摘要 Meta 10 月 12 日发布 Muse Wonder 和 Muse Wonder Full。第三方的 Artificial Analysis 智能指数上，Full 拿到 56 分，离第一名 Claude Opus 5.5 差两分，而首款 Muse Spark 只有 31 分。Meta 公布了 14 项评测的对比，自家两款拿了 7 项第一，Opus 5.5 拿了 6 项，GPT-6 Astra 拿了 1 项。Meta 的优势集中在长周期编程和长流程 Agent 任务上。7 项第一里有 2 项是 Meta 的内部评测，领先最多的一项，各家用的不是同一套测试工具。成绩最好的 Full 不上 API，只在 Muse Code 最高的两档订阅里。
10 月 12 日（北京时间 13 日凌晨），Meta 发布了新一代旗舰模型 Muse Wonder 和 Muse Wonder Full。在第三方评测机构 Artificial Analysis（简称 AA）的智能指数上，Full 拿到 56 分，比排第一的 Claude Opus 5.5 低两分。
扎克伯格发帖说，Meta 超级智能实验室成立才一年多，新模型“把我们带到了前沿”。首席 AI 官 Alexandr Wang 的说法更口语：rivals the big bois，能跟那几个大块头较量了。
发布当天，有中文报道用“多项屠榜”做标题。Meta 的博客里放了一张成绩总表，列了 14 项评测，把自家两款和 Claude Opus 5.5、GPT-6 Astra、Claude Fable 5.1 并排比较。一项一项数下来，Muse Wonder 系列拿了 7 项第一，Opus 5.5 拿了 6 项，GPT-6 Astra 拿了 1 项。
赢一半算不上屠榜。可 Meta 是 14 个月前才把 AI 研发推倒重来的，首款模型在这个指数上只有 31 分。下面看这 7 项赢在哪，另外 7 项输在哪，每个分数是谁测的，以及最强的 Full 普通开发者能不能用上。
Muse Wonder 与 Muse Wonder Full：API 上只有前一款
按扎克伯格的说法，Muse Wonder 主打“快的前沿性能”，Muse Wonder Full 是完整版。两款的差别在能力和购买渠道上。
| Muse Wonder | Muse Wonder Full | |
|---|---|---|
| Meta Model API | 可用，模型 ID 是 muse-wonder-1.0 | 不提供 |
| Muse Code | 按量付费和全部订阅档 | 只在 Power Usage、Maximum Usage 两档 |
| API 价格（每百万 token） | 输入 4 美元，输出 20 美元 | 无 |
| Artificial Analysis 智能指数 | 52 | 56 |
Muse Code 是 Meta 的命令行编程工具，订阅分四档，Power Usage 和 Maximum Usage 是最高的两档。Meta 的开发者文档专门写了一句：把 Muse Wonder 的推理强度调到 max，并不会切换成 Full。成绩表里最亮眼的那一列，API 用户调不到。
两款的规格相同：上下文窗口 1,048,576 个 token（约 100 万），输入支持文本、图片、视频、音频和 PDF，输出是文本，推理强度从 minimal 到 max 可调。模型目前标注为 preview。API 按量计费，长上下文不加价。
价格上，Muse Wonder 的输入价是上一代 Muse Spark 的 3.2 倍，输出价约 4.7 倍（Spark 是 1.25 美元和 4.25 美元）。Meta 给的选型建议是：长时间运行的复杂任务用 Wonder，量大、对延迟和成本敏感的任务继续用 Spark。
订阅用户要留意一个默认设置。Muse Code 的订阅默认开启 Contributor 模式：多给一些用量，换取 Meta 把用户的提示词、代码、文件和模型回复用于训练后续模型，可以在设置里关闭。走 API 按量付费的 Muse Wonder 只有 Standard 模式，内容不用于训练。
Meta 还说，Muse Wonder 很快会接入面向普通用户的 Muse，先向订阅用户开放。
Artificial Analysis 智能指数：Muse Wonder Full 56 分，Opus 5.5 是 58 分
先看最容易比较的一个数字。Artificial Analysis 是做模型评测的第三方机构，它的智能指数（v4.3）把自己独立跑的 10 项评测合成一个分数，其中有 GDPval-AA、Terminal-Bench 4.0、SciCode 和 Humanity’s Last Exam。
