Muse Wonder Full 与 Muse Wonder：同一场发布，同一份费率卡，在唯一同时测评两者的榜单上相差四分

Muse Wonder Full 和 Muse Wonder 于 2026 年 10 月 12 日由 Meta Superintelligence Labs 在同一篇发布文章中亮相，而那篇文章中的几乎每一项规格都适用于两者。两者均被描述为具有 1,048,576 token 的上下文窗口。两者的标价均为每百万输入 token 4.00 美元、缓存输入 0.20 美元、每百万输出 token 20.00 美元。两者都需要推理。两者都接收文本、图像、语音和视频输入，并返回文本。而在独立的 Artificial Analysis Intelligence Index 上，两者相差四分：Muse Wonder Full 为 56，在已测量的 699 个模型中排名第四；Muse Wonder 为 52，在 219 个模型中排名第九。

这四个点的差距，是同一实验室在同一天发布的两个前沿检查点之间最小的真实差异，而且它们也是这对组合中最不具决定性的东西——因为两者中只有一个可以访问。Muse Wonder 在 Meta Model API 上以及 Muse Code 内提供。Meta 将 Muse Wonder Full 描述为仅限 Muse Code 订阅，Power Usage 每月 50 美元，Maximum Usage 每月 200 美元。这不是一个强模型和一个更强模型之间的比较。这是一个你无法调用的更强模型和一个你可以调用的较弱模型之间的比较。

一个宣告，两个检查点，以及一根分隔它们的柱子

逐行阅读发布材料，这两个模型几乎到最后都彼此一致。它们出现分歧的地方只有一列，而那并不是能力。

• 访问 — muse-wonder-1.0 可在 Meta Model API 以及 Muse Code 内使用；muse-wonder-full-1.0 仅限 Muse Code 订阅，没有按量计费的途径，也没有可用于调用它的 SDK。

• 价格——输入 $4.00、缓存 $0.20、输出 $20.00 的共享价目表所描述的那条路径存在于 Muse Wonder，而在 Muse Wonder Full 上并不存在，后者的费用是每月 $50 或 $200 的套餐。

• 独立指数 —— Muse Wonder 52，在 219 个中排名第九；Muse Wonder Full 56，在 699 个中排名第四。四点之差，测自同一套公开评测框架，而这是两者唯一出现在同一标尺上的地方。

• 输出预算——可调用检查点的单次响应上限为 943,718 个 token。订阅检查点的上限并未公布，因为 Meta 之外没人能数得清。

• 供应商综合得分——Meta 自己的表格将 Muse Wonder Full 在其 Personal Superintelligence Index 上列为 59.1，将 Muse Wonder 列为 56。在同一表格的 Artificial Analysis Index 一行中，Meta 将 Muse Wonder Full 列为 59.0，而 Artificial Analysis 自己公布的是 56。

最后那句话值得细细琢磨。厂商为其自家最佳检查点给出的数值，比在同一具名指数上对同一检查点的独立测量结果高出三点——而另一个检查点 52 的独立测量值，与厂商为第一个检查点给出的 59.1 之间的距离，反而比厂商那两个数值彼此之间的距离更近。

关键的不是四分这个数字

在 Meta 自己的长时程行上，这两个检查点的差距远超四分，而且两个方向都如此。以下所有内容均为厂商报告，由 Meta 的评测框架在最高推理强度下生成，没有任何一项经过独立复现。

• JobBench，长周期专业任务——Muse Wonder Full 75.3，Muse Wonder 30.8。同一版本的两个模型之间相差 44 分。

• Terminal-Bench 4.0-AA — Muse Wonder 85.6，Muse Wonder Full 85.5。可调用的检查点以0.1分的微弱优势压过订阅版。

• SWE-Marathon — Muse Wonder 完整版 79.0，Muse Wonder 78.8。

• MemoryBench — Muse Wonder Full 39.4，Muse Wonder 34.3。

• Harvey LAB-AA，Meta 的法律智能体套件——Muse Wonder 54.3、Muse Wonder Full 13.1。订阅检查点排名最后，比那个你实际可以调用的落后 41 分。

所以，这一对在独立榜单上相差四点，在一行上以 Meta 占优相差 44 点，而在下一行上又以 41 点之差不利于它。这三个数字不可能都在描述同一个能力差异，而最简约的解读是：它们确实不是。两个在公开评测框架上仅相差四点的检查点之间出现 44 点的摆动，正是一项对评测框架敏感的、rollout 形态任务在综合得分中会呈现的样子。

独立榜单上的那四分，甚至可以说是更诚实的数字，也是更没用的数字——单次运行造成的那么大差距，本身就落在评估的噪声带内。与综合表合起来看，这三行总体上指向同一个结论：这是两个排名前十的前沿检查点，通用能力测得相近，长时程行为却测得相差悬殊，而且其中有一个在 Meta 之外无人能运行。它无法确立的是哪一个能在你的工作负载上胜出，而且它也不试图这么做。

额外那级横档换来的究竟是什么

Meta 为该系列列出了两项完全不属于基准测试条目的能力：Active Memory，被描述为跨会话延续的持久状态；以及 Active Focus，被描述为对长任务的自我管理式注意力。如果其中任何一项真能如描述般运作，那它与评分是不同性质的差异——它会改变应用程序的形态，因为能够跨越会话边界存活的状态，否则你就得在自己的数据库里拙劣地自行构建。

