10月12日：Meta 交出了 14 个月的答卷

10月12日，Meta 一次性发布两款模型：Muse Wonder 与 Muse Wonder Full。官方口径是——这是 Meta 迄今最强的模型，也是 Meta Superintelligence Labs 成立 14 个月以来第一个「前沿模型」家族（内部代号「西瓜」）。扎克伯格在社交平台上的原话是：从首个模型家族 Muse Spark，到「规模更大、更先进」的 Muse Wonder，「让我们抵达了前沿」。（来源：Meta 官方博客，2026-10-12、Meta 研究博客、TechCrunch，2026-10-12、SiliconANGLE，2026-10-12）

背景值得交代一句：Meta 的上一次公开尝试是 2025 年的 Llama 4，之后团队推倒重来——招募 Scale AI 创始人 Alexandr Wang 主导重组，今年 4 月先交出 Muse Spark，9 月上线个人智能体 Muse。Wonder 系列在 Meta 自建的吉瓦级 Prometheus 数据中心完成训练，处理 100 万 token 上下文，可混合文本、图像、音频与视频输入，输出为纯文本。（来源：Meta 模型卡、SiliconANGLE）

这一代的两个核心卖点，瞄准的都是智能体的「老毛病」：

  • Active Memory（主动记忆）：跨对话保留与用户有关的信息，在新任务需要时主动调取——解决「每次都要重新交代背景」；
  • Active Focus（主动专注）：任务遇阻时换路径继续推进、从错误中恢复，同时在重要动作前向用户确认——解决「干到一半就停」。

Meta 研究科学家 Kavya Kopparapu 在发布视频里的说法是：团队「投入了巨大努力，确保你的模型能在数天、数周、数月之后还记得对你重要的事」。（来源：TechCrunch）

官方成绩单：赢在长周期，输在通用项

Meta 这次的发布稿罕见地直指两个对标对象——OpenAI 的 GPT-6 Astra 与 Anthropic 的 Claude Opus 5.5。模型卡里公布的对比（部分为 Meta 自测）大致如下：

评测 Muse Wonder Full 最强对手
个人超级智能指数（Meta 自建） 59.1 Claude Opus 5.5 55.2 / GPT-6 Astra 54.5
Harvey 法律智能体评测 LAB 13.1 GPT-6 Astra 8.6
SWE-Marathon（长周期软件工程） 57.5 46.3
DeepSWE 1.1（编码） 79.0 Claude Opus 5.5 74.2
MemoryBench（记忆，含干扰信息） 85.5 Claude Opus 5.5 81.5
AutomationBench（完整业务流程） 45.4 41.6

同一张表里，Meta 也列出了自己输掉的项目：Terminal-Bench 4.0（57.1 对 59.6）、ProgramBench 从零写完整程序（59.0 对 Opus 5.5 的 70.5）、OSWorld 操作电脑（78.4 对 81.8）、专业文档任务 GDP.pdf（33.2 对 Astra 的 34.2），健康领域测试同样落后。（来源：Meta 模型卡、机器之心 Pro，2026-10-13、新智元，2026-10-13）

模型卡自己给出了一条重要限定：竞品成绩是「尽力而为」的非受控对比，提示词与工具未必为对手调优。这句话后面还会回来。

第三方的分数更冷静

Meta 自建的指数之外，独立评测机构 Artificial Analysis 已经把两款模型收录进榜单：Muse Wonder Full（Max）智能指数 56 分，落后 Claude Opus 5.5 的 58 分，与 GPT-6 Astra、Claude Fable 5.1 的 53 分拉开身位；开发者实际能通过 API 调用的基础版 Muse Wonder 为 52 分。该机构同时标注：Wonder Full 在完成指数任务时生成约 1.4 亿输出 token，高于同类中位数的 8800 万，属于偏冗长的作答风格。（来源：Artificial Analysis 模型页）

换句话说：在最常被引用的第三方口径下，Meta 确实进了第一梯队，但还不是第一名——而「第一名」恰恰是发布稿给外界留下的第一印象。

实测的第一批反馈：3D 演示先翻了车

API 开放后，开发者很快涌了进来，第一批口碑并不整齐。多个实测帖集中在同一点：在 3D 游戏类、长尾视觉任务上，Muse Wonder 的表现明显低于它的跑分预期，有评测者在 RocketLeagueBench 一类任务上给出极低评价，社区里「刷榜（Benchmaxxing）」的质疑迅速扩散。（来源：新智元，2026-10-13、虎嗅，2026-10-12）

Alexandr Wang 的回应相当直接：「整个团队现在觉得自己很蠢，但这是事实——我们确实没有明确地在 3D 演示游戏上训练我们的模型……但不后悔，请大家在实际的编码工作中试试它。」（来源：新智元，2026-10-13）

