Meta 称 Muse Wonder 在持续智能体任务中全面胜过 Opus 5.5。而 Meta 自己的表格给出的说法要更有限一些。

Muse Wonder Full 是 Meta Superintelligence Labs 于 2026 年 10 月 12 日宣布的得分更高的检查点，而 Muse Wonder 是同篇博文中一同发布的可调用兄弟模型。两者都出现在 Meta 自己的评测表里，与 Claude Opus 5.5、GPT-6 Astra 和 Claude Fable 5.1 并列，而从那张家表中传播得最远的说法——即 Muse Wonder Full 在多项持续智能体工作测试中击败领先的前沿模型，并且在 DeepSWE 上胜过包括 Claude Opus 5.5 在内的其他所有模型——对照 Meta 自己公布的数字却无法复现。这个差距才是重点，而且它比那个说法更有用。

权利要求所述的内容，以及表格所述的内容

被广泛转发的摘要特别提到了两个数字：Muse Wonder Full 的 SWE-Marathon 得分为 57.5%，而某款 Claude 模型为 46.3%；以及一项 DeepSWE 结果，显示 Muse Wonder Full 在该领域领先于其他所有模型。Meta 公布的表格行对这两项的呈现有所不同。

• SWE-Marathon — Meta 将 Muse Wonder Full 列为 79.0，Muse Wonder 列为 78.8，GPT-6 Astra 列为 74.1，Claude Opus 5.5 列为 74.2，Claude Fable 5.1 列为 67.4。该行中任何地方都没有 57.5，也没有 46.3，而对 Claude Opus 5.5 的领先幅度是 4.8 分，而非 11.2 分。

DeepSWE 1.1 —— Meta 将 GPT-6 Astra 列为 59.1，将 Claude Opus 5.5 列为 59.6，二者均高于 Muse Wonder Full 的 57.1 和 Muse Wonder 的 52.0，后者与 Claude Fable 5.1 持平。在 Meta 自己的表格中，Muse Wonder Full 在该行排名第三，而非第一。

• 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。这对 Meta 组合来说是真正的领先，而且可调用的检查点版本略胜订阅版一筹。

• JobBench，长时程专业任务 — 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。同一实验室的两个检查点之间相差 44 分，这要么是训练目标上的真实分化，要么就是评测框架造成的人为假象。

• 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。内部差距又一次极为巨大，而且 Meta 各行的方向并不一致。

那些数字每一个都是由厂商自行报告的，是在 Meta 自己的测试框架中、以最高推理强度跑出来的，而且没有任何一项经过独立复现。这并不是否定那张表的理由。这正是为什么，对于从它流传出来的任何数字，第一个该问的问题应当是：它是用哪个测试框架产出的。

57.5 和 46.3 不在桌子上。

有两种可能性符合实际可验证的情况。要么该摘要引用的是另一项评估——名称不同的套件、不同的推理强度设置、通过率而非指数得分，或是在 Meta 之外运行的测试框架——要么这些数字有误。Meta 已发布的材料中没有任何内容能证实其中任何一种，而本文不会在厂商自己那一行写着 79.0 的情况下，断言 Muse Wonder Full 在 SWE-Marathon 上得分 57.5%。

正确的应对是程序性的，而非修辞性的。基准测试的名称并不等同于规格说明。SWE-Marathon 在最大努力程度下，面对 200 步预算、500 步预算以及墙钟时间上限，会为同一个模型得出三个不同的数值，任何长时程测试套件也是如此。当一个分数出现时，若没有附带测试框架、努力程度设置和步数预算，它就只是未知曲线上的一点。在围绕这个数字规划容量之前，先索要测试框架。

该说法的修正版本范围更窄，但仍然很有意思：在 Meta 自己的长时程行上，Muse Wonder Full 在表格中领先 Claude 和 GPT 模型，优势幅度从 SWE-Marathon 上的 4.8 分到 JobBench 上的 44 分不等，并在 DeepSWE 1.1 和 Harvey LAB-AA 上输给它们。这是一个站得住脚的说法。而声称它在所有地方都获胜的版本则不是。

这两个中你实际上能到达哪一个？

这个说法还有第二个更棘手的问题，而且它根本与分数无关。那个带着那些亮眼数字的检查点，并不是按 token 出售的。

• 各自的运行位置——muse-wonder-1.0 在 Meta Model API 上以及该公司的终端编程代理 Muse Code 内提供回答。muse-wonder-full-1.0 被 Meta 描述为仅限 Muse Code 订阅用户使用。

• Full 的费用是多少——Meta 公布的计划是 Power Usage 每月 50 美元，Maximum Usage 每月 200 美元。没有按量计费的途径，没有可以购买的按 token 费率，也没有办法让 SDK 指向得分更高的检查点。

• 并不适用于它的费率卡——Meta 公布该系列的费率为每百万输入 token 4.00 美元、缓存输入 0.20 美元，以及每百万输出 token 20.00 美元。这些费率所描述的路径对 Muse Wonder 存在，对 Muse Wonder Full 则不存在。

• 上下文与输出——两者均为 1,048,576 个输入词元，而可调用检查点的单次响应输出预算上限为 943,718 个词元。

• 输入面——文本、图像、语音和视频输入；文本输出。视频和语音无需前置转录步骤即可输入，这是最有可能改变架构的能力差异。

因此，一个团队在阅读发布声明、然后审视自身采购选项时，比较的是两种不同的东西：一个是今天就能调用的、价格为 4.00 美元和 20.00 美元的 API，另一个是访问权限属于按月购买决策的检查点。任何把二者混为一谈的评估都不是模型比较。

