Muse Wonder 与 Reflection Beam：一个是价目表，另一个是承诺

相隔七天，方向却截然相反。M​eta 于 Muse Wonder2026 年 10 月 12 日全面开放，登陆 Meta 模型 API 并在 Muse Code 内上线，价格为每百万输入 token 4.00 美元、每百万输出 token 20.00 美元，上下文窗口为 1,048,576 个 token，且无需任何形式的下载。Reflection 于 Reflection Beam2026 年 10 月 5 日宣布了 —— 一款稀疏混合专家模型，总参数量 5010 亿，每个 token 激活 230 亿参数 —— 权重承诺以 Apache 2.0 许可发布，预览版以候补名单形式提供、需先注册，且在公司自有渠道上均未公布任何价格。

这意味着，对这场较量最诚实的描述并不是模型对模型，而是价目表对承诺。其中一个，你今天下午就能调用，却永远无法拥有；另一个，你最终或许能拥有，但今天完全无法调用。如果你正在为一个本季度就要交付的工作负载挑选默认选项，那么这一区别所能决定的东西，比任何一条基准测试结果都多；而且值得明确的是，这一区别的两边都不是对另一家实验室的贬损。

七天，两个旅行方向

Muse Wonder 作为一款成品商业产品推出，其背后的公开文档却异常单薄。该模型可调用，价格已列出，参数面已一一枚举——一条从 minimal 到 max、默认 medium 的推理强度阶梯，输出上限为 943,718 tokens，每个推理 token 都按输出费率计费——而第二个检查点，Muse Wonder Full，在同一场发布中推出，得分更高，但仅限 Muse Code 订阅内提供，完全不按 token 单独出售。Meta 没有交付的，是任何可供下载的东西。没有发布模型卡，没有检查点，没有许可授权。

Reflection 则反其道而行之。Beam 的发布帖是一则研究公告，附带了一项服务承诺：基准测试表格；一份预训练说明，其中点出 6,144 套 GB300 NVL72 系统，以及一次为期四周、处理 23.8 万亿 token 的运行；一个强化学习阶段，使用 10,500 块 GB300，包含超过 1 亿次 rollout 和约 13 亿个沙箱；还有一项明确的许可证承诺——用该公司自己的话说，权重、技术报告、模型卡和开发者资料将于本月晚些时候以 Apache 2.0 许可跟进发布。而 10 月 5 日没有交付的，是价格、服务上下文窗口、最大输出数值，或者一个文件。

两个实验室，一周之内，而在它们之间，是2026年“发布”一词可能意味着的整个光谱。

每一个实际发布的内容是什么

以下每一个数字都出自供应商自己，而在数字不存在的地方，这本身就是发现。

• 可调用性 — Muse Wonder 自 2026-10-12 起已在 Meta Model API 上以 muse-wonder-1.0 的名称全面可用，并在 Muse Code 内也可使用；Reflection Beam 的预览版采用候补名单机制，面向“有限的一部分用户”，且不提供自助接入途径

• 价格 — Muse Wonder 每百万 token 输入 $4.00 / 缓存输入 $0.20 / 输出 $20.00，已公布；Reflection Beam 未在 Reflection 自家的任何平台公布，因此你看到的任何与之关联的美元金额都是估算，而不是标价

• 上下文——Muse Wonder 1,048,576 个 token；Reflection Beam 的 API 文档列出了 256,000 个 token 的服务上限，并附有脚注警告该数字在 beta 期间可能变化，而发布帖文另外指出，中期训练将模型的 有效上下文扩展到 1M 个 token。这些分别是训练侧能力与服务侧限制，并不矛盾——但其中只有一个数字可以拿来作为构建依据

• 最大输出 — Muse Wonder 943,718 tokens；Reflection Beam 未发布

• 模态 — Muse Wonder 接受文本、图像、语音、视频和文件，并返回文本；Reflection Beam 是文本输入、文本输出

• 权重 — Muse Wonder 无，也未公布；Reflection Beam 承诺采用 Apache 2.0，但截至今日尚未发布

• 独立评分——Muse Wonder 在 Artificial Analysis 的 Intelligence Index 上得分为 52，在 219 个中排名第 9；Reflection Beam 在该榜单上，以及在我们能找到的任何其他独立评估机构那里，都没有任何条目

• {{1}}架构{{/1}} — {{2}}Muse Wonder{{/2}}未披露；{{3}}Reflection Beam{{/3}} 501B 总量 / 23B 激活，声称比例约为 4.6%

