Meta Muse Wonder 深度评测：长编码称王，但全能性不及 Opus 5.5

Meta 于 10 月 12 日发布了全新 AI 模型家族 Muse Wonder，官方称其为迄今最强大的模型，专为个人和专业代理场景设计，能执行长时间、多步骤任务。但这款模型并非简单的“更强 GPT 杀手”——它实际上包含两个版本，且各有明确的优势与短板。本文基于独立测评数据，拆解 Muse Wonder 的真实表现，并与 Claude Opus 5.5、GPT-6 Astra、Gemini 4 Argon 展开横向对比。

两个版本，别被高分误导

Muse Wonder 家族有两个成员：常规版 Muse Wonder 和更强的 MuseWonderFull。常规版可通过 Meta API、OpenRouter 以及所有 MuseCode 套餐使用；Full 版则仅限 MuseCode 的 PowerPlan（50 美元/月）或 MaximumPlan（200 美元/月）订阅，不提供 API 按 token 计费，Meta 也未公布其单价。

这带来一个关键陷阱：新闻报道中的高分通常属于 Full 版，而大多数开发者无法按 token 购买 Full。因此看到“Muse Wonder 得分 XX”时，务必先确认是哪个版本。

API 按 token 计费是当前大模型最主流的商业形态：用户按实际消耗的输入、输出 token 数量付费，可自由集成到任意应用，不绑定特定客户端。与之相对的订阅制则按固定月费提供打包额度或无限使用，通常限定在厂商自家的产品界面内。Full 版只走订阅、不开放 API，意味着开发者无法把它嵌入自己的流水线，只能在 MuseCode 里使用；同时其单位成本被订阅费“摊薄”，无法像常规版那样与其他模型做每 token 价格的直接比较。这也是为什么文章反复强调要先确认分数来自哪个版本——一个不可按量购买的模型，其跑分对大多数工程团队的可操作性有限。

Plan 分级（PowerPlan 50 美元、MaximumPlan 200 美元）通常对应不同的使用配额、并发数或功能权限，订阅前应核对额度是否覆盖你的实际调用量，避免高分模型因额度限制而无法用于生产。

核心功能：主动记忆与长任务代理

Muse Wonder 主打四项能力。主动记忆让模型跨对话携带关键信息，省去反复解释项目的麻烦。主动聚焦指遇到难题时持续尝试不同路径并从错误中恢复，Meta 强调它会在重要操作前征求确认，在独立性和可控性之间取得平衡。

代理工作是重点：模型可规划长任务、将子任务分派给小型子代理，并操作真实软件（浏览器、桌面应用、移动应用）。Meta 点名了法律、金融、健康场景，以及从小游戏到完整商业应用的编码任务。上下文窗口约 100 万 token，足以容纳数本长书或大型代码库。输入支持文本和图像（部分来源称还支持视频和音频），输出仅限文本——不生成图像、音频或视频。

定价与真实成本：标价之外看每任务开销

API 定价上，Muse Wonder 为每百万输入 token 4 美元、输出 20 美元，与 Claude Opus 5.5 标价持平。GPT-6 Astra 标价 10/50 美元，是前两者的 2.5 倍。Gemini 4 Argon 有 2/10 美元的发布特价，但 11 月 30 日截止，12 月 1 日起涨回 4/20 美元。

标价只讲了一半故事。Artificial Analysis 测量了单测试任务的平均成本：Muse Wonder 约 4.52 美元，Opus 5.5 约 6 美元，GPT-6 Astra 约 3.26 美元（因 token 用量少得多），Gemini 4 Argon 最低约 2 美元（按发布价）。结论是：Wonder 实际使用比 Opus 便宜，但比 Astra 贵，当前也不如 Argon 划算。

性能实测：长编码领先，整体排名第二梯队

在 Artificial Analysis 的综合 Intelligence Index 上，Claude Opus 5.5 以 58 分居首。MuseWonderFull 得分 56，与 Claude Sonnet 5.5 并列；GPT-6 Astra、Gemini 4 Argon 和 Claude Fable 5.5 各约 53 分；常规版 Muse Wonder 仅 52 分，Meta 前代 Muse Spark 1.3 为 48 分。Full 版进步明显，但并未超越 Opus。

Full 版的真正优势在长编码。SWE Marathon 测试中 Full 得分 57.5，常规版 53.1，而 Opus 5.5 仅 46.3，GPT-6 Astra 42.5——差距显著。但需注意两点：Full 的成绩是在“Extra High Effort”设置下取得，且各模型运行于不同编码工具，并非统一环境，因此应视为强信号而非精确测量。另一项由外部团队执行的 Deep SWE 测试中，Full 得 79.5，常规版 78.8，均领先 Opus 的 74.2 和 Astra 的 74.1。

法律代理测试 Harvey Lab 极为严格，Full 得分 13.1，远高于 Astra 的 8.6 和 Opus 的 4.2（分数低是因为要求所有标准均满足）。Meta 自家表格中的业务自动化测试，Full 得 45.4，Astra 41.6，Opus 41.2，常规版 39.1 落后于两个对手。Artificial Analysis 对疑似同测试的另一版本给出了不同数字，需谨慎看待。即便最高分也意味着超过一半工作流失败，人工检查仍不可少。

