Muse Wonder 对比 Claude Opus 5.5：同价不同活

Muse Wonder 与 Claude Opus 5.5 对比

当两个大模型在官方 API 上定价几乎完全一致，比较就变得异常干净：价格被踢出方程，剩下的只有"这活谁干得更好"。Muse Wonder 和 Claude Opus 5.5 就是这样一个罕见的对照组——输入每百万 token 4 美元，输出每百万 token 20 美元，缓存输入每百万 token 0.20 美元，上下文窗口同为 100 万 token。

从 Artificial Analysis 的独立指数看，Opus 5.5 拿到 58 分，Wonder 是 52 分。而在 Meta 自己发布的 agentic benchmark 中，更大的兄弟型号 Muse Wonder Full 领先于长时编程和法律任务；即便 API 上可用的 Wonder 标准版，也在 SWE-Marathon 上超过了 Opus。按单任务成本算，Wonder 为 4.52 美元，Opus 为 5.98 美元。

这篇文章从参数、benchmark、按任务成本、工具生态和数据条款几个维度对比两者，回答最实际的问题：哪类活该交给哪个模型。

参数与定位差异

项目	Muse Wonder	Claude Opus 5.5
模型 ID	`muse-wonder-1.0`	`claude-opus-5-5`
输入/输出/缓存每 1M token	4 / 20 / 0.20 美元	4 / 20 / 0.20 美元（缓存读取）
上下文	100 万 token	100 万 token
输入模态	文本、图像、视频、音频	文本、图像、PDF
API 格式	Responses、Chat Completions、Messages	Messages，外加 OpenAI 兼容端点
推理控制	`effort` 从 `minimal` 到 `max`；始终推理	多档 `effort`；扩展推理
官方 API 限速	3,000 RPM，每组织 4M TPM	按消费层级分档
更大兄弟型号	Muse Wonder Full，仅限 Muse Code	无
权重	闭源	闭源

看 benchmark 之前需要记住两点。第一，Wonder 原生支持视频和音频输入，Opus 5.5 不支持。第二，Opus 5.5 是 Anthropic 产品线中的旗舰，而 Wonder 被 Meta 明确描述为其两款模型中较小的那一个。所以当你看到 Meta 的图表赢了 Opus，要先确认那一列属于 Wonder 还是 Wonder Full。

Meta 自家 benchmark：八项中 Opus 赢五项

按 Meta 模型卡在 effort 最高档的设定，API 可用版 Wonder 与 Opus 5.5 的对比如下：

Benchmark	Muse Wonder	Claude Opus 5.5	胜方
Artificial Analysis Intelligence Index	52	58	Opus 5.5
Harvey LAB-AA（法律）	10.0	4.2	Wonder
AutomationBench-AA	39.1	41.2	Opus 5.5
JobBench	70.5	75.4	Opus 5.5
DeepSWE 1.1	78.8	74.2	Wonder
SWE-Marathon	53.1	46.3	Wonder
Terminal-Bench 4.0-AA	52.0	59.6	Opus 5.5
HealthBench Pro	60.5	65.6	Opus 5.5

即使在 Meta 自家的表里，Opus 依然赢了八行中的五行。Wonder 赢的是软件工程和法律相关两组。SWE-Marathon 上 6.8 分的差距也是 Meta 强调的点：长时间运行的编程任务，要求 agent 在多步骤中维持表现。

独立视角的 benchmark

Artificial Analysis 在两者 effort 最高档的评估结果：

指标	Muse Wonder	Claude Opus 5.5
Intelligence Index v4.3	52	58
AA-Omniscience（知识）	25	46
幻觉率	27%	同表未列
GDPval-AA Elo	不可用；Wonder Full 为 1857	1866
Coding Agents Index	63	66（搭配 Claude Code）
每指标任务输出 token	约 54,000	未列
每指标任务成本	4.52 美元	5.98 美元

