Meta 表示，Muse Wonder Full 在持續性代理工作上勝過 Opus 5.5。Meta 自家的表格卻顯示出更狹隘的結果。

Muse Wonder Full 是 Meta Superintelligence Labs 於 2026 年 10 月 12 日宣布的得分較高檢查點，而 Muse Wonder 是同一篇貼文中推出的可呼叫同系列模型。兩者都出現在 Meta 自家的評估表中，緊鄰 Claude Opus 5.5、GPT-6 Astra 與 Claude Fable 5.1；而從那張表流傳最遠的主張——Muse Wonder Full 在數項持續型代理工作測試中擊敗領先的前沿模型，並且在 DeepSWE 上勝過所有其他模型，包括 Claude Opus 5.5——卻無法在 Meta 自己公布的數字下重現。這個落差才是故事所在，而且比那項主張更有用。

該主張所說的內容，以及該表格所說的內容

廣為流傳的摘要特別提到兩個數字：Muse Wonder Full 的 SWE-Marathon 得分為 57.5%，而某個 Claude 模型為 46.3%；以及一項 DeepSWE 結果顯示 Muse Wonder Full 領先該領域所有其他模型。Meta 公布的資料列在這兩項上讀起來有所不同。

• SWE-Marathon — Meta 列出 Muse Wonder Full 為 79.0、Muse Wonder 為 78.8、GPT-6 Astra 為 74.1、Claude Opus 5.5 為 74.2，以及 Claude Fable 5.1 為 67.4。這一列中任何地方都沒有 57.5，也沒有 46.3，而領先 Claude Opus 5.5 的幅度是 4.8 分，不是 11.2。

• DeepSWE 1.1 — Meta 將 GPT-6 Astra 列為 59.1、Claude Opus 5.5 列為 59.6，兩者皆高於 57.1 的 Muse Wonder Full 與 52.0 的 Muse Wonder，而 Muse Wonder 與 Claude Fable 5.1 同分並列。在 Meta 自家的表格中，Muse Wonder Full 於這一列排名第三，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。這對 Meta 組合是貨真價實的領先，而且可呼叫的檢查點略勝訂閱版一籌。

• JobBench，長時程專業任務 — 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。同一實驗室的兩個檢查點之間出現 44 分的差距，這要麼是訓練目標上的真實分歧，要麼是評估框架造成的假象。

• 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。又一個巨大的內部差距，而且方向在 Meta 的各列之間並不一致。

那些數字每一個都是由廠商自行回報，都是在 Meta 自家的評測框架中、以最高推理強度產生的，而且沒有一項經過獨立重現。這並不是否定這張表格的理由。這正是為什麼，對於任何從這張表流傳出去的數字，第一個該問的問題都應該是：它是由哪個評測框架產生的。

57.5 與 46.3 並不在考慮範圍內。

有兩種可能性符合實際可驗證的內容。要嘛這份摘要是引用了一項不同的評估——名稱不同的測試套件、不同的推理強度設定、是通過率而非指標分數，或是在 Meta 外部執行的測試框架——要嘛這些數字有誤。Meta 已發布的資料中，沒有任何內容能證實其中任何一種情況，而本文不會斷言 Muse Wonder Full 在 SWE-Marathon 上得分 57.5%，畢竟供應商自己的那一列寫的是 79.0。

正確的回應是程序性的，而非修辭性的。基準名稱不是規格。SWE-Marathon 以最大努力，分別在 200 步預算、500 步預算以及一個實際時間上限下執行，對同一個模型會產生三個不同的數字，任何長跨度測試套件也是如此。當一個分數出現時，若沒有附帶測試框架、努力設定與步驟預算，它就只是未知曲線上的一個點。在你依據這個數字規劃容量之前，先要求提供測試框架。