那份清单中的不对称本身就说明了一切。Muse Wonder 有价格、有目标，却没有交付物。Reflection Beam 承诺了交付物，却既没有价格，也没有目标。

效率主张才是应该保持距离的那一个。

Reflection最有趣的论断并非基准分数。它指出，Beam 将编程与智能体能力同“高效推理”相结合，在高级推理基准上取得与 GLM-5.2 相当的成绩，同时使用的推理计算量少 3–4 倍，而且面对 Qwen 3.8-Max 等 2T+ 参数规模的模型时，差距还会进一步拉大。支撑这一论断的图表是厂商图表，采用厂商自家的坐标轴，且尚未被复现——但其背后的算术并不稀奇。推理 FLOPs 大致按激活参数量的两倍乘以生成的 token 数量来缩放，因此，一个 23B 激活参数的模型如果在某项任务上生成相当水平的输出，其单任务成本确实低于 40B 或 100B 激活参数的模型。架构本身就是论据，而在架构层面，Beam 的论证是自洽的。

缺失的是分母。每任务计算量是一个比率，而已发布材料只给出了其中的参数侧，token 侧则完全没有。Reflection 未公布其任何基准运行的输出 token 数。没有冗长度数据，没有每任务 token 量的测量，也没有独立运行。

Muse Wonder 则恰恰相反，它正好拥有那个数字，而且走向完全相反。Artificial Analysis 在 Intelligence Index 评估中测得 Muse Wonder（max）消耗了 1.3 亿输出 token，而同类模型的中位数为 8500 万，且每个索引任务约花费 4.52 美元。评估者给这种行为贴的标签是“略显啰嗦”。Muse Wonder 是一款前沿价格的前沿模型，它用输出 token 为自己的分数买单，因为推理 token 按输出费率计费——这是 Meta 自家定价文档中最关键的一行。

所以这两家实验室正在下相反的赌注，而双方都没有公布能一锤定音的数字。M​eta 有可测量的冗长程度，却没有披露参数量，所以你无法计算它每 token 的 FLOPs。Reflection 披露了参数量，却没有测量冗长程度，所以你无法计算它每任务的 token 数。任何告诉你 Beam 的运行成本比 Muse Wonder 便宜三到四倍的人，都是在拿一个参数比例去和一个根本不存在的 token 数作比较。

稀疏性换来的是推理成本的降低，而非能力的提升

501B 这个数字里还藏着第二个陷阱，而且因为数字太大，很容易掉进去。稀疏专家混合模型中的总参数量是一个存储和预训练指标，而不是每 token 的计算指标。Beam 每生成一个 token，只会触及它 5010 亿参数中的约 230 亿个。在那次调用中，另外 4780 亿个参数则闲置不用。Beam 并不是那种意义上的 5010 亿参数模型——即像同等规模的稠密模型那样；把它与 Muse Wonder 未披露的规模并列引用，会引来一种毫无意义的比较。

比例真正重要的地方在于部署。一个 BF16 的 501B 检查点大约有 1TB 量级的权重，而活跃参数量并不会缩小内存占用——只会缩小计算量。自行部署 Beam 意味着要么使用大型多 GPU 节点，要么进行重量化，而量化恰恰是那种只有权重存在之后才能评估的事情。这就是 Apache 2.0 发布是这里真正重要的事件、而非脚注的第二个原因：它把一个有前景的架构变成了可以在你自己的硬件上、以你自己的批大小、用你自己的提示词来衡量的东西。

Meta 在同一条轴上的立场则相反。Muse Wonder 的架构未公开，其部署方案完全依赖别人的 API。你无法将其量化，无法为受监管的工作负载在本地运行它，也无法对其进行微调。你只能按标价无限期地租用它。

在供应商数据与独立数据不一致的地方

这值得单列一小节，因为正是这条准则让对比的其余部分保持诚实。Meta 自家的评测框架给出Muse Wonder Full在其个人超级智能指数上 59.1 分，Muse Wonder 为 56 分。Artificial Analysis 用自己的那套指数评测 Muse Wonder（max），得到 52 分。同一模型家族，同一周，四点之差——而独立机构的数字更低。Muse Wonder Full 在独立榜单上拿到 56 分是实打实的成绩，在该类别 699 个模型中排名第 4，但它仍比 Meta 自家表格所暗示的低四分。这一切并不说明 Meta 的数字有错；厂商的评测框架本就是针对自家部署调校的，而且 Meta 也标注了这些数字出自自己。它真正说明的是，本文中唯一能相互对照的数字只有 Artificial Analysis 的那些，而这两个模型中恰恰只有一个有这类数据。