其他测试则呈现不同图景：Terminal Bench 4.0 上 Opus 5.5 和 GPT-6 Astra 均优于 Full，Gemini 4 Argon 与 Full 并列 57%；计算机使用标准测试 OS World 中 Opus 领先——这恰恰是 Meta 的主打功能之一；Program Bench 上 Opus 以 70.5 比 59 胜出，健康测试同样领先。统计 Meta 自家表格，Full 在 14 行中拿下 6 行最高分，Opus 5.5 拿下 10 行；常规版 Muse Wonder 对 Opus 输掉 14 行中的 9 行。

Intelligence Index 是 Artificial Analysis 维护的综合能力评分，把多个独立基准（推理、编码、知识、代理任务等）归一化后加权合成一个分数，便于跨模型横向比较。它的价值在于“一站式”概览，局限在于权重由评测方设定，不同任务偏好的用户可能得出不同结论——高分不等于在你关心的细分场景更强。

SWE Marathon 类基准模拟长时间、多步骤的软件工程任务（如需跨多个文件修改、反复调试并保持上下文一致），更贴近真实开发流程，因此与单轮代码题基准结论常有分歧。Terminal Bench 侧重在命令行环境中完成操作序列，OS World 评测图形界面下的计算机操作能力，Program Bench 则考察程序级推理与实现。这些基准各自覆盖代理能力的不同侧面，正是文章中出现“同一模型在不同测试上互有胜负”的原因。

还需注意推理强度设置（如 Extra High Effort）会显著影响成绩与成本：更高强度通常意味着更长的思维链、更多 token 消耗和更高延迟，跨模型比较时必须对齐这一参数，否则分数不具可比性。

短板明确：事实知识差距大

事实知识是 Muse Wonder 最明显的弱项。AA Omniscience 测试奖励正确答案、惩罚错误回答：Full 仅得 30 分，常规版 25 分，而 Opus 5.5 得 46 分，GPT-6 Astra 43 分，Gemini 4 Argon 42 分。差距一目了然。新模型比 Spark 编造更少，但确实比对手“记得少”。若你需要模型凭记忆回答事实性问题，务必预留额外核查环节。

速度方面表现尚可：最大推理强度下约 100 token/秒，但首个 token 可能需等待约 20 秒，难题起步慢、后续快。

AA Omniscience 是一类“惩罚性”事实知识基准：不仅看答对多少，还对自信的错误回答扣分，因此分数低往往反映模型倾向编造而非承认不知道。这类测试与幻觉问题直接相关——模型在缺乏依据时生成看似合理的内容。分数偏低意味着模型内部存储的事实覆盖面较窄或召回不稳定，对依赖模型“凭记忆”回答的问答、客服、检索增强场景是实质风险。实务上的应对是接入检索工具、要求引用来源、并在关键结论上设置人工或程序化核查环节。

与三大竞品逐一对决

对比 Claude Opus 5.5：Opus 在独立指数上是更强的全能模型，事实知识遥遥领先。Full 版在长编码、法律代理和工作流自动化上胜出。常规版 Wonder API 标价与 Opus 相同但综合分更低，仅在 Deep SWE 上略占优。要最佳通用模型，Opus 是更稳妥的选择；若你的工作局限于 MuseCode 内的长编码项目，Full 值得认真测试。

对比 GPT-6 Astra：Full 指数 56 对 Astra 53，SWE Marathon 和 Deep SWE 明显领先。但 Astra 在 Terminal Bench 上胜出，事实知识更强，独立测试中每任务成本更低——尽管其标价高得多。常规版 Wonder 52 分略低于 Astra，因此通用场景 Astra 性价比更高，马拉松编码则 Full 更合适。

对比 Gemini 4 Argon：Argon 指数 53，比常规版 Wonder 高 1 分。11 月 30 日前其 token 价格仅为 Opus/Wonder 的一半，且独立测试中每任务成本最低，当下测试极具吸引力。此后 token 价格持平，同等用量下每任务成本预计翻倍。Argon 在 Terminal Bench 与 Full 并列，事实知识 42 分对 30 分占优。Full 的独特优势在于长时间代理运行和持续编码会话。

值得一提，MuseWonderFull 与 Claude Sonnet 5.5 在指数上并列 56 分——这说明 Full 是紧咬第一梯队的竞争者，拥有几项明确强项，而非跨越式领先。

适用人群与最终判断

适合：需要长时间代理运行构建软件、审阅大规模文档集、执行多步骤法律或金融工作的团队，MuseWonderFull 值得实测。不适合：主要需求是快速问答、强事实知识或图像视频生成的用户，其他模型更合适。

最终结论：MuseWonderFull 是严肃的模型，在长编码领域是领跑者，但未拿下整体第一。常规版 Muse Wonder 是定价合理的可靠代理模型，却非市场最优性价比。Meta 已明确抵达前沿，但仍有差距待补。Meta 表示完整安全报告与额外评估稍后发布，许多亮眼数字来自自家表格——在更多独立测试出炉前，建议用你自己的真实任务做对比：跑一遍 Muse Wonder，再跑 Opus 5.5、Astra 或 Argon，核对成本与准确率后再做决定。