更正後的主張範圍更窄，但仍值得關注：在 Meta 自家的長時程列上，Muse Wonder Full 在表中領先 Claude 與 GPT 模型，領先幅度從 SWE-Marathon 的 4.8 分到 JobBench 的 44 分不等，並在 DeepSWE 1.1 與 Harvey LAB-AA 上輸給它們。這是站得住腳的說法。那個聲稱它在所有項目都勝出的版本則站不住腳。

兩者中哪一個是你實際上能到達的

這項主張還有第二個更棘手的問題，而且它完全與分數無關。那個擁有亮眼數字的檢查點，並不是按 token 出售的。

• 各自在哪裡運行——muse-wonder-1.0 會在 Meta Model API 上以及 Muse Code（該公司的終端機程式設計代理）內提供回答。muse-wonder-full-1.0 則被 Meta 描述為僅限 Muse Code 訂閱使用。

• Full 的成本是多少——Meta 公布的方案為 Power Usage 每月 50 美元、Maximum Usage 每月 200 美元。沒有按用量計費的途徑，沒有可購買的每 token 費率，也沒有辦法讓 SDK 指向分數較高的檢查點。

• 不適用於它的費率卡——Meta 為該系列公布每百萬個輸入 token 為 4.00 美元、快取輸入為 0.20 美元，以及每百萬個輸出 token 為 20.00 美元。這些費率描述的是一條存在於 Muse Wonder、但不存在於 Muse Wonder Full 的路徑。

• 上下文與輸出 — 兩者皆為 1,048,576 個輸入 token，而可呼叫檢查點的單次回應輸出預算上限為 943,718 個 token。

• 輸入介面——文字、圖像、語音與影片輸入；文字輸出。影片與語音無須先經過轉錄步驟即可輸入，是最有可能改變架構的能力差異。

所以，一個團隊讀了發布宣稱，再對照自身的採購選項時，其實是在比較兩種不同的東西：一個是今天就能呼叫、價格為 $4.00 和 $20.00 的 API，另一個是其存取權取決於每月採購決策的檢查點。任何把這兩者混在一起的評估，都不是模型比較。

獨立測量涵蓋什麼？

Artificial Analysis 已量測了可觸及的那一半。Muse Wonder (max) 的 Intelligence Index 為 52，在 219 個模型中排名第九，輸入每百萬 token 為 $4.00、輸出為 $20.00，並享有 95% 的快取折扣，換算下來每個索引任務約為 $4.52——是所量測的兩個前沿檢查點中，每任務成本較低的一個。其模型卡記錄顯示，評估期間消耗了約 1.3 億個輸出 token，而中位數為 8,500 萬；另載明 1M 上下文視窗，以及文字、圖像、語音與視訊輸入對應文字輸出。

Muse Wonder Full (max) 在同一個指數上讀數為 56，在 699 個中排名第四，未公布價格，因為沒有可據以標準化的每 token 費率。Meta 在其自家表格中，將同一個檢查點列於 Artificial Analysis Index 的 59.0。同一個具名指數上出現三點分歧，孤立來看是小事，整體來看卻有釐清作用：廠商數字描述的是行進方向，56 描述的則是一項測量。

獨立排行榜也能告訴你廠商表格無法說明的事。Muse Wonder Full 得分 56，Muse Wonder 得分 52——在公開評測框架上相差四分，對比 Meta 從自家測試回報的 44 分 JobBench 差距。這兩種評測工具中，其中一種正在衡量另一種沒有衡量的東西。

升級實際上要付出什麼代價

Muse Wonder 的定價並非價值定位。輸入 $4.00、輸出 $20.00，與 Claude Opus 5.5 的標價相同，且是目前開放權重推理模型收費的數倍。在相同費率下，兩者的差別在於各自完成一項任務會耗費多少 token，而在這一點上，Muse Wonder 是兩者中較精簡的一方：在相同的評估框架下，約 1.3 億個輸出 token，對比 Claude Opus 5.5 的約 2.6 億個，這也是為什麼獨立的每任務成本數字分別落在約 $4.52 與 $5.98。