图上 Claude Opus 5.5 以 58 分排第一，Muse Wonder Full 以 56 分排第二。Claude Fable 5.1、GPT-6 Astra 和 Gemini 4 Argon 都是 53 分。API 上能调的 Muse Wonder 是 52 分，与 GPT-6.1 Sol 并列。
更能说明问题的是 Meta 自己的这串台阶：首款 Muse Spark 是 31 分（图上注明这是 Artificial Analysis 的估算值），Spark 1.1 是 34，1.2 是 40，1.3 是 48，现在是 52 和 56。扎克伯格说实验室成立才一年多，博客说 14 个月前开始从底层重建技术栈。一年多时间，Meta 从这张图的倒数第二追到了正数第二。
Meta 把进步归因于规模：预训练和强化学习两个阶段都继续放大，两款模型在它千兆瓦级的 Prometheus 数据中心训练。
14 项评测对比：Meta 7 项第一，Opus 5.5 6 项，GPT-6 Astra 1 项
博客里的总表列了 14 项评测、五款模型，成绩都标注为最高推理强度（max），每一项的最高分加了底色。
先看 Meta 拿第一的 7 项，按领先幅度排：
| 评测 | Meta 最高分 | 对手最高分 | 领先 |
|---|---|---|---|
| SWE-Marathon（超长周期软件工程） | 57.5 | Opus 5.5 46.3 | 11.2 |
| DeepSWE 1.1（长周期编程） | 79.0 | Opus 5.5 74.2 | 4.8 |
| Harvey LAB-AA（法律 Agent） | 13.1 | GPT-6 Astra 8.6 | 4.5 |
| MemoryBench（长对话记忆） | 85.6 | Opus 5.5 81.5 | 4.1 |
| Personal Superintelligence Index（个人与知识工作综合） | 59.1 | Opus 5.5 55.2 | 3.9 |
| AutomationBench-AA（企业流程自动化） | 45.4 | GPT-6 Astra 41.6 | 3.8 |
| Vals Finance Agent V2（金融分析） | 59.1 | Fable 5.1 58.9 | 0.2 |
MemoryBench 的 85.6 来自 Muse Wonder，比 Full 高 0.1 分；其余 6 项的最高分都是 Full 拿的。
再看别家拿第一的 7 项：
| 评测 | 第一名 | Meta 最高分 | 落后 |
|---|---|---|---|
| ProgramBench（从零写出完整程序） | Opus 5.5 70.5 | 59.0 | 11.5 |
| OSWorld V2.1（操作电脑界面） | Opus 5.5 81.8 | 78.4 | 3.4 |
| HealthBench Pro（健康问答） | Opus 5.5 65.6 | 62.3 | 3.3 |
| Terminal-Bench 4.0-AA（终端里的编程任务） | Opus 5.5 59.6 | 57.1 | 2.5 |
| Artificial Analysis 智能指数（综合） | Opus 5.5 58 | 56 | 2 |
| GDP.pdf（基于 PDF 材料的专业工作） | GPT-6 Astra 34.2 | 33.2 | 1.0 |
| JobBench（白领职业任务） | Opus 5.5 75.4 | 75.3 | 0.1 |
两张表放在一起看，Meta 的优势集中在需要长时间连续干活的任务上。 超长周期的软件工程、长周期编程、法律文书和企业流程自动化，它都排第一。领先最多的是 SWE-Marathon，高出 11.2 分；法律评测 Harvey LAB-AA 上它是 13.1，第二名 GPT-6 Astra 是 8.6，Opus 5.5 只有 4.2。
输掉的 7 项里，ProgramBench 差了 11.5 分，是整张表里最大的一处分差，比 Meta 自己最大的领先幅度还多一点。操作电脑界面、健康问答、终端编程这几项，Opus 5.5 也还在前面。另有三项基本算平手：金融分析 Meta 领先 0.2 分，JobBench 落后 0.1 分，GDP.pdf 落后 1 分。
模型卡里的四条口径：谁出的题，谁跑的分
Meta 同时发布了一份 13 页的模型卡，交代每项评测的做法。其中有四条会影响对上面分数的理解。