知识差距是单项差异中最大的：按这个测量，Opus 掌握的fact几乎接近 Wonder 的两倍。对于重检索的产品，Wonder 应搭配明确的 grounding，而 Opus 在缺少上下文时有时能答得更好。编程 agent 方面，跑在 Opus 5.5 上的 Claude Code 以 66 略胜 Wonder 的 63；只有 Wonder Full 才是 68。

Artificial Analysis 是一家独立的第三方模型评测机构，它不依赖任何厂商提供的数据，而是自行搭建评测框架、调用各模型的官方 API 并公开方法论与原始分数。其核心产品 Intelligence Index 是一个把推理、知识、数学、编程等多个子项加权汇总的复合分数，因此常被用来横向比较不同厂商的模型。AA-Omniscience 是该机构专测事实性知识的子项，分数越高代表模型在不给出上下文的条件下答对冷门事实题的比例越高，接近一半的分数意味着模型已经具备相当扎实的世界知识。GDPval-AA 则把模型放到接近真实经济价值的任务上，用 Elo 排名的方式比较输出质量，1857 与 1866 这样相邻的数值通常意味着两者在同一档位，差距未必具有统计显著性。

按任务算成本，而不只是按 token

定价相同并不意味着账单相同。Artificial Analysis 测得 Wonder 每个指标任务 4.52 美元，Opus 为 5.98 美元。差异来自成本结构：Wonder 的 4.52 美元里只有 1.08 美元是输出成本，3.43 美元是输入成本，其中大部分来自缓存的写入和读取。Opus 的成本则更偏向输出端。

哪个模型更便宜取决于工作负载：

长 agentic 循环、反复发送同一个稳定前缀，对 Wonder 有利，因为缓存每百万 token 只要 0.20 美元。
用短 prompt 生成长回答的任务会让差距收窄。
不要从价目表外推，要测你自己流量上的 usage。

可以在每次响应后用这个公式算成本：

cost =
  (input_tokens / 1_000_000 × 4)
+ (output_tokens / 1_000_000 × 20)
+ (cached_input_tokens / 1_000_000 × 0.20)

通用规则对两者都适用：读取每次响应中的 usage 字段，按真实流量重算成本。

缓存输入（cached input）指的是把一段反复出现的提示前缀——比如系统提示、工具定义、长文档——预先存入模型侧，后续请求命中缓存时按极低单价计费，从而避免每次都重复计算和重复计价。它通常分两个动作：写入缓存一般按正常或略高的输入价计费，命中读取才享受 0.20 美元每百万 token 的折扣，因此只有当前缀被复用足够多次，缓存才真正省钱。这解释了为什么 Wonder 每任务的 4.52 美元里输入占 3.43 美元：长 agentic 循环里每一步都要重发同一段上下文，写入和读取的份额自然偏高。反过来，短 prompt 生成长回答时缓存命中率低，输入端的优势就被摊薄，成本会更接近 Opus。

工具与生态

Claude Opus 5.5 生态更深：Claude Code、Agent SDK、Managed Agents，可在 Bedrock、Google Cloud 和 Microsoft Foundry 上使用，还有大量第三方集成。在 API 上运行长时任务（可长达 18 小时）为长程 agent 设定了标准。

Muse Wonder 的系统生态还很年轻，发布仅数日。模型已上 Meta 自家 API（支持三种请求格式）、Muse Code、Vercel AI Gateway 和 Cloudflare Workers AI。Meta 的文档也指导如何把 Claude Code 和 Codex 指向 api.meta.ai，直接瞄准 Anthropic 和 OpenAI 工具 harness 的用户。不过 Wonder 还没有 Managed Agents 的对应物。Meta 的无留存模式也会关闭服务端状态、背景任务、文件上传和网页搜索。