那個成本的槓桿是努力階梯，而不是模式切換。推理是強制性的，階梯從最低到最高，預設為中等，而推理 token 會以每百萬 $20 的價格按輸出 token 計費。對於高流量而言，沒有非思考路徑可以退回。結合 943,718 個 token 的輸出上限，努力設定是整合裡唯一決定這個模型在你的工作負載上是否划算的那一行。

而究竟該不該採用 Full 檢查點，其理據比發布時的說法所暗示的更薄弱，因為在 Artificial Analysis 上，兩個檢查點之間的四個獨立數據點，落在單次評估執行的雜訊帶之內。在廠商表格上真正區隔兩者的，是那些長時程、具狀態、工具使用密集的列——而這些正是 Meta 以外無人重現過的列。

路由器在此如何贏得一席之地

Muse Wonder 不在 OrcaRouter 上。我們的目錄中沒有 meta/muse-wonder 這個項目，我們也不會把它描述成好像有這個項目一樣；它是在 Meta 自家的 API 和 Muse Code 上運行，而 Muse Wonder Full 唯有在 Muse Code 訂閱之下才能運行，別無他處。

這次發布所帶來的路由問題，其實是一個量測問題。一旦比較中的其中一個模型必須訂閱才能使用，而另一個是按 token 計量，那麼要比較自家工作負載在兩者上的表現，唯一的方法就是用你自己的測試框架跑同樣的任務，並且計算 token 數，而不是看通過率。這正是單一端點所針對的工作形態。OrcaRouter 把 超過 200 個模型放在同一個 OpenAI 相容 API 之後，而這次發布邀請你拿來衡量對照的模型——Claude Opus 5.5，輸入 $4.00、輸出 $20.00，Meta 自家的 Muse Spark 1.2，分別是 $1.25 與 $4.25——都已經在平台上，採用各家廠商自己的定價，我們這邊沒有任何加價。供應商的定價原樣傳遞，因此廠商調價一落地，我們當天就會收到。

這個系列還有第二種用途。Meta 在五個月內至少推出了三個接近前沿的模型——八月的 Muse Spark 1.2、九月的 Muse Spark 1.3、十月的 Muse Wonder 系列——而且每個模型推出時都附帶廠商排行榜和強制推理成本模型。針對你能取得的任一模型執行一組固定評估集，並且只更換模型識別碼，而不是替換整套技術堆疊，是避免同一堂課重新學三次的最便宜方法。

上市宣稱未能釐清的事

• Muse Wonder Full 最終是否會有 API 途徑。分數較高的檢查點被鎖在每月訂閱之後，這使得能否取用它成為一項購買決策，而非工程決策。Meta 尚未表示會將其開放。

• 是哪個測試框架產生了 57.5 和 46.3。在這一點獲得解答之前，這次發布中最常被引用的兩個數字，無法與 Meta 自家的資料列一起放在同一條曲線上，也不應被引述得彷彿它們可以。

• 同一實驗室兩個檢查點之間那 44 分的 JobBench 差距，能否在獨立執行後依然成立。這種幅度的差距，要麼是真正分成兩種設定檔，要麼是測試框架造成的假象，而只有第三方才能斷定是哪一種。

• Active Memory 與 Active Focus 在生產環境中是否站得住腳。Meta 描述了跨工作階段的持久狀態，以及對長時間任務的自我管理注意力。兩者都未在模型卡上展示，而且兩者都得靠數週的生產流量來驗證，而非一篇發布貼文。

這個系列是真實存在且已推出，而可呼叫的端點也已上線。發表時的主張弄錯的是計分板，不是模型。如今站得住腳的立場是那個狹隘的立場：在 Meta 自家的長時程列上，Muse Wonder 這對組合在某些套件中於表格裡領先 Claude 和 GPT 模型，在另一些套件中則落後；數字較大的那個 checkpoint 是你無法呼叫的那一個，而發表公告中最常被引用的兩個數字，根本完全沒有出現在廠商自己的表格上。