两项是内部评测。 Meta 拿第一的 7 项里，Personal Superintelligence Index 是 Meta 内部的综合指数，由七项评测合成；MemoryBench 也是 Meta 的内部评测。另外 5 项的成绩来自第三方：Harvey LAB-AA 和 AutomationBench-AA 来自 Artificial Analysis，金融那项来自 Vals AI，DeepSWE 来自 Datacurve，SWE-Marathon 来自 Abundant AI。
那个综合指数还有个细节。它的七项里，总表单列了三项，Meta 只赢了 AutomationBench-AA，在 JobBench 和 GDP.pdf 上都略低于对手。第四项 FocusBench 是 Meta 的内部评测，单独给了一张图。剩下三项是 Agents’ Last Exam、VBT 和 DRACO，单项分数在博客和模型卡里都没有列出。
领先最多的一项不是受控对比。 模型卡写明，SWE-Marathon 的结果取自 Abundant AI 的榜单，其中 GPT-6 Astra 和 Claude Fable 5.1 的成绩分别是用 Codex 和 Claude Code 跑出来的，所以这一项不是同一套 harness 下的受控对比。harness 指驱动模型干活的那层 Agent 程序，同一个模型换一套 harness，分数会变。另外，Muse Wonder Full 这一格用的是 xhigh 推理强度，表头写的是 max。
缺第三方结果时取最高分。 模型卡的规则是：有可比的第三方或厂商自报成绩就用它；没有的话，从内部验证过的结果、厂商自报分数和官方榜单里取最高的一个。对手模型由 Meta 自己跑的那部分，模型卡说只能算尽力而为，提示词、工具和运行环境未必为这些闭源模型调到了最优。
分数低是因为判分严。 Harvey LAB-AA 的 13.1% 指的是交付物满足全部评判标准、并且通过幻觉检查的任务占比。换句话说，分数最高的模型在约 87% 的法律任务上仍有至少一处不达标。AutomationBench-AA 的 45.4% 是全部终态检查都通过的流程占比，ProgramBench 算的是通过至少 95% 隐藏测试的比例。按这样的标准，法律文书和企业流程这两类任务，离放手交给 Agent 还有不小的距离。
Active Memory 与 Active Focus：两个能力名称各指什么、怎么测的
Muse Wonder 这次主推两个能力名称。
Active Memory（主动记忆）指的是：跨对话保留与用户有关的重要上下文，并在当前任务用得上时主动把它找出来。对应的评测是 Meta 内部的 MemoryBench。做法是给模型一段 64K 到 100K token 的长对话，里面夹着干扰对话，还插入了与目标信息冲突、或者后来更新了目标信息的轮次，然后提问，由 LLM 评委按细则打分。Muse Wonder 和 Full 分别是 85.6 和 85.5，Opus 5.5 是 81.5，GPT-6 Astra 是 81.4。
Active Focus（主动专注）指的是：围绕一个有难度的目标持续推进，遇到障碍换方法，拿到新信息就调整，需要时向用户追问，执行重要操作前先确认。对应的评测有两个。SWE-Marathon 考长时间的软件项目；内部的 FocusBench 考个人事务，题目来自住房、出行、IT、金融等领域，要求 Agent 跨多次交互克服现实里的障碍。
FocusBench 上 Full 是 54.2，GPT-6 Astra 是 47.7，Opus 5.5 是 45.8。API 上的 Muse Wonder 是 44.9，排在这两家之后。
有两点博客没有交代。一是这两项能力怎么实现，是模型自身的能力，还是外面配了记忆和调度系统。二是跨对话的记忆在产品里存什么、存多久、用户怎么查看和删除。MemoryBench 量的是模型在一段长交互历史里找回并用对信息的准确度，和产品层面的记忆功能还不是一回事。
泛化：分布内成绩相同时，Muse Wonder Full 在陌生任务上高约 10 个点
Meta 在博客里专门拿出一节谈跑分之外的事。两个模型的基准分数相近，其中一个却明显能处理更多没见过的任务。抱怨模型“benchmaxxing”（刷榜），夸模型有“big model smell”（大模型味），说的是同一个现象：集中在少数领域的热门基准，量不出能力的宽度。
Meta 的做法是把任务分成两组。一组是后训练阶段重点优化过的，叫分布内；另一组没有专门优化过，叫分布外。后训练（post-training）是预训练之后针对具体任务做优化的阶段。然后让上一代的 Muse Spark 1.3 和这次的 Full 在不同推理强度下各跑一遍。
