với 10,0) — trong khi thua nó ở Harvey LAB-AA tới 41 điểm, 13,1 so với 54,3. Những con số đó do nhà cung cấp báo cáo, được tạo ra trong harness của Meta, và chưa được tái lập. Nhưng chúng mô tả một phòng thí nghiệm đã huấn luyện hai profile thay vì một, và khác biệt về phong cách hoặc mức độ tiết chế giữa các checkpoint đúng là kiểu điều mà một sự chia tách cấu trúc sẽ tạo ra. Vậy việc người đánh giá đang nhìn vào checkpoint nào khi họ viết "gimmicky" không phải là một câu hỏi vụn vặt — bài đăng đặt hai quan sát lên hai mô hình khác nhau.

Nơi thực sự có thể tiếp cận các mô hình

Với bất kỳ ai muốn tự mình chạy so sánh này thay vì tin vào phán quyết, câu hỏi thực tế là mỗi mô hình nằm ở đâu, và các câu trả lời không hề đối xứng.

• Claude Opus 5.5 — được cung cấp rộng rãi kể từ ngày 22 tháng 9 năm 2026, 4,00 USD cho mỗi triệu token đầu vào và 20,00 USD cho mỗi triệu token đầu ra, với mức giá đọc bộ nhớ đệm là 0,20 USD, cửa sổ ngữ cảnh 1 triệu token và ngân sách suy nghĩ bao gồm cả cấu hình không suy nghĩ

• Muse Wonder — chính thức khả dụng từ ngày 12 tháng 10 năm 2026, trên Meta Model API và trong Muse Code, với cùng mức $4.00 cho đầu vào và $20.00 cho đầu ra, ngữ cảnh 1.048.576 token và giới hạn đầu ra 943.718 token

• Muse Wonder Full — được công bố cùng ngày nhưng không được bán theo từng token; chỉ có thể truy cập thông qua gói đăng ký Muse Code, và không có bảng giá theo từng token nào được công bố, đó là lý do vì sao ở đây nó hoàn toàn không có dòng giá.

Điểm mấu chốt nằm ở cấu hình suy luận của Muse Wonder. Nó không thể bị tắt. Thang mức nỗ lực gồm minimal, low, medium, high, xhigh và max, mặc định là medium, và token suy luận được tính như output. Do đó, bất kỳ lượt chạy đối đầu nào với một mô hình có thể được yêu cầu không suy nghĩ đều là so sánh một cấu hình bị hạn chế với một cấu hình không bị hạn chế, trừ khi người đánh giá nêu rõ thiết lập, mà bài đăng này thì không. Đó là khoảng trống hệ trọng nhất trong việc tái tạo, hơn cả việc thiếu số lượng prompt.

Cách tái hiện nó trong một buổi chiều

Lý do bài kiểm tra này đáng được mở rộng thay vì gạt bỏ là việc mở rộng nó rất rẻ. Một phiên bản hữu ích cần bốn thứ mà bản gốc không cung cấp: một bộ prompt cố định gồm khoảng một tá tác vụ vector trải rộng từ biểu tượng, sơ đồ, minh họa đến biểu đồ; một khai báo về thiết lập nỗ lực; các tệp SVG thô được lưu cùng với các bản render; và một lượt chấm điểm tách sự tinh xảo khỏi sự tiết chế thay vì trộn lẫn chúng. Mười hai prompt ở hai thiết lập nỗ lực trên hai mô hình là 48 lần chạy — chỉ vài đô la token đầu ra tính theo các bảng giá này, và là một sản phẩm hữu ích hơn thực sự so với bất kỳ ấn tượng ngày ra mắt nào.