这句话随即分成两种解读：

  • 辩护方认为 3D 游戏演示很酷，但不能代表真实代码工作，Wonder 在真实软件工程任务上的口碑并不差；
  • 质疑方则抓住重点：3D 演示本身就是用代码写出来的，没练过就意味着泛化能力存疑——而泛化恰恰是 Meta 这次宣传里反复出现的词。

这不是第一次。上一代 Muse Spark 1.3 发布时，就出现过「DeepSWE 榜首、上手体验平平」的类似争议。（来源：MindStudio 分析）

分发策略：最强的那个模型，不走 API

比跑分更值得记录的，是 Meta 这次的分发结构：

入口 模型 价格
Meta Model API Muse Wonder 输入 4 美元 / 输出 20 美元（每百万 token）
Muse Code 订阅 Muse Wonder + Wonder Full 50 美元 / 200 美元两档
Muse 消费端应用 Muse Wonder（先向订阅用户开放） 20 美元 / 100 美元两档

关键点是：旗舰版 Muse Wonder Full 完全不开放 API，只提供给 Muse Code 订阅用户。 虎嗅报道提到，有用户在 50 美元档额度耗尽后被迫升级到 200 美元档才能跑完复杂任务；另有第三方估算，在最高推理档下完成一项测试任务的成本约 4.52 美元，高于 GPT-6 Astra 的约 3.26 美元。（来源：TechCrunch、虎嗅，2026-10-12、新智元）

结合前几周我们写过的「前沿模型限发」趋势，这个结构说明：前沿能力正在从「可采购的 API 资源」变成「绑在自有产品生态里的订阅权益」。开发者能买到的，从来不是这家公司最强的那张牌。

Meta 同时留了一个口子：Muse Wonder 已接入 OpenRouter，可用于替换现有工作流；官方也表示 Wonder 系列虽为闭源，仍支持开源路线。（来源：虎嗅、AI 百事知，2026-10-13）

深度：为什么「分数」和「体感」越来越分家

把这场争议拆开，其实是三个正在同时发生的变化。

第一，评测本身成了发布物的一部分。 Meta 这次不仅对比竞品，还自建了「个人超级智能指数」，并在其中拿下第一。自建口径 + 选择性展示领先项，是行业通行做法——它不等于造假，但意味着发布稿里的「领先」是被挑选过的领先。判断一家公司的真实水平，往往要看它同一张表里主动列出的败项：Meta 这次列出的 ProgramBench（59.0 对 70.5）和 OSWorld（78.4 对 81.8），比赢下的项目更能说明短板在哪。

第二，「刷榜」与「真变强」的争论，本质是分布之争。 针对社区的 Benchmaxxing 质疑，Meta 的回应是一张「测试时计算扩展」图表：随着推理阶段算力投入增加，Muse Wonder 在没有针对性训练过的陌生任务上相对 Muse Spark 有明显跃升，官方据此强调底座的泛化能力。质疑方要的证据则更朴素：同一批任务，不同模型、同一提示词的横向实测。榜单是一张静态快照，能力是一条分布——任何单点分数都无法保证分布尾部的表现，而真实使用恰恰大量落在尾部。

第三，非受控对比正在消耗榜单的公信力。 Meta 模型卡自己写明竞品成绩为 best-effort、提示词未必最优。这句免责声明在业内很常见，但它意味着：同一模型在不同 harness、不同推理档位下的分数可以差出两位数。当每家发布稿都「领先」时，第三方机构（如 Artificial Analysis）的统一口径就成了唯一还能横向比较的尺子——这也是为什么 56 对 58 这个「落后两分」的信息量，比官方那张满是领先的图更大。

对普通读者，可以记一个简单的阅读顺序：先看第三方指数，再看自家指数，再看它主动列出的败项，最后才看它赢下的项目。 这次 Muse Wonder 的发布稿，恰好把这四类信息都给全了。

写在最后

这次发布有两层意义。往大了说，Meta 用 14 个月证明了「落后是可以追回来的」——第三方智能指数上，Muse Spark 一代是 31 分，Spark 1.3 是 48 分，如今 Wonder Full 是 56 分，第一梯队从少数几家变成多家并存的密集区间。（来源：机器之心 Pro）

往小了说，它把一个行业一直回避的问题摆上了台面：当每家的跑分都能「追平最强」，分数还能不能作为选型依据。 第一批实测的落差、模型卡里那句「非受控对比」、以及「最强模型不进 API」的分发设计，都在提示同一件事——前沿模型的竞争正在从「谁的分数高」转向「谁在我的任务上稳定交付」。

对正在选型的开发者，Muse Wonder 提供了一个不错的观察样本：官方成绩单要看，第三方指数要看，发布后 48 小时的真实评测更要看。发布稿描述的是模型的理想状态，而你要为它在自己任务上的常态表现买单。