两者都没有在模型卡上展示，也都无法通过测试触及，因为承载它们的检查点正是订阅后才能接触到的那个。这就给团队留下了一个具体而不光鲜的问题：每月为 Muse Wonder Full 支付 50 美元或 200 美元的看似合理理由，是一项 Meta 之外无人能评估的功能，而这一功能所附带的检查点在法律智能体套件上还报告了 13.1，其兄弟模型则是 54.3。

独立测量填补了部分空白，而且只是一部分。Artificial Analysis 记录到 Muse Wonder Full 在评估期间消耗了约 1.4 亿个输出 token，中位数为 8800 万；Muse Wonder 则约为 1.3 亿，中位数为 8500 万。两者都为了达到其分数而投入巨大，这与强制推理相符，并让你在升级之前就知道升级的代价——但这两个数字都没有说明持久记忆是否有效。

这个决定是节流阀，而非购买行为

大多数针对两个检查点的比较，最终都会落到一个采购问题上：我们该买哪一个。这一次却不行，因为其中一方没有按量计费的 SKU。于是整件事被重新界定为一个路由问题，而这里的路由问题形态异常清晰，因为更便宜的选项和更昂贵的选项是按完全不同的计量方式出售的。

Muse Wonder 按量计费。其成本随 token 线性增长，每百万 token 分别为 4.00 美元和 20.00 美元，并且在输入侧享有 95% 的缓存折扣，因此每个索引任务的独立成本约为 4.52 美元。Muse Wonder Full 则完全不按量计费。它的成本是固定月费方案，不随用量变化，这意味着在某个方案内，向 Full 检查点多发出一个请求的边际成本为零，而在方案外则是无限的。这两种经济模式青睐相反的流量策略：按量计费鼓励让昂贵模型避开大多数请求，而固定费用则鼓励在已经付费后尽可能多地把请求推给它。

这意味着，实际架构是一条逐级升级的阶梯，而不是一次模型选择。可调用的检查点以你可以预测的速率处理大部分流量。订阅检查点吸收其中据称长期行为存在差异的那一部分——前提是你有一个能够容纳该流量的方案，并且前提是 44 分的 JobBench 说法能经受住你自己的测量。需要最先构建的正是测量本身，因为 4 分的公开差距和 44 分的厂商差距不可能同时成立，而你的工作负载是唯一能判定这一点的工具。

关于其余模型的这两点情况，让这条阶梯搭起来比听起来更省。第一，所有这些模型都按同一种方式计费——推理 token 属于输出 token，每百万 $20，而投入档位从 minimal 一直到 max，默认是 medium，所以你选的设置比换掉的模型标识符更影响账单。第二，这次发布所引出的对比组合本就已可路由：Claude Opus 5.5输入 $4.00、输出 $20.00，Meta 自家的 Muse Spark 1.2则为 $1.25 和 $4.25，二者均按厂商标价上架 OrcaRouter，与 另外 200 多个模型一同置于同一个兼容 OpenAI 的 API 之后。标价按 0% 加价原样透传，因此无论换成哪个模型，这条阶梯的算术都不会变。

Muse Wonder 和 Muse Wonder Full 都不是我们的路由。目录里没有 meta/muse-wonder 或 meta/muse-wonder-full 这一条目，Muse Wonder Full 无论以何种价格都无法在 Meta 的订阅渠道之外获得，我们也不会把这两者中的任何一个说成是我们的路由。对于这一特定决策，路由器所贡献的是故障转移与回退：那条本应极少被触发的升级层级，恰恰是提供商出现小故障时最难以容忍、也最不易被察觉的一层，而自动故障转移再加上一种能够把升级过程表达为配置而非应用代码的路由 DSL，正是防止一条鲜少使用的路径演变成服务中断的关键。

值得铭记的版本

如果你从这次发布中只得到一个结论——Muse Wonder Full 的评分高于 Muse Wonder——那你拿到的是其中最不具可操作性的部分。两者在唯一一个同时测量了二者的独立榜单上相差 4 分，在一个套件上相差厂商报告的 44 分，在另一个套件上则相差厂商报告的 41 分、且对其不利；而在接入方式上，二者存在一个硬性的二元差别：一个是今天就能调用的 API，每百万 4.00 美元和 20.00 美元；另一个是按月方案，没有按 token 计费的价格，也无法通过 SDK 接入。

正确的做法是：把这四个百分点当作证据，说明它们在能力上属于同一梯队；把访问权限上的差异当作证据，说明它们并非彼此的替代品。要以可调用的检查点为基准来构建，搭建能测出你自己差距的测量框架，并把订阅视为一种升级开关——只有当测量结果证明其合理时才开启，而不是因为综合分数更高就购买的升级。当一家供应商在单次发布中就公布出 44 个百分点的差距时，有用的问题并不是该以哪个检查点作为统一标准。而是哪个数字在与你自己的评估集接触后仍然站得住脚，而只有当你已经把它构建出来，这个问题才有答案。