Đây cũng là trường hợp mà một router tự hoàn vốn theo cách mà việc so sánh giá thuần túy không thể làm được. Claude Opus 5.5 được cung cấp trên OrcaRouter đúng theo giá niêm yết của chính Anthropic — 4,00 USD mỗi triệu token đầu vào, 20,00 USD mỗi triệu token đầu ra, 0,20 USD mỗi triệu cho lượt đọc bộ nhớ đệm — với cơ chế chuyển tiếp không cộng thêm markup áp dụng cho toàn bộ danh mục, nên khi nhà cung cấp thay đổi giá thì phía chúng tôi nhận được thay đổi đó ngay cùng ngày họ nhận được. Giá niêm yết của nhà cung cấp được chuyển tiếp nguyên vẹn; lớp định tuyến không cộng thêm chênh lệch nào. Một lượt quét hàng chục prompt trên hai mô hình chỉ cần một khóa và một endpoint thay vì hai tài khoản, hai tích hợp SDK và hai mối quan hệ thanh toán, và nếu bạn đang quét một thứ còn quá mới như mô hình vừa ra mắt hôm qua, thì cơ chế chuyển đổi dự phòng tự động nghĩa là một nhà cung cấp bị giới hạn tốc độ hay suy giảm cũng không kéo sập cả lượt chạy theo.

Nói rõ về những gì chúng tôi không có: không hề có mục meta/muse-wonder hay meta/muse-wonder-full nào trong danh mục của chúng tôi. Chúng tôi không định tuyến cho cả hai checkpoint và chúng tôi sẽ không mô tả một cái như thể chúng tôi có. Thứ mà chúng tôi thực sự cung cấp từ cùng phòng thí nghiệm đó là dòng Muse Spark — Muse Spark 1.2 có giá $1.25 mỗi triệu token đầu vào và $4.25 mỗi triệu token đầu ra, với cùng cửa sổ ngữ cảnh như mô hình hàng đầu nhưng chỉ bằng một phần nhỏ giá, và đây là mô hình bạn nên chọn nếu muốn dùng dòng suy luận của Meta qua cùng một khóa như mọi thứ khác. Việc thêm Muse Wonder vào một lượt quét hiện là một tài khoản thứ hai; còn thêm Muse Spark 1.2 chỉ là một dòng trong cùng một config.

Cần theo dõi điều gì, và điều gì sẽ giải quyết vấn đề

Ba điều sẽ biến điều này từ một ấn tượng thú vị thành bằng chứng.

• Một người đánh giá thứ hai với khẩu vị khác biệt cùng đưa ra phán quyết về sự tiết chế giống vậy — những đánh giá phong cách vẫn đứng vững khi đổi người đánh giá là về mô hình; những đánh giá không đứng vững là về người đánh giá

• Muse Wonder Full trở nên có thể truy cập theo token — mô hình được nêu tên trong quan sát về tạo 3D chính là mô hình không có bảng giá, nên bất cứ ai muốn kiểm chứng nửa đó của tuyên bố đều không thể mua quyền truy cập vào nó nếu không có đăng ký hàng tháng cho một coding agent

• Bất kỳ bảng điểm độc lập nào bổ sung một tác vụ vectơ hoặc đồ họa có cấu trúc — khoảng trống mà bài kiểm tra này rơi vào không phải là không ai chạy nó, mà là không có bảng nào chấm điểm nó, đó là lý do tại sao hiện tại toàn bộ kỷ lục chỉ là một buổi chiều của một người

Tóm tắt trung thực là đây là một phát hiện thực sự với một hạn chế thực sự. Một người đánh giá đã tiết lộ quyền truy cập bản xem trước có trả phí, tự bỏ tiền trả cho phía bên kia, và công bố một phán quyết tiêu cực cụ thể đã làm được nhiều hơn những gì một bản tóm tắt ra mắt làm — và một mô hình "thử" những thứ nó không được yêu cầu là một tuyên bố về sự kiềm chế, không phải về năng lực, và sự kiềm chế là thứ dễ bị người đánh giá tiếp theo nhìn khác đi nhất. Nếu hôm nay bạn đang chọn giữa Claude Opus 5.5 và Muse Wonder cho đầu ra vector, khoảng cách chỉ số độc lập là sáu điểm và khoảng cách khối lượng token là hai trên một nghiêng về Muse Wonder; phán quyết về phong cách là một buổi chiều của một người và nên được coi là một giả thuyết hơn là một kết quả.