Reflection 的表格呈现的是同一问题的另一种版本。Beam 在 SWE-Bench Verified 上标为 80.9，在 Terminal-Bench v2.1 上为 80.1，在 DeepSWE v1.1 上为 44.4，全部由厂商报告，并且都与同页上针对 Inkling 和 Nemotron 3 Ultra 的对比并列。这三项中有两项 Muse Wonder 也有厂商给出的数字，而比较由两套不同评测框架产出的两组厂商数字，并不是一种比较。那只是列标题的巧合。

如果你这个月必须做出选择

这个决定归结为你更能容忍哪一种缺失。

• 本季度就要发布，而你需要可调用性、可预测的价格、1M token 的窗口以及 943,718 token 的输出预算——Muse Wonder 是两者中唯一如今已作为服务存在的那一个，选择不言自明

• 本季度就要上线，而 Muse Wonder 每百万 20 美元的输出费率，面对 1.3 亿 token 的评估配置，已经超出了你的预算——有用的做法是采用努力阶梯，而不是换一个模型。在 Muse Wonder 上，推理是强制性的，但努力阶梯从最低到最高，并且每个推理 token 都按输出计费；以最低等级运行提取和分类，把高或最高留给值得的调用，才是撬动账单的杠杆

• 受监管、气隙隔离或本地部署的要求——如今两个模型都解决不了。Muse Wonder 永远无法满足它。Beam 或许可以，在一个月后，在宽松许可证下，但要付出你尚未衡量的内存成本

• 研究或微调计划——等待权重。不要在你无法下载的 501B 架构上启动项目

• 基于你自己的工作负载进行基准测试——Muse Wonder 本周就能测量，而 Beam 完全无法测量。你评估表格中的每个 Beam 数字目前都只是一个没有分母的厂商说法

我们路由什么，不路由什么

说白了：这两个模型都不在 OrcaRouter 的目录里。没有 meta/muse-wonder 条目，也没有任何形式的 Reflection 条目，我们不会呈现一条并不存在的路由。我们从 Meta Superintelligence Labs 带来的，是 Muse Spark 系列——Muse Spark 1.2 和 Muse Spark 1.1——这是如今团队能通过我们调用到的、最接近 Meta 推理系列的模型，而且每 token 的成本大约只有 Muse Wonder 的五分之一。在这场对比所参照定价的模型中，Claude Opus 5.5 按 Anthropic 自己的价格列在我们的清单上，DeepSeek V4 Pro 也在其中，价格仅为前者的一小部分。

这种坦诚有一个实际后果，而像这样的比较把它揭示得格外清楚。自动故障转移只会转移到我们实际路由的东西上，而没有端点的等待名单并不是回退方案。如果你对 Beam 的计划是“等预览结束时我们再测试”，那么在那之前有用的做法是保持一个可测量的主路由，并在其后保留第二条路由——这只是在某一个 O​penAI 兼容端点上做一次配置更改。OrcaRouter 以一个密钥、一份账单提供 200 多个模型，所以当 Beam 的权重落地、某个提供商开始提供它时，访问它只是配置文件里的一个 ID，而不是一次新的集成。

什么会改变答案，以及何时查看

三个事件，按它们对此的影响程度排序。

第一是权重发布。Reflection 已承诺采用 Apache 2.0，并表示相关产物将于本月晚些时候发布。正是这次发布，把一项 501B 的宣称变成可下载、可量化、可基准测试的东西，而且它恰好也是 Beam 出现在路由平台上的唯一途径。在它真正发生之前，Beam 只是一个带着引用的假设。

第二个是独立评估。对于 Beam 来说，Artificial Analysis 上的一行数据，比读多少厂商表格都更能判定这场对比，因为它能提供效率主张所缺失的每任务 token 数。关注那个排行榜，而不是发布博客。

第三点是 Muse Wonder 自身配置面的逐步稳定。其每任务 4.52 美元的数字，是在一个仅上线一天的模型上以最高推理强度测得的。随着团队在生产环境中使用推理强度阶梯中较低的档位，该模型的实际成本将会下降——而 Beam 必须超越的正是这个数字，而不是指数得分。

近期最可能的答案既不是一场完胜，也不是一场完败：现在就需要一个模型的团队会选用 Muse Wonder，而需要自己掌握权重的团队，最终拿到的是两者中它实际能下载的那一个。用这种方式来描述一场正面交锋很奇怪，但也很准确。