图上两条线的斜率接近：推理时算得越多，两组任务的成绩一起涨。区别在高度。分布内成绩同在 60% 附近时，Spark 1.3 的分布外成绩大约是 30%，Full 的趋势线大约在 40%，高出约 10 个百分点。这是按图上的坐标读出来的，Meta 没有给具体数值。
Meta 的解释是基础模型更大、更强，后训练的收益就更容易带到没练过的任务上。它认为这对个人 Agent 尤其要紧，因为用户的目标、工具和限制条件组合太多，训练时不可能一一见过。
这张图能说明 Meta 的新一代比上一代泛化得更好，说明不了它比别家好。 图里只有 Meta 自己的两个模型，两组任务各包含哪些评测也没有公布。
安全：对抗性指令攻击成功率 10.5%，模型卡披露了三处风险
个人 Agent 替用户做事，会读到消息、日历和私人文档。Meta 说训练时重点加强了两件事：抵抗对抗性指令，谨慎处理私人信息。
被诱导执行未授权代码的攻击成功率，Muse Wonder 是 10.5%，Full 是 10.7%，Claude Fable 5.1 是 11.3%，GPT-6 Astra 是 19.7%。错误处理个人信息的违规率，Full 是 2.2%，Muse Wonder 是 3.4%，GPT-6 Astra 是 4.6%，Fable 5.1 是 6.8%。这两张图里没有 Claude Opus 5.5。
Meta 的两款排在最前。不过 10.5% 的意思是，这套测试里大约每十次攻击有一次得手。模型卡也建议，在能执行真实操作的 Agent 场景里加额外的护栏，比如不可逆的操作先由人确认。
防滥用方面，Meta 给了三组数。生物类高危问题的拒答率，Full 是 98.7%，Fable 5.1 是 99.7%。网络攻击类请求的拒答率，Full 是 96.9%，Fable 5.1 是 97.5%。防御性网络安全请求的配合率，Muse Wonder 是 94.5%，GPT-6 Astra 是 81.3%，Fable 5.1 是 15.7%。Meta 想表达的是该拒的拒，同时不误伤做防御的人。
模型卡里还有三处值得看：
- 化学与生物风险。 按 Meta 自己的超级智能扩展框架，模型的部署如果可能对严重的威胁场景提供实质帮助，就达到“高风险”阈值。Meta 说，不加缓解措施时，不排除 Full 在化学与生物领域达到这个阈值，所以加了安全方向的后训练和系统级分类器。加上之后各领域都评为“中等或更低”，这是它决定发布的依据。
- 网络攻击能力。 在 ExploitGym 上，Full 拿到了 92 个 flag。复核发现其中只有 21 个用的是题目预设的漏洞，另外 71 个是从预设之外的漏洞打进去的。榜单只认前一种，可比的数字是 21。
- 已知局限。 在训练数据覆盖不足的新场景里，多步推理仍会出错；视觉和空间推理是已知弱项，尤其是 3D 任务；表现会随量化、服务配置、提示词、工具和 harness 变化。
Meta 称 Muse Wonder 是它对齐程度最高的模型。模型卡给了两个数：在压力下保持诚实的 MASK 测试是 87.3%，Agentic Misalignment 测试里采取有害行动的比例是 0%。更完整的安全评估报告，Meta 说近期发布。
这次发布怎么用
按任务选，不看总分。 长周期编程、长流程 Agent 和法律文书这几类任务，值得把 Muse Wonder 放进候选，用自己的任务比一轮。API 上这一款在 DeepSWE（78.8）、SWE-Marathon（53.1）、Harvey LAB-AA（10.0）和 MemoryBench（85.6）四项上，也高于三家对手的最高分。从零写完整程序、终端任务、操作电脑和健康问答，表里领先的仍是 Opus 5.5。
先确认买到的是哪一款。 Meta 的 7 项第一里有 6 项属于 Full，它只在 Muse Code 最高的两档订阅里。API 上的 muse-wonder-1.0，Artificial Analysis 智能指数是 52 分；在 Meta 自己的综合指数上是 54.3，低于 Opus 5.5 的 55.2 和 GPT-6 Astra 的 54.5。
订阅前先看训练授权。 Muse Code 订阅的 Contributor 模式默认开启，代码和提示词会被用于训练。不想给，就在设置里关掉。
看榜单时做三个动作。 数一数每家各赢了几项；看每项的分数是谁测的、是不是同一套 harness；再查成绩对应的型号自己能不能买到。这三步对任何一家的发布都适用。
回到开头。14 个月从 31 分到 56 分，Meta 已经回到第一梯队，长周期任务上还领先。“屠榜”这个词，要等另外那 7 项也拿下来再用。