发布周还出现过 Muse Code 配额被快速耗尽的 bug，虽然当天就修复了。对于处于这个阶段的新模型，第一个月里预期某些边角不够顺滑是合理的。

Managed Agents 是 Anthropic 提供的一类托管能力，开发者无需自己维护任务队列、状态存储和重试逻辑，服务端会持续运行 agent 直到完成或超时，官方所称最长 18 小时的长时任务正依赖这一层基础设施。缺了对应物意味着想跑长时任务的一方必须自己实现编排、持久化和断点续跑，工程投入明显更高。bedrock、Google Cloud 和 Microsoft Foundry 则是三大云厂商的模型托管平台，模型上架后企业可以在已有的云账号、合规边界和私有网络里调用，无需单独对接厂商 API。对于采购流程要求走云市场、数据必须留在自有 VPC 内的团队，是否上架往往比 benchmark 分数更能决定选型。

安全与数据

Meta 和 Anthropic 都建议在有后果的 agentic 动作前进行人工确认。Meta 训练 Wonder 在重要动作前先确认，未经许可不分享私密信息。完整的安全报告尚未完成，Meta 也不排除在缺乏防护措施时存在高风险化学或生物能力的可能。Anthropic 在发布时公布了 system card，关于 Opus 5.5 的 prompt injection 细节包含一个 85% 的数字。

数据方面，Meta API 的 Standard 模式不会用你的流量训练。注册 Muse Code 默认使用 Contributor 模式，会进行训练。Anthropic 默认不会用 API 流量训练。

prompt injection 指攻击者把恶意指令藏在模型会读到的内容里——网页、文档、工具返回值——诱导 agent 偏离原本任务执行危险操作，例如外发私密数据或调用不该调用的工具。Anthropic 在 system card 里给出的 85% 数字，一般理解为在某种受控攻击测试下模型拒绝或抵御注入的比例，但具体口径需要对照原始文档，不能直接当作通用防护率。无留存模式（no-retention）则要求服务端不保存请求与响应，代价是任何依赖服务端状态的功能都会失效，这也是 Meta 该模式关闭背景任务、文件上传和网页搜索的原因：这些能力本质上都需要服务端留存中间数据。

哪类活交给哪个模型

工作	选择	理由
长时、多步骤、预期会遇阻的编程 agent	试 Wonder	SWE-Marathon 53.1 对 46.3；重缓存的成本结构
法律文档 agent	试 Wonder	Harvey LAB 10.0 对 4.2
事实问答、研究助手	Opus 5.5	Omniscience 46 对 25
终端与 DevOps agent	Opus 5.5	Terminal-Bench 59.6 对 52.0
健康、专业咨询	Opus 5.5	HealthBench 65.6 对 60.5
视频或音频输入	Wonder	Opus 5.5 不支持
部署到 Bedrock、Google Cloud 或 Foundry	Opus 5.5	Wonder 仅限官方、Vercel 和 Cloudflare
用最强模型做交互式编程	Opus 5.5 API，或 Muse Code 里的 Wonder Full	Wonder Full 仅订阅制提供

一个诚实的总结：Opus 5.5 是更聪明的通用模型，也是更安全的默认选择。当工作负载与 Meta 的 benchmark 形态相似——尤其是长 agentic 运行配合工具——或者视频、音频输入是硬性需求时，Wonder 值得一试。

在 Apidog 里跑对比

由于两个模型都支持 OpenAI 和 Anthropic 风格的请求，一个 Apidog 项目可以同时保留同一套测试用例。可以按以下步骤做：

创建 Meta 环境，base_url 设为 https://api.meta.ai/v1。
创建 Anthropic 环境，base URL 对应设置。
把各家的 API key 设为密钥变量。
为 Wonder 创建 Responses 请求，为 Opus 创建 Messages 请求。
保持相同的 system prompt、工具和任务。
验证你的应用所需的输出结构。
加一个 post-processor，在每次运行后记录 usage 和美元成本。
在你实际部署的 effort 档位运行，而不是最高档。

来自你自己系统的十个任务，胜过任何供应商的 benchmark 表。把两个模型放进同一个 workspace 并排跑，答案会自己浮现。