Meta 发布 Muse Wonder 与 Wonder Full，MSL 迈入前沿模型竞争
Meta 发布 Muse Wonder 与 Wonder Full，MSL 迈入前沿模型竞争
Meta Superintelligence Labs（MSL）发布了第二代 Muse 模型家族：Muse Wonder 与 Muse Wonder Full。按照 Meta 的说法，Muse Spark 是 MSL 的第一代模型家族，而 Wonder 是“更大、更先进”的模型类别，目标是进入前沿模型梯队。
本次发布距离 Muse Spark 1.3 仅约 6 周。多家第三方评测机构给出的早期结果显示，Wonder 系列在智能指数、代码代理、终端任务、自动化任务等方面相较 Spark 1.3 有明显提升。不过，Wonder Full 的公开定价、完整系统卡和更细粒度安全说明仍不充分。
发布信息
Muse Wonder 的内部代号为 “Watermelon”。发布前，多位 Meta 相关人士在社交平台发布了西瓜相关预热内容。
本次包含两个模型：
- Muse Wonder：定位为速度较快的前沿模型。
- Muse Wonder Full：完整版本模型，推理能力更强。
可用性方面：
- Muse Wonder 可通过 Meta Model API 和 Muse Code 使用。
- Muse Wonder Full 仅面向 Muse Code 订阅用户开放。
- Wonder 将用于 Muse 个人代理产品，并优先向订阅用户提供。
- Muse Code 可通过命令行安装：
curl dev.meta.ai/install.sh | bash
据发布前泄露和后续信息，Wonder 具备 1M 上下文窗口，支持文本、图像、视频、音频输入，输出为文本。
已公开的 Wonder 定价为：
| 项目 | 价格 |
|---|---|
| 输入 | 每百万 token 4 美元 |
| 缓存输入 | 每百万 token 0.20 美元 |
| 输出 | 每百万 token 20 美元 |
Wonder Full 暂未公布 token 价格，因此第三方无法计算其单任务成本。
Meta 的产品定位
Meta 将 Wonder 系列描述为面向“个人与专业代理式工作”的模型。发布信息中提到三项重点能力：
- Active Memory：可在数天、数周乃至数月跨度内保持记忆。
- Active Focus：能够在遇到阻碍时继续推进任务并尝试完成。
- 领域能力：Meta 称其在金融和法律领域达到 SOTA，并在医疗健康方向表现较强。
训练方面，Meta 表示自 Muse Spark 于 4 月发布后，团队继续扩展预训练与强化学习训练。Meta 还称模型针对对抗性指令鲁棒性和私密信息处理进行了训练，但目前未见详细系统卡信息。
发布当天的使用限制问题
发布当天，Wonder 与 Wonder Full 在 Muse Code 中出现异常消耗配额的问题。Meta 相关负责人表示，该问题已在当天修复，并为所有用户重置了配额。同时也承认仍有一些问题需要继续排查和修复。
第三方评测：Artificial Analysis
Artificial Analysis 给出了较完整的第三方评测结果。
在 Intelligence Index v4.3 中：
| 模型 | 分数 |
|---|---|
| Muse Wonder Full（max） | 56 |
| Muse Wonder（max） | 52 |
| Muse Spark 1.3（max） | 48 |
| Opus 5.5 | 58 |
Wonder Full 在指数中的 10 项评测上均较 Spark 1.3 改善，最大提升集中在代理式任务：
| 评测 | Spark 1.3 | Wonder Full |
|---|---|---|
| Terminal-Bench 4.0 | 33% | 57% |
| GDPval-AA v2.1 | 1681 Elo | 1857 Elo |
| AA-Briefcase | 1581 Elo | 1729 Elo |
Wonder Full 在 10 项评测中有 6 项进入前三：
- GDP.pdf：第 1，33%
- CritPt：第 1，33%
- GDPval：第 2
- AA-Briefcase：第 3
- AutomationBench-AA：第 3，71%
- SciCode：第 3，63%
Wonder 非 Full 版本也有明显提升：
- Terminal-Bench：33% → 52%
- AutomationBench：58% → 68%
Token 使用与成本
Artificial Analysis 统计的每个指数任务 token 使用情况：
