Muse Wonder 与 Claude Opus 5.5 的 SVG 生成对决：首次实测究竟说明了什么

Muse Wonder 于 2026 年 10 月 12 日正式全面可用——同一天，其评分更高的姊妹型号 Muse Wonder Full 也以订阅制形式推出——而它积累的对比页面已经比本博客报道过的几乎所有模型都多。但直到本周之前，它一直缺少一样东西：一项针对某个具体、可核查能力的已发布一手测试。10 月 12 日，X 账号 @scaling01 发布了一篇 Muse Wonder 与 Claude Opus 5.5 在 SVG 生成上的正面对决，其中有两个值得仔细阅读的发现：Muse Wonder Full“不错，甚至尝试 3D 生成”，而其输出风格“过于花哨”，并且“用力过猛”。

那是一个关于真实已发布模型的真实、具体且可证伪的说法，而且它来自一位自称亲自运行过这两个模型的人。同样，在撰写本文时，它也只是一个账号进行的、尚未被复现的单次运行，而该账号自己的帖子一开头就附有广告披露。这两件事同时为真，而本文要做的，是把它们放在一起看待，而不是二选一。

测试的条款，按其原本的陈述方式陈述

披露声明是这篇帖子的第一行，而不是脚注，这一点值得注意，因为这种格式并不常见。作者表示，Meta 免费提供了 Muse Wonder 的预览访问权限，而 Claude Opus 5.5 是他们自掏腰包支付的，测试和结论也都出自他们自己。与未披露的付费投放相比，这是一种实质上更弱的利益冲突状况——比较中的一方是免费获得的，另一方则不是，而且作者也说明了这一点。

关于该设定，有三件事未被给出，而其中每一件都制约着裁决所能支持的内容。

• 测试了哪个端点——Muse Wonder 和 Muse Wonder Full 作为两个独立的模型 ID 存在，并拥有两个不同的排行榜，而帖子在比较中提到了 Muse Wonder，却将 3D 生成的观察结果归因于 Muse Wonder Full

• 使用的是哪一档推理强度设置——Muse Wonder 的推理是强制性的，其推理强度从 minimal 到 max 呈阶梯式递增，默认值为 medium，且推理 token 按输出计费，因此该设置会同时改变成本和输出特征

• 运行了多少个提示词——没有提示词数量、没有提示词文本、没有种子、没有重新运行

其中第二点和第三点比它们看上去更重要。一个推理始终开启、且推理力度由用户设定的模型，在最低档与最高档下会生成明显不同的 SVG 输出，而关于风格的判断，恰恰是单次运行单个提示词就可能出错的那类判断。这不是对作者的批评——X 上的一篇短文不是论文，而且那份披露加上“测试和结论均为本人所做”的说明，比大多数发布日的对比文章所包含的透明度都要高。这只是对这篇文章能用来做什么、不能用来做什么的说明。

SVG 测试究竟测量的是什么

SVG 是一个特别适合动手做实操对比、却特别不适合随意粗略对比的目标，理解其中的原因，就能明白这一结论说明了什么、又没有说明什么。

SVG 是一种可确定性渲染的文本。这正是其优点：评审者可以把模型的原始输出粘贴到查看器中，直接查看，并准确看到模型生成了什么——没有图像生成流水线，没有扩散解码器上的采样种子，也不存在判定标准是图片还是文件的问题。如果模型输出了格式错误的标记，绘图会明显失败。如果它输出了 40 KB 的渐变定义，而 2 KB 的路径就足够，这是可衡量的。

糟糕之处在于，像“噱头十足”和“过度放纵”这样的风格评判，是整个领域里最难以拆分的主张。它们内部包含着两个彼此独立的判断：

• 工艺 — 模型生成的是有效、结构良好、可渲染的 SVG，还是需要先修复才能绘制出任何内容的产物？

• 克制——它是否只使用了请求所需的最少标记，还是因为渐变、滤镜、模糊、动画和内嵌栅格效果唾手可得，就随手用上了它们？

技艺近乎客观，可以由脚本打分。克制则是一种伪装成技术判断的品味判断，理性的评审者对此始终争论不休——一位想要作品集插画的设计师想要渐变，而一位想要图标表的工程师则不想要。所以，当评审者说某个模型过度铺陈时，有用的问题不是这是否属实，而是对哪项任务属实。这篇文章没有把这两种说法区分开来，而要一次性把它们区分清楚，确实很难。

