Meta发布Muse Wonder与Muse Wonder Full两款前沿模型，主攻长时间Agent、编程、电脑操作以及法律、金融和医疗等专业任务。它们支持100万Token上下文，可接收文本、图像、视频和音频，并引入“主动记忆”和“主动专注”：前者从跨对话信息中提取与当前任务有关的内容，后者让Agent遇到阻碍后尝试替代方案、恢复错误并继续执行。Muse Wonder Full在DeepSWE和SWE-Marathon长程编程评测中领先，但在Terminal-Bench、ProgramBench、HealthBench和综合智能指数上仍落后于部分OpenAI或Anthropic模型，不能简单概括为“全面第一”。普通版已通过API提供，价格为每百万输入／输出Token 4美元／20美元；表现更强的Full版仅向Muse Code订阅用户开放。Meta没有公开参数量、训练数据或权重，而且多项成绩来自内部基准或不同Agent框架，外界仍需进一步复测。
文章作者、来源：Meta
Meta用两款模型重新进入前沿竞争
Muse Wonder系列包含两个不同版本。普通版Muse Wonder面向开发者，可通过Meta Model API和Muse Code调用；Muse Wonder Full是能力更强的版本，目前只包含在Muse Code的Power Usage和Maximum Usage订阅中，没有独立API价格。
两款模型都支持100万Token上下文，输入模态包括文本、图片、视频和音频，输出仍以文本为主。Meta没有公布模型参数量、激活参数量、具体架构、训练Token数量或完整数据组成，也没有发布可下载权重。因此，这次发布代表的是Meta重新进入闭源前沿模型市场，并非Llama式的开放权重路线。
模型是在Meta千兆瓦级Prometheus数据中心完成训练的。官方称，过去14个月中，公司从底层重建了AI技术栈，并在Muse Spark基础上扩大预训练和强化学习规模。Reuters指出，此次发布也是Meta投入巨额资金建设基础设施、重组研究团队并争夺人才后的一次关键检验。
“主动记忆”不是把一百万Token全部塞进提示词
Meta把Muse Wonder的两个核心能力称为Active Memory和Active Focus。
Active Memory，即“主动记忆”，强调模型能够跨越多轮对话保存重要背景，并在后续任务需要时主动找回相关信息。例如，Agent规划一次活动时，可以重新调用此前出现的预算、饮食限制、参与者关系和时间安排，而不必要求用户重新说明。
这和100万Token上下文并不是一回事。上下文窗口表示单次推理最多可以处理多少输入；主动记忆则涉及从更长时间积累的信息中判断什么值得保留、何时需要取回。Meta没有公开其底层存储形式、检索算法、记忆保存时长及错误信息如何删除，因此目前更适合把它理解为模型与Agent系统的综合能力，而非已经完全披露的新架构。
Active Focus，即“主动专注”，针对Agent容易半途而废的问题。模型在工具调用失败或网页结构发生变化时，会尝试其他方案、根据新信息调整计划，并在需要更多信息时询问用户。涉及重要操作时，它还应先向用户确认，而不是为了完成目标直接行动。
官方用FocusBench和SWE-Marathon评估这类持续执行能力。不过，FocusBench和MemoryBench均为Meta内部基准，题目与完整原始输出没有全部公开，独立研究者暂时无法完整复现。
长程编程领先，但没有全面击败竞争模型
Muse Wonder Full在部分Agent和长程编程测试中表现突出。
在DeepSWE 1.1中，Full版获得79.0分，普通版为78.8分；GPT‑6 Astra为74.1分，Claude Opus 5.5为74.2分。在更强调超长软件工程任务的SWE-Marathon中，Full版取得57.5分，高于普通版的53.1、GPT‑6 Astra的42.5和Claude Opus 5.5的46.3。
它在Meta内部的Personal Superintelligence Index中获得59.1分，高于普通版的54.3、Astra的54.5和Opus 5.5的55.2。在AutomationBench-AA业务自动化测试中，Full版为45.4分，也高于其他对比模型。
