Muse Wonder vs Reflection Beam：一個是價目表，另一個是承諾

相隔七天，來自相反方向。Meta 於 2026 年 10 月 12 日將 Muse Wonder正式開放使用，登上 Meta Model API 並內建於 Muse Code，價格為每百萬輸入 token 4.00 美元、每百萬輸出 token 20.00 美元，具備 1,048,576 個 token 的上下文視窗，且無需任何形式的下載。Reflection 則於 2026 年 10 月 5 日宣布Reflection Beam——一款稀疏混合專家模型，總參數達 5,010 億，每個 token 啟用 230 億參數——權重承諾以 Apache 2.0 釋出，採需註冊候補名單的預覽形式，且該公司自家任何平台上皆未公布價格。

這意味著，對這場較量最誠實的定位，並不是模型對模型，而是價目表對承諾。其中一個，你今天下午就能呼叫，卻永遠不會擁有；另一個，你最終或許會擁有，今天卻完全無法呼叫。如果你正在為這一季要出貨的工作負載挑選預設方案，這個區別所能定奪的，比任何基準測試分數都更多；而且值得明講的是，這其中的任何一邊，都不是在貶低另一家實驗室。

七天，兩個旅行方向

Muse Wonder 以一款完工的商業產品之姿登場，其底下的公開文件卻異常單薄。模型可供呼叫，價格已列出，參數介面也逐一列明——一條從 minimal 到 max 的推理強度階梯，預設為 medium，輸出上限為 943,718 個 token，每個推理 token 都按輸出費率計費——以及第二個檢查點，Muse Wonder Full在同一波發布中推出，分數更高，但僅限於 Muse Code 訂閱內提供，完全不以按 token 計價的方式販售。Meta 並未發布的，是任何可下載的東西。沒有模型卡發布，沒有檢查點，沒有授權許可。

Reflection 則反其道而行。Beam 的發布文章是一則研究公告，並附帶一項服務承諾：基準測試表、一份預訓練說明（點名 6,144 套 GB300 NVL72 系統，以及為期四週、涵蓋 23.8 兆詞元的運行）、一個在 10,500 台 GB300 上進行的強化學習階段（包含超過 1 億次 rollout 與約 13 億個沙箱），還有一項具體的授權承諾——權重、技術報告、模型卡與開發者產物將在本月稍後依 Apache 2.0 釋出，這是該公司自己的說法。十月五日沒有發布的，是價格、服務上下文視窗、最大輸出數字，或檔案。

兩個實驗室，一週之內，而在它們之間，是「發布」在 2026 年所能代表的完整光譜。

每一個實際上發布了什麼

以下每個數字均出自廠商本身，而當某個數字不存在時，那本身就是一項發現。

• 可呼叫性 — Muse Wonder 自 2026-10-12 起已在 Meta Model API 上以 muse-wonder-1.0 提供，並可在 Muse Code 內使用；Reflection Beam 的預覽是針對「有限的一組使用者」的候補名單，且沒有自助加入的途徑

• 價格 — Muse Wonder 每百萬個 token 為 $4.00 輸入 / $0.20 快取輸入 / $20.00 輸出，已公佈；Reflection Beam 未曾在 Reflection 自家任何平台上公佈，因此你看到的任何與其相關的美元數字都只是估算，而非定價表上的價格

• 上下文 — Muse Wonder 1,048,576 個 token；Reflection Beam 的 API 文件列出 256,000 個 token 的服務上限，並附有註腳警告該數字在 beta 期間可能變動，而發布貼文則另外表示，中期訓練會將模型的 有效上下文擴展至 1M 個 token。這些是訓練端能力與服務端限制，並非矛盾——但只有其中一個是你能據以建置的數字

• 最大輸出 — Muse Wonder 943,718 個詞元；Reflection Beam 尚未發布

• 模態 — Muse Wonder 接受文字、圖像、語音、影片和檔案，並回傳文字；Reflection Beam 則是文字輸入、文字輸出

• 權重 — Muse Wonder 無，且未宣布任何；Reflection Beam 承諾採 Apache 2.0，但至今尚未發布

• 獨立評分 — Muse Wonder 在 Artificial Analysis 的 Intelligence Index 上獲得 52 分，於 219 個項目中排名第 9；Reflection Beam 在該榜單上，或我們能找到的任何其他獨立評測機構中，都沒有任何條目。

• 架構 — Muse Wonder 未公開；Reflection Beam 總計 501B／活躍 23B，宣稱比例約 4.6%

那份清單中的不對稱正是整件事的關鍵。Muse Wonder 有價格和目標，卻沒有產出物。Reflection Beam 則有承諾的產出物，卻既沒有價格，也沒有目標。