- Wonder 与 Wonder Full 的输出 token 约为 54k，低于 Spark 1.3 的约 60k，下降约 10%。
- 输入 token：Wonder Full 为 6.44M，Wonder 为 7.69M。
对比模型的输出 token 使用量：
| 模型 | 输出 token |
|---|---|
| Gemini 4 Argon | 62k |
| Fable 5.1 | 78k |
| GPT-6.1 Sol | 38k |
| GPT-6 Astra | 27k |
在成本方面，Wonder 每个指数任务约为 4.52 美元，主要由较高输入 token 使用量推动。对照表如下：
| 模型 | 每任务成本 |
|---|---|
| Fable 5.1 | 7.63 美元 |
| Opus 5.5 | 5.98 美元 |
| Sonnet 5.5 | 5.46 美元 |
| Wonder | 4.52 美元 |
| Astra | 3.26 美元 |
| Argon | 1.99 美元 |
| Spark 1.3 | 1.60 美元 |
| Sol | 0.72 美元 |
Wonder Full 未公布 token 价格，因此成本无法计算。
代码代理评测
在 Coding Agents Index 中：
| 模型 / 工具 | 分数 |
|---|---|
| Wonder Full in Muse Code | 68 |
| Claude Code + Sonnet 5.5 | 68 |
| Opus 5.5 | 66 |
| Wonder | 63 |
| Spark 1.3 | 54 |
这意味着 Wonder Full 在该指数中与 Claude Code + Sonnet 5.5 持平，并高于 Opus 5.5。
第三方评测：Vals AI
Vals AI 的结果显示：
Wonder Full（Max）
- 在 Vals Index 中排名第 5。
- 较前代提升 6.4 分。
- 排名高于所有 OpenAI 模型。
- 在私有 ProofBench 上得分 94/100；Spark 1.3 为 58，顶级模型为 99–100。
- Terminal-Bench 4 表现翻倍以上，与 Fable 5.1 并列第 4。
- 在相同分数下，Terminal-Bench 输出 token 约减少 30%，ProofBench 输出 token 约减少 40%，Vibe Code Bench 步数约减半。
Wonder
- 在 Vals Index 中排名第 10。
- 较前代提升 7.9 分。
- 每任务约 37 分钟，Wonder Full 约 57 分钟。
- Code Migration 得分 62.6%，排名第 6。
- Terminal-Bench 4 提升 38.9 分，同时 token 使用约减少 20%。
Meta 披露的重点指标
Meta 披露或由相关账号转述的部分基准如下：
| Benchmark | Wonder Full | 对比 |
|---|---|---|
| SWE-Marathon | 57.5% | Opus 5.5：46.3%；GPT-6 Astra：42.5% |
| DeepSWE v1.1 | 79.0% | Opus：74.2%；Astra：74.1% |
| Harvey LAB | 13.1 | Astra：8.6 |
| MemoryBench | 85.5 | Opus：81.5 |
另有第三方反馈提到：
- Wonder 在 DeepSWE 上领先。
- ProgramBench 结果较强。
- HealthBench Pro 与 Fable 5.1 大致相当。
- 在 Perplexity 的 WANDR 评测中与 Fable 5.1 相比表现有竞争力。
- Agent Arena 和 Code Arena 已加入该模型，分数仍待公布。
其他观察
一位合作方观察称：
- token 效率是本次模型的重要提升点。
- 在其网络安全基准测试中出现零拒答，并且 Wonder 的得分高于 Full。
- MSL 在对齐方面取得明显进展。
- 模型执行能力强，但在科学发现直觉方面较弱；相关 RSI Index 结果仍待公布。
- Meta 股价当天上涨 3%。
小结
从现有公开信息看，Muse Wonder 与 Wonder Full 是 MSL 在 Spark 之后的一次明显升级。第三方评测显示，Wonder 系列在智能指数、代码代理、自动化任务和部分专业任务上接近或进入前沿模型区间。
但需要注意的是，Wonder Full 的 token 定价尚未公开，完整系统卡和安全细节也未充分披露。当前结论仍主要依赖早期第三方评测和发布当日信息，后续还需要等待更多独立测试、真实场景反馈和长期稳定性数据。