Meta追上Anthropic了？Muse Wonder实测解析

什么让Muse Wonder值得关注

长久以来，前沿大模型的第一梯队几乎被OpenAI和Anthropic牢牢占据。Meta虽然一直在迭代Spark系列，但始终未能真正跻身「同一档」的讨论。而这一次，情况似乎发生了变化。

一位长期追踪模型表现的YouTube创作者在连续数日实测Meta新发布的Muse Wonder后给出了相当高的评价。他在Artificial Analysis上看到的结果是：Muse Wonder Full Max跑分不仅远超此前的Spark 1.3，还击败了所有OpenAI模型，位列整体第三。这个成绩放在过去几乎不可想象。

但他也强调自己并未拿Meta一分钱，只是提前拿到了测试权限。真正打动他的并非跑分，而是在日常编码工作中那些「没法被基准测试量化」的体验。

Artificial Analysis 是一个被业界广泛引用的第三方大模型评测平台，它通过聚合多项公开基准（如 MMLU、GPQA、编码能力、数学推理等）并计算综合得分，对各家模型进行横向排名。与厂商自报的跑分不同，它的价值在于评测口径统一、可跨模型对比，因此常被用来判断一款模型是否真正跻身第一梯队。不过需要注意，这类综合榜单高度依赖所选基准的权重与覆盖范围，对长任务稳定性、指令遵循质量、输出可读性等难以量化的维度反映有限。这也正是文中创作者强调「真正打动他的并非跑分」的原因——榜单能告诉你模型大致处在什么位置，却无法替代真实工作流中的实测体验。

命名与定价：Meta的老毛病

Meta这次在产品命名和定价透明度上再次暴露了不成熟。

Muse Wonder实际上分为两个版本：Muse Wonder和Muse Wonder Full。后者速度约为50 tps，而基础版约为120 tps。问题在于，只有基础版Muse Wonder开放了API并公布了价格——每百万输入4美元、输出20美元。Full版本仅通过Muse Code订阅提供，完全没有公开定价。

这直接导致一个严重后果：你无法对Full版本做任何价格与性能的对比分析。而恰恰是Full版本在各种基准测试中展现了最强的成绩。创作者用「cringe」形容这种做法，认为Meta还没有习惯拥有一款足够好的模型。

真实编码场景中的表现

编排能力出人意料

在日常测试中，创作者发现Muse Wonder在作为「指挥官」调度其他模型时表现优异。它能清晰地向子代理描述任务范围、要求和约束条件——「不要引用你没有打开过的文件」「不要编辑任何文件，仅做分析」——这种提示质量在其他非Anthropic/OpenAI实验室的模型中很少见到。

他搭建了一个名为TS Rust的编译器项目，在其中同时运行Muse和Opus进行对比。经过115个以上代理的协作，Muse承担了大部分常规修复工作，而Opus负责高风险的设计决策。最终Opus给Muse打了B+，给自己打了A-。

子代理（sub-agent）编排 是当前代理式编程中的一种流行架构：一个「主控模型」负责理解高层目标、拆解任务、分派给多个专职子代理并行执行，自身则充当调度者和审查者。这种做法能突破单个模型上下文长度和单线程推理的限制，把复杂工程拆成大量可并行的子任务。其成败关键往往不在子代理本身，而在主控模型能否写出高质量的委派指令——比如明确划定任务边界、禁止越权操作、要求引用真实文件等。指令写得含糊，子代理就会跑偏甚至产生幻觉式的修改；写得清晰，整体效率可以成倍提升。因此「编排能力」正逐渐被视为衡量前沿模型工程实用性的核心指标之一。

可读性与实用性

在一项具体调试任务中，创作者让Muse、Sol和Opus分别处理同一个远程更新失效的bug。结果对比鲜明：Sol完全误判了问题所在，Opus花了大量篇幅但输出冗长，而Muse用极简的格式给出了清晰的根因分析和修复建议——甚至还找到了另一个开发者已经提交的、更简洁的修复PR。

这种「可读性」在创作者看来是Muse Wonder最被低估的优势，也是任何基准测试都无法衡量的能力。

跑分与实测数据

在创作者自制的代码审计基准中，Full版本与Astra和Fable表现接近，而基础版Muse Wonder的得分几乎只有Full版本的一半——超过30%的差距。这意味着如果通过API调用基础版来做复杂任务，体验会大打折扣。

一项PR审查对比显示，Opus发现23个有效问题（含8个nits），Sol仅发现9个，而Muse以16个发现处于中间位置——在噪音控制与覆盖面之间找到了不错的平衡。

tps（tokens per second，每秒生成令牌数） 是衡量模型推理速度的核心指标，直接决定交互体验。一般而言，低于 30 tps 的模型会让人明显感到等待，60–100 tps 可满足大多数对话与编码需求，达到 100 tps 以上则相当流畅。文中基础版 Muse Wonder 约 120 tps、Full 版约 50 tps 的差异值得关注：Full 版本在基准测试中更强，却因速度较慢、且仅通过订阅提供而缺乏价格透明度。这提示我们，模型选型不能只看单次回答的智能水平，还要把吞吐速度、成本与稳定性一起纳入考量——对于需要大量代理协作的长任务，速度劣势会被显著放大。

短板同样明显

3D与前端的灾难

Muse Wonder在3D建模和前端UI方面表现糟糕。创作者测试其生成3D游戏和Blender模型时直言「垃圾」。Meta自己在模型限制说明中也承认，视觉和空间推理——特别是3D任务——是已知的薄弱环节。

他借此提出一个更广泛的观察：近期模型在3D能力上的跃升并非源于模型「变聪明了」，而是某些实验室专门在后期训练中加入了3D环境。这是一种针对性训练的结果，而非智能涌现。

后期训练（post-training）中的针对性环境注入 是理解近期部分模型能力跃升的关键。所谓后期训练，指在预训练之后通过监督微调、强化学习等手段塑造模型行为。如果厂商在强化学习阶段大量引入特定环境（例如 3D 场景、Blender 脚本、游戏引擎接口）作为可交互的反馈信号，模型就会在这些具体任务上被「练」得很熟。这种提升属于定向优化，而非通用智能的自然涌现。它解释了为何某些模型在 3D 生成上突飞猛进，却在其他领域毫无进步，也提醒我们：评估一款模型时，要区分哪些能力来自专门训练、哪些来自可迁移的通用推理——前者往往边界清晰、迁移性差。

基础版不值得选

综合来看，创作者认为基础版Muse Wonder在当前定价下毫无竞争力。网上很多人用API接入基础版后得到的糟糕体验，很可能正在误导公众对Meta这次发布的整体评价。

为什么这仍然重要

抛开产品层面的粗糙，Muse Wonder Full带来的真正意义在于：前沿模型竞赛中出现了第三个玩家。创作者用「frontier-ish」来形容它——不那么完美，但在长篇任务、多代理编排和稳定性方面已经够格。

他甚至愿意让它做日常主力模型，只在关键任务时叫Opus来复核。这种格局上的变化，对于整个AI行业的竞争与成本优化而言，远比一两个跑分更有价值。