比较性声明以及合规性声明

这篇帖子的框架把 Claude Opus 5.5 放在另一边，又把关于 3D 生成的观察放在 Muse Wonder Full 这一边，这就让一个只有两个名字的标题成了一场三方对比——这种结构上的别扭之处贯穿整个 Muse Wonder 发布。

在该轴上，对所有同类模型而言，有用的背景信息是相同的：Claude Opus 5.5并非全新模型。它于2026年9月22日发布，比Muse Wonder早约三周，其成本与能力特征已被充分描述。独立而言，在Artificial Analysis Intelligence Index上，Claude Opus 5.5（max）得分为58——在219个模型类别中得分最高——而Muse Wonder（max）得分为52，在219个中排名第九。Opus 5.5的标价为每百万输入token 4.00美元、每百万输出token 20.00美元；Muse Wonder的标价完全相同，也是4.00美元和20.00美元。情况的有趣之处在于，Opus 5.5实际上反而是更昂贵的模型，原因不在于其价目表，而在于它过于冗长：Artificial Analysis记录其在评估期间消耗约2.6亿输出token，而中位数为8500万，Muse Wonder约为1.3亿，换算下来，每个索引任务约为5.98美元，而后者约为4.52美元。这正是按token计量的评估器能够测量、而单个SVG提示无法测量的那种双数字比较。

SVG 测试补充的是一个该索引未覆盖的类别。结构化文本生成介于代码与插图之间，而没有任何排行榜对其打分——个人超级智能指数没有，JobBench 没有，Terminal-Bench 4.0-AA 没有，SWE-Marathon 也没有。如果读者的实际工作涉及生成干净的矢量文件，主流评分榜对他们的这个问题保持沉默——这恰恰是一场小型直接对比值得被链接的全部理由所在。

第二个主张真正关乎的是什么

“甚至尝试3D生成”是这一观察中更有意思的那一半，而且很容易被误读为一种能力声明。

在 SVG 语境中，这最有可能描述的是模型超越了平面的二维绘图，进入一种隐含的或局部的第三维度——等轴测构造、挤出形状、透视网格、堆叠的伪图层，或渲染成三维场景的生成标记。这与 3D 模型不是一回事。生成网格、扫描物体或可打印资产是完全不同的输出类型，而“3D 生成”这个说法在整个领域中被宽泛地使用，从 2.5D 插图到实际的几何文件都可能指代。没有提示词或文件，读者无法分辨这究竟是哪一种。

如果它指的是较宽松的含义，那么这个说法与风格方面的抱怨是一致的，而非与之相冲突。采用等轴测投影或堆叠图层，与采用渐变是同一种本能：比简报所要求的更多繁复机制。这两种说法可能是在描述同一种行为——一个把可用标记视为许可的模型——这比其中任何一半单独来看都更有用，而且也是第二位审阅者最有可能要么证实、要么推翻的版本。

不过，这里有一个值得点明的不对称之处。在两个检查点在发布数据中表现出差异的地方，这种分化是沿着结构而非打磨程度展开的。在 Meta 自己的基准表上，Muse Wonder Full 在 JobBench 上以大幅优势击败 API 模型（75.3 对 30.8），在 Vals Finance Agent V2 上也大幅领先（59.1 对 10.0）——但在 Harvey LAB-AA 上却以 41 分之差输给它，13.1 对 54.3。这些数字由厂商报告，产生于 Meta 的测试框架中，且未经复现。但它们描述的是一家训练了两种配置而非一种配置的实验室，而两个检查点之间在风格或克制程度上的差异，正是结构性分化会产生的那类结果。因此，评审者在写下“噱头十足”时看的是哪个检查点，并不是一个咬文嚼字的问题——那篇帖子把这两种观察放在了不同的模型上。

实际可以访问到这些模型的位置

对于任何想亲自进行这项对比、而不是盲目相信结论的人来说，实际问题在于每个模型存在于何处，而这些答案并不对称。

• Claude Opus 5.5 — 自 2026 年 9 月 22 日起正式可用，每百万输入 token 收费 4.00 美元、每百万输出 token 收费 20.00 美元，缓存读取费率为 0.20 美元，具备 100 万 token 的上下文窗口，以及包含“无思考”配置在内的思考预算

