Meta 的十四个月翻身仗：Muse Wonder 杀进第一梯队，价格却卡在夹心层

Meta 的十四个月翻身仗：Muse Wonder 杀进第一梯队

先把信息来源交代清楚：这篇文章的主线数据来自 Meta 官方博客与模型卡、The Decoder 对 Artificial Analysis 指数的拆解、TechCrunch 的报道，三边相互印证过；Twitter 上流传的评测数据我标注了出处状态。要提醒的一件事：Meta 家有两个「Muse」：一个是 Apple 上个月因权限问题上过新闻的语音助手，一个就是本文的主角 Meta 自家模型系列，别混。

三个数字读完这场发布会

10 月 12 日，Meta 的超级智能实验室发布 Muse Wonder 与 Muse Wonder Full，官方称为公司迄今最强的模型。三边数据源给出的核心成绩：

Artificial Analysis 智能指数（v4.3）上，Muse Wonder Full 拿了 56 分。作为参照：Claude Opus 5.5 仍在榜首，GPT-6 Astra 和 Claude Fable 5.1 都在 53 分左右，而 Meta 的上一代模型 Muse Spark 1.3 是 48 分。从 48 到 56，Meta 用一代产品的时间从中段跳进了第一梯队。

Agent 编码指数（Coding Agents Index）上，Muse Code 加 Wonder Full 的组合拿了 68 分，与 Claude Code 加 Sonnet 5.5 打平；The Decoder 补充的细节是，DeepSWE v1.1 子项 Muse Code 反而以 77% 高于 Claude Code 的 72%。

第三个数字是 Terminal-Bench 4.0 从 33% 涨到 57%，翻倍，而且输出 token 还少了 30%。十个主流基准里，Wonder Full 有六个进了前三。

The Decoder 报道头图。图源：Meta，经 The Decoder 发布

十四个月，和一座吉瓦级机房

这次发布值得被认真对待的背景是它的来路。TechCrunch 回溯了时间线：去年 8 月，Scale AI 创始人 Alexandr Wang 入主重组 Meta 的 AI 业务，此后 Meta 发了轻量的 Muse Spark、9 月发了 Muse agent，但在旗舰模型上一直按兵不动——直到这次。官方博客的说法是「从重建地基，到推进前沿」。

训练基建也第一次被摆上台面：模型在 Meta 位于俄亥俄的 Prometheus 数据中心完成训练，今年早些时候上线，吉瓦级规模。这是 Meta 第一次明确把自建超大规模算力作为旗舰模型的训练地基来宣传，这本身就是一个信号：不用别人家的云，是打持久战的样子。

成绩单的另一半：知识测试 30 分

只看上面的数字，Meta 已经封神。但 The Decoder 拆出的另一半数据让画像完整了不少。

AA-Omniscience 知识测试上，Muse Wonder Full 只有 30 分，Muse Wonder 25 分，远低于 Claude Opus 5.5 的 46、GPT-6 Astra 的 43 和 Gemini 4 Argon 的 42。The Decoder 的判断是：这说明 Wonder 系列的基座模型比对手小。

但有意思的是幻觉率。Wonder Full 的幻觉率从上一代的 33% 降到 23%，在所有 45 分以上的模型里排第二低，只有 Gemini 4 Argon（15%）比它低。知识少、胡说也少——这是一个「知道自己不知道」的模型画像，加上 ProofBench 数学证明从 58 分干到 94 分（满分 100，距顶级只差 5 到 6 分），拼出来的路线其实很清晰：小基座，重训练，把力气花在推理和执行上，而不是硬背。

这算不算缺点，看你拿它干什么。拿它当日百科全书，30 分的知识面会露怯；可要论跑长任务、写代码、做证明，这份成绩单已经够硬。

Active Memory：这次不是营销词

发布会的另一主推是记忆能力。官方口径叫 Active Memory：跨对话记住重要信息、在需要时调回。研究科学家 Kavya Kopparapu 在发布视频里的说法是「花了极大精力确保模型能记住对你重要的东西，跨越几天、几周、几个月」。

这类话术每个发布会有。不同的是这次给了第三方基准：MemoryBench（一个专测持续学习与记忆构建的基准）上，Muse Wonder 的得分高于 Fable、Opus 和 Astra。再加上 Active Focus（卡住时自主换思路、该追问时追问），Meta 把宝押在了「个人助理长期陪伴」这个场景上：能读你的日历、消息和文档，并且真的记得上一次说过什么。