效率這個說法才是應該保持距離的那一個。

Reflection 最有趣的宣稱並非某個基準測試分數。而是 Beam 將程式編寫與代理能力，搭配「極高效率的推理」，在先進推理基準上取得與 GLM-5.2 相當的分數，同時使用的推論運算量少 3–4 倍，而且面對 2T+ 參數級別的模型（例如 Qwen 3.8-Max）時，差距還會擴大。這項宣稱背後的圖表是廠商圖表，採用廠商自己的座標軸，且未經重現——但其背後的算術並不複雜。推論 FLOPs 大致上按作用中參數數量的兩倍乘以生成的詞元數量來縮放，因此一個 23B 作用中參數、能為某項任務產生相當輸出的模型，每項任務的成本確實低於 40B 或 100B 作用中參數的模型。架構就是論點，而在架構上，Beam 的論證是連貫的。

缺少的是分母。每項任務的運算量是一個比率，而已發布的資料只給了我們它的參數那一側，對於 token 那一側則完全沒有著墨。Reflection 並未公布其任何基準測試執行的輸出 token 數量。沒有冗長度數值，沒有每項任務 token 數的測量，也沒有獨立執行。

相較之下，Muse Wonder 正好就是這個數字，而且方向恰恰相反。Artificial Analysis 在 Intelligence Index 評估期間測得，Muse Wonder（max）消耗了 1.3 億個輸出 token，而同類模型的中位數為 8,500 萬，且每項 index 任務的成本約為 4.52 美元。評估者對這種行為的標註是「略嫌冗長」。Muse Wonder 是前沿模型、前沿價格，而它是以輸出 token 換來自己的分數，因為推理 token 按輸出費率計費——這正是 Meta 自家定價文件中影響最為深遠的一行。

所以這兩個實驗室正在下相反的賭注，而雙方都沒有公布能讓這件事定案的數字。Meta 有可量測的冗長程度，卻沒有公開的參數量，所以你無法計算它每個 token 的 FLOPs。Reflection 有公開的參數量，卻沒有量測出的冗長程度，所以你無法計算它每項任務的 token 數。任何人要是告訴你 Beam 的執行成本比 Muse Wonder 便宜三到四倍，那都是在拿一個參數比例，去跟一個根本不存在的 token 數量相比。

稀疏性換來的是推論成本，而非能力

501B 這個數字裡還藏著第二個陷阱，而且因為數字如此龐大，很容易就一腳踩進去。稀疏混合專家模型的總參數量，是儲存與預訓練的統計數字，不是每個詞元的運算統計數字。Beam 每生成一個詞元，只會動用其 5010 億個參數中的約 230 億個。其餘 4780 億個在這次呼叫中閒置一旁。Beam 並不是「5010 億參數」意義下的模型——不像同規模的稠密模型那樣——而把它與 Muse Wonder 未公開的規模並列，只會引來毫無意義的比較。

這個比例真正有影響的地方在於部署。BF16 的 501B 檢查點，其權重規模約為 1 TB，而活躍參數數量並不會縮小記憶體佔用量——只會影響運算量。自己架設 Beam 服務，意味著不是需要大型多 GPU 節點，就是需要重度量化；而量化正是那種唯有權重存在後才能評估的東西。這就是 Apache 2.0 發布為何是這裡真正重要的事件、而非一則註腳的第二個理由：它把一個有前景的架構，變成你可以在自己的硬體上、用自己的批次大小、用自己的提示詞來衡量的東西。

Meta 在同一軸線上的立場正好相反。Muse Wonder 的架構未公開，其部署方式完全仰賴他人的 API。你無法將它量化，無法為受監管的工作負載在地端執行它，也無法對它進行微調。你只能依表定費率無限期租用它。

在廠商數據與獨立數據不一致的地方

這值得用一小節來談，因為正是這項要求讓整篇比較的其餘部分保持誠實。Meta 自家的測試框架把Muse Wonder Full放在自家的 Personal Superintelligence Index 上得到 59.1，而 Muse Wonder 是 56。Artificial Analysis 以自家指數測試 Muse Wonder（max），得到 52。同一個模型家族、同一週，卻有四分以上的差距——而獨立的那個數字還更低。Muse Wonder Full 在獨立榜單上拿到 56 是真實的結果，在該類別的 699 個模型中排名第 4，卻仍比 Meta 自家表格所暗示的低了四分。這一切並不代表 Meta 的數字有錯；廠商自家的測試框架本就是為自家的部署調校的，而 Meta 也標明那些數字是自家數據。這只意味著，本文中唯一能相互對照的數字只有 Artificial Analysis 的那一組，而這組數字只涵蓋這兩個模型中的其中一個。