独立测量涵盖什么

Artificial Analysis 测量了可达的那一半。Muse Wonder (max) 的 Intelligence Index 为 52，在 219 个模型中排名第九，输入 $4.00、输出 $20.00，并享有 95% 缓存折扣，折算下来每项指数任务约为 $4.52——这是所测量的两个前沿检查点中更低的单任务成本。其卡片记录显示，评估期间消耗了约 1.3 亿个输出 token，而中位数为 8500 万；上下文窗口为 1M；输入支持文本、图像、语音和视频，输出为文本。

Muse Wonder Full (max) 在同一指数上读数为 56，在 699 个中排名第四，未公布价格，因为没有可用来归一化的每 token 费率。Meta 在其自己的表格中将同一个检查点列为 Artificial Analysis Index 上的 59.0。同一个具名指数上出现 3 分分歧，孤立来看是小事，从总体上看则具有澄清意义：厂商数字描述的是行进方向，56 描述的是一次测量。

独立榜单还会告诉你厂商表格无法告诉你的事。Muse Wonder Full 得分为 56，Muse Wonder 得分为 52——在公开测试框架上相差 4 分，而 Meta 从自家测试中报告的 JobBench 分差为 44 分。这两个工具中，有一个正在测量另一个没有测量的东西。

事态升级的实际代价是什么

Muse Wonder 的定价并非一种价值定位。输入 $4.00、输出 $20.00 的标价与 Claude Opus 5.5 相同，也是当前开放权重推理模型收费的几倍。在费率相同的情况下，两者的区别在于各自完成任务要消耗多少 token，而在这一点上，Muse Wonder 是二者中更精简的一个：在同一个评测框架中，其输出 token 约为 1.3 亿，而 Claude Opus 5.5 约为 2.6 亿，这也是为什么独立的单任务成本数字分别接近 $4.52 和 $5.98。

影响这项成本的杠杆是 effort 阶梯，而不是模式开关。推理是强制性的，该阶梯从 minimal 延伸到 max，默认值为 medium，而推理 token 按输出 token 计费，每百万 20 美元。对于高流量负载，没有可回退的非思考路径。再加上 943,718 token 的输出上限，effort 设置是集成中决定该模型在你的工作负载上是否负担得起的那一行配置。

而为了够到 Full 检查点而提出这一论据，本身也比发布时的说法更站不住脚，因为在 Artificial Analysis 上两个检查点之间的四个独立数据点，落在单次运行评估的噪声带之内。在厂商表上把它们区分开的，是长时程、有状态、工具密集型的那几行——而这些恰恰是 Meta 之外无人复现过的行。

路由器如何在这里赢得一席之地

Muse Wonder 不在 OrcaRouter 上。我们的目录里没有 meta/muse-wonder 这一条目，我们也不会把它说成似乎存在一样；它运行在 Meta 自家的 API 和 Muse Code 上，而 Muse Wonder Full 只运行在 Muse Code 订阅之后，除此之外别无他处。

这次发布带来的路由问题，本质上是一个计量问题。一旦对比中的一方模型设有订阅门槛，另一方按 token 计费，那么要想在自己真实的工作负载上比较二者，唯一的办法就是用自己的评测框架跑同一批任务，然后去数 token，而不是看通过率。这正是单一端点所擅长的工作形态。OrcaRouter 在一个兼容 OpenAI 的 API 背后承载了200 多个模型，而这次发布请你拿来衡量对比的那些模型——Claude Opus 5.5 输入 $4.00、输出 $20.00，Meta 自家的Muse Spark 1.2定价 $1.25 和 $4.25——早已在平台上，按各厂商自己的标价提供，我们这边不加任何加价。提供商的标价原样透传，所以厂商一旦调价，落地当天就能同步到我们这里。

这一系列还有第二种用途。Meta 在五个月内至少发布了三款接近前沿的模型——8 月的 Muse Spark 1.2、9 月的 Muse Spark 1.3、10 月的 Muse Wonder 系列——而每一款都附带一份厂商排行榜和一个强制推理的成本模型。对你能够触及的其中任何一个模型跑一套固定的评估集，并且只替换模型标识符而不是整个技术栈，是避免把同一堂课重学三遍的最省成本的方式。

发布声明未能解决的是什么

• Muse Wonder Full 是否会有 API 路径。得分更高的检查点被月度订阅挡在墙后，这使得能否访问它变成了一个购买决策，而非工程决策。Meta 尚未表示会开放它。

• 57.5 和 46.3 是由哪个测试框架得出的。在这一点得到回答之前，本次发布中被引用最多的这两个数字，无法与 Meta 自家的数据行放在同一条曲线上，也不应被当作可以这样做来引用。

• 同一实验室的两个检查点之间那 44 点的 JobBench 差距，能否在独立运行中依然成立。如此之大的差距，要么是真实存在的两种画像分野，要么是评测装置造成的假象，而唯有第三方才能判定究竟是哪一种。

• Active Memory 和 Active Focus 在生产环境中是否经得起考验。Meta 描述了跨会话的持久状态，以及对长时间任务的自管理注意力。两者都没有在模型卡上得到展示，而最终都要靠数周的生产流量来见分晓，而不是靠一篇发布文章。

该系列真实存在并已发布，可调用的端点也已上线。发布声明弄错的是记分板，而不是模型。如今站得住脚的立场是更窄的那个：在 Meta 自己的长时程行中，Muse Wonder 这一对在某些测试套件的表格里领先 Claude 和 GPT 模型，在另一些套件中则落后于它们；数字更大的那个检查点，是你无法调用的那个；而公告中被引用最多的两个数字，根本没有出现在厂商自己的表格中。