Active Memory：跨对话记住重要信息（示意图）

Artificial Analysis 智能指数榜单。图源：Artificial Analysis，经 The Decoder 发布

价格卡在夹心层

定价是这场发布会里最需要精算的部分，网上流传的「比对手便宜一半」的说法并不准确。

Token 单价是每百万输入 4 美元、输出 20 美元，比上一代的 1.25 和 4.25 涨了一大截。Artificial Analysis 算的单任务成本是 4.52 美元，差不多是 Muse Spark 1.3（1.60 美元）的三倍。放进竞品里看，它比 Anthropic 便宜（Fable 5.1 单任务 7.63 美元、Opus 5.5 是 5.98 美元），但比 Google 和 OpenAI 贵（GPT-6 Astra 3.26、Gemini 4 Argon 1.99、GPT-6.1 Sol 只要 0.72）。

一个补充细节：Muse Wonder 每个任务要比前代多消耗 28% 的输入 token，而输入 token 占了总成本的 76%。也就是说这个「便宜」是相对 Anthropic 的会员价而言，实际跑起来并不轻松——中文圈实测的反馈「速度快但消耗高」，和这组数字对得上。

单任务成本光谱：比 Anthropic 便宜，比 Google 和 OpenAI 贵（示意图，数据：Artificial Analysis）

还有一层限制：Muse Wonder Full 不走 API，只面向 Muse Code 订阅者开放。想用最强版本，得先进 Meta 自己的订阅体系。

最耐人寻味的矛盾：主打垂直，垂直没涨

官方博客给 Wonder 系列的定位是「个人与专业 agent 任务」，专家领域点名了法律、金融、健康。但 The Decoder 引用的第三方实测显示，金融与法律任务的表现停在上一代水平，甚至降了最多 2 分。同一周，智谱发布 GLM-Legal 主打法律垂直，Harvey LAB 全通过率 19.2%；两相对照，Meta 的「垂直」更像市场叙事，还没有基准背书。

这不是否定这次发布——通用能力和 agentic 执行的跃升是实打实的。但「法律金融健康」这九个字，目前还停留在博客文案层面。垂直能力要靠垂直基准说话，Meta 下一步需要补上这一课。

顺带一提：让 Claude Code 跑在 Muse 上

发布前后，Twitter 上有开发者发现 Meta 的开发者文档里出现了让 Claude Code、Codex、OpenCode 接入 Muse 模型的指引（此条为社交媒体流传，主博客未展开，待官方页面确认）。如果属实，这步棋比模型本身更有意思：Meta 不自建 Agent 壳，而是把自己刚发布的模型插进别人已经赢下的 harness 里。结合前面「价格夹心层」的定位，打法其实自洽——模型层拼性价比，入口层借现成的。

冷静面

中文圈的实测反馈两极。好评集中在编码与速度；批评集中在消耗与「刷分」嫌疑——Meta 官方评测表的成绩普遍好于第三方口径，这种自测与第三方之间的落差，历代发布会都存在，这次同样需要时间校准。另外，Vals AI 指数给 Wonder Full（Max）的首秀排名是第五，超过所有 OpenAI 模型、仅次于 Anthropic 系。注意给 Meta 泼过冷水的也是这家 Vals，排名口径不同（含 Max 档），看个趋势就好。

Meta 官方评测表。图源：Meta，经 The Decoder 发布

留三个观察指标

这场发布之后，值得盯三件事：一，MemoryBench 之外，Active Memory 在真实长周期使用里的留存率——记忆是宣传语还是能力，四周后见分晓；二，第三方对法律金融垂直的复测，验证「主打垂直」是不是叙事先行；三，Claude Code 接入 Muse 的官方文档何时转正，那是 Meta 真正下注 harness 生态的信号。

模型层卷完绝对分数之后，竞争正在往「谁被更多 harness 记住」迁移。Meta 这次交的卷子，及格线以上，惊喜线以下——但对一个十四个月前还在重组的公司来说，卷面上的每一分都是自己挣的。

参考来源

哪些内容尚未独立验证：「Claude Code/Codex/OpenCode 接入 Muse」来自社交媒体流传的开发者文档，主博客未确认；56 分与 68 分均为 Artificial Analysis 第三方口径，Meta 官方评测表分数普遍更高，两套口径并存；「Knowledge 测试反映基座更小」为 The Decoder 的推断而非 Meta 官方结论；MemoryBench 数据来自 Meta 自述的第三方基准结果，未见独立复测。