但它并非所有项目都领先。Terminal-Bench 4.0中，Full版为57.1分，低于Astra的59.1和Opus 5.5的59.6；ProgramBench从零编程测试为59.0分，明显低于Opus 5.5的70.5。在HealthBench Pro上，Full版的62.3分也低于Astra的65.3和Opus 5.5的65.6。
Artificial Analysis独立综合指数给予Full版56分、普通版52分；同期Claude Opus 5.5为58分。因此，更准确的结论是：Muse Wonder Full已经进入前沿模型群，并在长程编程、记忆和部分Agent任务上占优，但尚未全面超过所有竞争者。
Meta也承认，这些数字不是完全统一的横向实验
模型卡披露，部分成绩来自Artificial Analysis、Vals AI、DataCurve和Abundant AI等第三方，另一些来自Meta内部测试或竞争公司的自报结果。
不同测试使用的Agent框架也不完全相同。例如，SWE-Marathon中的GPT‑6 Astra和Claude Fable 5.1分别通过Codex与Claude Code运行，不是所有模型共享同一套工具、提示词和执行环境。Meta还会在内部成绩、官方排行榜与厂商自报结果中选择经过验证的较高成绩。
模型卡明确承认，Meta为竞争模型配置的提示词、工具和运行环境可能没有达到各模型的最优状态。这意味着表格可以说明大致能力区间，却不能把几分差距理解成稳定、普遍的现实领先。
Meta还专门回应了“为基准刷分”的质疑。团队比较模型在后训练重点任务与未针对训练任务上的表现，认为Muse Wonder Full在陌生任务中的提升超过Muse Spark 1.3原有趋势，并将其归因于更强的基础模型。
不过，这项泛化分析仍由Meta自行设计和解释。所谓“big model smell”——模型在陌生问题上仍显得聪明——目前还没有统一、可独立检验的行业指标。
最强版本不提供API，普通版每百万输出Token收费20美元
普通版Muse Wonder的API价格为：每百万输入Token 4美元、缓存输入0.20美元、输出20美元。模型标识为muse-wonder-1.0，接口兼容OpenAI SDK，已有应用原则上只需更换API地址和模型名称即可迁移。
Muse Wonder Full则不提供按Token计费的API，只能通过Muse Code订阅使用。Power Usage计划每月50美元，提供基础套餐20倍用量；Maximum Usage每月200美元，提供80倍用量。两个计划都有五小时和每周重置限制，不能等同于无限使用。
这种产品划分也让官方比较变得复杂：最醒目的多数成绩来自Full版，但开发者能够直接接入应用的主要是普通版。普通版虽然接近Full版，却在Personal Superintelligence Index、长程执行和部分编码任务上存在差距。
Meta计划让Wonder随后驱动Muse个人Agent，首先向付费用户开放，再基于它开发面向更广泛用户的专用模型。这说明公司的目标不只是销售API，而是把前沿模型、个人数据连接、Agent执行能力和Facebook、Instagram等分发入口组合起来。
更强Agent同时意味着更敏感的私人数据访问
Muse Wonder面向的个人Agent可能读取邮件、日历、消息和私人文件，并操作浏览器、桌面及移动应用。Active Memory如果要跨会话保留背景，也会增加数据保存、错误记忆和权限撤销方面的问题。
Meta称，这是公司迄今对齐程度最高的模型，并对提示注入、私人信息处理、网络安全和化学／生物风险采取了更强防护。
模型卡披露，在没有缓解措施的情况下，Meta不排除Muse Wonder Full在化学与生物领域达到“高风险”阈值，因此加入了安全后训练和系统级分类器。未经缓解的网络安全与失控风险被评为“中等或更低”；加入防护后，Meta将三个领域的剩余风险均评为“中等或更低”。
这些结论依然主要来自Meta自己的风险框架和内部治理程序。模型卡中的Agentic Misalignment测试记录为0%有害行动，并不代表模型在所有真实环境中都没有失控风险；Meta自己也承认，现有测试无法覆盖所有场景。
模型在新颖的多步骤推理、精确视觉空间任务和部分训练覆盖不足的语言上仍可能出错。Meta因此建议，当Agent能够执行不可逆现实操作时，部署方应另外加入人工确认和适合具体场景的外部防护。