• Muse Wonder — 自 2026 年 10 月 12 日起全面可用，可在 Meta Model API 和 Muse Code 中使用，价格不变：输入 $4.00，输出 $20.00，上下文长度为 1,048,576 个 token，输出上限为 943,718 个 token

• Muse Wonder Full——同日发布，但不按 token 出售；只能通过 Muse Code 订阅获取，且没有公布按 token 计费的费率表，因此这里完全没有它的价格行

问题在于 Muse Wonder 的推理配置。它无法被关闭。effort 阶梯依次为 minimal、low、medium、high、xhigh 和 max，默认为 medium，并且推理 token 按输出计费。因此，除非评测者说明了该设置，否则任何与一个可以被要求不思考的模型进行的正面对比，都是在把一个受限配置与一个未受限配置作比较，而这篇帖子并没有说明。这是复现中影响最大的单一差距，比缺失的提示词数量更重要。

如何在一个下午内复现它

这个测试之所以值得扩展而不是弃之不理，是因为扩展它的成本很低。一个有价值的版本需要四样原版没有提供的东西：一组固定的提示词，大约十几个矢量任务，涵盖图标、图示、插画和图表；对推理力度设置的说明；与渲染结果一同保留的原始 SVG 文件；以及一轮评分，把技艺与克制分开评判，而不是混为一谈。十二个提示词、两种推理力度设置、两个模型，就是 48 次运行——对照这些价目表，不过几美元的输出 token，却能得到一个比任何发布日的印象都真正更有用的产物。

这也是路由器能够回本的情形，而单纯比价做不到这一点。Claude Opus 5.5 在 OrcaRouter 上以 Anthropic 自己的标价提供服务——每百万输入 token 4.00 美元，每百万输出 20.00 美元，每百万缓存读取 0.20 美元——并采用适用于整个目录的零加价直通机制，因此供应商的价格变动在它们那边生效的同一天，也会落到我们这边。供应商标价原样直通；路由层不会额外加价。跨两个模型用十几条提示词跑一轮，只需要一个密钥和一个端点，而不是两个账户、两套 SDK 集成和两段计费关系；如果你在测试的是像昨天刚发布的模型这样未经证实的东西，自动故障转移意味着某个供应商被限流或服务降级，也不会把整个运行拖垮。

明确说明一下我们没有什么：我们的目录中并不存在 meta/muse-wonder 或 meta/muse-wonder-full 条目。这两个检查点我们都没有接入路由，也不会把它当作已接入来加以描述。我们确实从同一家实验室提供的是 Muse Spark 系列——Muse Spark 1.2 的价格为每百万输入 1.25 美元、每百万输出 4.25 美元，其上下文窗口与旗舰模型相同，价格却只是后者的一小部分；如果你想通过和其他一切相同的密钥来使用 Meta 的推理系列，它就是该选用的模型。把 Muse Wonder 加入批量测试目前等于再开一个账户；而把 Muse Spark 1.2 加入，只是同一份配置里多一行而已。

该关注什么，以及什么能一锤定音

三件事会让这从有趣的印象转变为证据。

• 一位品味不同的第二位评审者得出相同的克制结论——能经受评审者更换的风格判断关乎模型；不能的则关乎评审者

• Muse Wonder Full 正变得可按 token 访问——3D 生成观察中点名的那个模型，正是没有价目表的那个，因此，任何想核实该说法那一半的人，若不按月订阅一个编码代理，都买不到对它的访问权限

• 任何独立计分板若新增一项矢量或结构化图形任务——这个测试所陷入的缺口，不在于没人运行过它，而在于没有哪个计分板为它打分，因此某个人的一个下午目前就是全部记录

诚实的总结是：这是一个真实的发现，但也伴有一个真实的局限。一位披露了付费获得的预览访问权限、自己掏钱购买了另一方、并发表了具体负面评判的评测者，所做的已经比一篇发布回顾更多；而一个会“尝试”未被要求之事的模型，是一个关于克制、而非关于能力的说法，而克制正是下一位评测者最容易看法不同的东西。如果你今天要在 Claude Opus 5.5 和 Muse Wonder 之间为向量输出做选择，那么独立指数的差距是六分，token 量的差距是二比一，对 Muse Wonder 有利；风格评判只是一个人花了一个下午得出的，应被视为假设，而不是结果。