Reflection 的表格呈現的是同一個問題的另一種版本。Beam 在 SWE-Bench Verified 上列為 80.9，在 Terminal-Bench v2.1 上為 80.1，在 DeepSWE v1.1 上為 44.4，全部都是廠商自行回報的數字，且全都與對比 Inkling 和 Nemotron 3 Ultra 的內容並列在同一頁。這三者中有兩項，Muse Wonder 也有廠商提供的數字，而比較兩組由不同測試框架產生的廠商數字，並不算是比較。那只是欄位標題的巧合。

如果你這個月必須做選擇

這個決定歸根結底在於你能容忍哪個東西的缺失。

• 本季就要出貨，而你需要可呼叫性、可預測的價格、100 萬 token 的視窗，以及 943,718 token 的輸出預算——Muse Wonder 是兩者中唯一一個今日已以服務形式存在的，選擇不言自明

本季就要出貨，而 Muse Wonder 每百萬 $20 的輸出費率，對上 1.3 億 token 的評估用量概況，已經超出你的預算——有用的做法是調整努力程度階梯，而不是換一個模型。Muse Wonder 強制啟用推理，但這個階梯從 minimal 一路到 max，而每個推理 token 都按輸出計費；以 minimal 執行擷取與分類，並把 high 或 max 保留給真正值得的呼叫，才是能左右帳單金額的槓桿。

• 受監管、氣隙隔離或地端部署的需求 —— 現今兩種模型都無法解決。Muse Wonder 永遠無法滿足這項需求。Beam 或許能在一個月內，以寬鬆授權條款做到，代價是你尚未衡量過的記憶體成本。

• 研究或微調計畫——請等待權重。不要針對你無法下載的 501B 架構開始進行專案。

• 以你自己的工作負載進行基準測試——Muse Wonder 本週就能量測，而 Beam 則完全無法量測。你評估試算表中的每一個 Beam 數字，目前都只是沒有分母的供應商宣稱

我們會路由什麼，以及我們不會路由什麼

坦白說：這兩個模型都不在 OrcaRouter 的目錄中。meta/muse-wonder 沒有這個項目，也完全沒有任何 Reflection 項目，而我們不會提供一條不存在的路由。我們從 Meta Superintelligence Labs 引進的是 Muse Spark 系列——Muse Spark 1.2與 Muse Spark 1.1——這是目前團隊能透過我們呼叫、最接近 Meta 推理家族的模型，每 token 成本大約是 Muse Wonder 的五分之一。在這場對決所比價的模型當中，Claude Opus 5.5以 Anthropic 自家的費率列在我們的清單上，DeepSeek V4 Pro也是如此，價格僅為其一小部分。

那種誠實有個實際後果，而像這樣的比較把它闡明得格外清楚。自動容錯移轉只會移轉到我們實際有路由的東西，而沒有端點的等候名單並不是備援。如果你對 Beam 的計畫是「等預覽版結束後我們再來測試」，在那之前，值得先到位的是你能夠衡量的主要路由，以及其後的第二條路由——這只是在一個與 OpenAI 相容的端點上做一項設定變更。OrcaRouter 用一組金鑰和一張帳單，服務 200 多個模型，所以當 Beam 的權重正式推出、某家供應商開始提供它時，要取用它只是在設定檔裡加一個 ID，而不是一項新的整合。

什麼會改變答案，以及何時該查看

三個事件，依它們會對此事造成多大影響的順序排列。

第一個是權重釋出。Reflection 已承諾採用 Apache 2.0，並表示產物將於本月稍後推出。那次釋出才是讓 501B 的主張變成可下載、可量化且可基準測試的東西的關鍵，而它恰好也是 Beam 得以出現在路由平台上的唯一途徑。在那發生之前，Beam 只是一個帶有引註的假設。

第二點是獨立評測。在 Artificial Analysis 上單一一行關於 Beam 的數據，會比讀再多供應商表格都更能決定這場對決的勝負，因為它能提供效率主張所欠缺的每任務 token 數。要盯的是那個排行榜，而不是發表部落格。

第三點是 Muse Wonder 自身配置層面正在穩定下來。其每項任務 4.52 美元的數字，是在一個僅推出一天的模型上、以最高推理強度測得的。隨著團隊在生產環境中採用投入程度階梯中較低的層級，該模型的實際成本將會下降——而 Beam 必須超越的，正是這個數字，而非指數分數。

近期內最可能的答案，既不是乾脆的勝，也不是乾脆的敗：現在就需要模型的團隊會採用 Muse Wonder，而需要自己擁有權重的團隊，最後會拿到兩者之中它真正能下載的那一個。這是一種形容正面對決的奇怪方式，卻也很準確。