Muse Wonder与Opus 5.5同价：自家14项基准输9项

Meta Superintelligence Labs发布了Muse Wonder和Muse Wonder Full两款模型，但API只提供其中一个。更值得关注的是：你能调用的那个版本，定价与Claude Opus 5.5完全相同，却在Meta自家14项基准测试中输了9项。

两款模型，API只服务一个

据Meta新闻室和TechCrunch报道，Meta发布了Muse Wonder和Muse Wonder Full，称其为"最具能力的模型"，在"个人和专业agentic任务上达到最先进性能"。

但只有一个版本提供API密钥：

• Muse Wonder在Meta Model API上以muse-wonder-1.0提供，OpenRouter上为meta/muse-wonder。定价$4/百万输入token，$20/百万输出token。缓存输入报告为$0.20/百万。模型卡列出100万token上下文，支持文本、图像、视频和音频输入，文本输出。
• Muse Wonder Full仅限Muse Code订阅用户。不通过API提供。$50/月的Power Usage计划包含它，$200的Maximum Usage层级在其之上。

Opus 5.5定价相同：$4输入/$20输出，$0.20缓存读取。GPT-6 Astra和Claude Fable 5.1均为$10输入/$50输出。

所以公平对决是Wonder对Opus 5.5——输入、输出和缓存价格完全一致。

关于 token 定价与缓存输入的说明：大模型 API 通常按处理文本的最小单位——token——计费，收费分为输入（你发给模型的提示、上下文）和输出（模型生成的内容）两档，输出通常更贵。本文中 $4/百万输入 token 意为每处理 100 万个输入 token 收费 4 美元。缓存输入（cached input） 是提示缓存（prompt caching）机制：当多次请求共享相同的前缀（如固定的系统提示、长文档）时，服务商可复用已计算的中间状态，从而以远低于常规输入的价格计费，$0.20/百万即约为标准输入价的 1/20。由于 agent 循环会反复发送相同的上下文与工具定义，缓存命中率直接决定实际账单，这也是为什么各家把缓存价格单列对比。

Meta的记分卡：逐行分析

以下数字来自Meta模型卡，均为最大推理努力设置。最后一列是Muse Wonder（API版本）对Opus 5.5的结果：

基准测试	Wonder Full	Wonder (API)	Opus 5.5	Wonder vs Opus
个人超级智能指数	59.1	54.3	55.2	负
Harvey LAB-AA（法律）	13.1	10.0	4.2	胜
Vals金融Agent V2	59.1	56.6	58.6	负
HealthBench Pro	62.3	60.5	65.6	负
AutomationBench-AA	45.4	39.1	41.2	负
GDP.pdf	33.2	30.8	30.6	胜
JobBench	75.3	70.5	75.4	负
OSWorld V2.1	78.4	72.6	81.8	负
MemoryBench	85.5	85.6	81.5	胜
Terminal-Bench 4.0	57.1	52.0	59.6	负
DeepSWE 1.1	79.0	78.8	74.2	胜
SWE-Marathon	57.5	53.1	46.3	胜
ProgramBench	59.0	50.0	70.5	负
AA智能指数	56	52	58	负

统计最后一列：5胜9负。

差距有大有小。ProgramBench是最大差距：50.0对70.5，Opus领先20.5分。OSWorld V2.1输9.2分，Terminal-Bench输7.6分，HealthBench Pro输5.1分。也有些接近的：个人超级智能指数仅差0.9分，Vals金融差2.0分，AutomationBench差2.1分。

关于“最大推理努力”与基准测试：“推理努力（reasoning effort）”指模型在回答前进行多少内部思考——思考越久，通常准确率越高，但延迟和 token 消耗也越大。厂商表格常标注为“最大努力”模式，意味着该成绩是模型以最慢最贵的配置跑出的，日常调用往往达不到这个水平。基准测试方面，常见几类：SWE-Bench 类考察真实软件仓库的缺陷修复；Terminal-Bench 考察在命令行环境中执行多步任务；OSWorld 衡量在图形操作系统里完成操作的能力；HealthBench 评估医学问答。厂商自建基准（如 Meta 的“个人超级智能指数”、MemoryBench）因数据不公开、且常由自家 LLM 充当裁判，可比性弱于第三方基准（如 Datacurve、Artificial Analysis），阅读时需区分来源。

Wonder在哪里获胜

五场胜利中，GDP.pdf以30.8对30.6仅领先0.2分——在厂商表格上这基本算平局。其余四场值得关注：

长周期编程任务。 DeepSWE 1.1上，Wonder得分78.8对Opus的74.2。模型卡脚注说明，Wonder、Wonder Full和Opus 5.5的DeepSWE结果都来自第三方Datacurve。这是表格上最干净的胜利：同一个外部来源测量了两个模型。

SWE-Marathon是Wonder对Opus的最大差距，53.1对46.3，来源是Abundant AI。但脚注补充：Astra和Fable使用Codex和Claude Code运行，"此行不是受控的通用harness对比"。这是一个有力信号，但带星号。

法律Agent任务。 Harvey LAB-AA上，Wonder得分10.0对Opus的4.2，翻了一倍多。但看绝对数字——全行最高分是Wonder Full的13.1，所有模型得分都低。如果你在做法律工具，这值得测试。

记忆能力。 MemoryBench上，Wonder得分85.6对81.5。这是Meta内部基准，使用LLM评判。Meta构建、Meta运行、模型评分。它与Meta的Active Memory功能一致，但应作为厂商数据看待。

注意编程胜利的位置：都是长周期任务行。Terminal-Bench和ProgramBench则分别输给Opus 7.6分和20.5分。

脚注透露了什么

模型卡中四行脚注改变了表格的解读方式：

1. 分数选择方式："存在可比的第三方或提供商报告结果时，我们使用它；否则使用内部验证运行、自报分数或官方排行榜分数中的最高值。"没有外部数字时，表格取三个中的最高分。

2. 竞品运行是尽力而为："内部生成的竞品运行在实际可行时使用通用设置，但仍是尽力而为：提示、工具和运行时可能未针对专有模型优化。"

3. Harness混合使用：DeepSWE混合了Datacurve运行、OpenAI的Astra提供商数据和Anthropic的Fable系统卡。SWE-Marathon比较的是不同agent harness中的模型。

4. 头条模型设置不同：表格标注为最大推理努力，但Wonder Full在SWE-Marathon的57.5分"以xhigh推理努力报告"。

另外，个人超级智能指数和MemoryBench都是Meta内部基准。限制部分明确说明："性能可能因量化、服务配置、提示、工具和agent harness而变化。"

独立验证

Artificial Analysis给Muse Wonder的智能指数为52，在219个模型中排名第9。Opus 5.5为58，AA称其为"我们测量到的最高分，领先数分"。Astra得分53，Wonder Full得分56。

比Opus低6分，价格相同。

公平地说，AA指出Muse Spark 1.3得分48，距Wonder仅6周发布时间。六周内提升4个指数点相当陡峭。

操作层面的数据在放入agent循环时更关键：

指标（Artificial Analysis）	Muse Wonder	可比模型
首token延迟	19.27秒	中位数5.52秒
运行索引的输出token	130M	中位数85M
输出速度	83.0 tokens/秒	无
每智能指数任务成本	$4.52	无

编程agent每个任务多次调用。AA测量首token延迟19.27秒，约为5.52秒中位数的3.5倍——在agent循环中这个等待会重复。130M输出token对比85M中位数意味着更多账单落在$20那一侧。

早期反馈也呈现分歧。Hacker News线程中有人发现图像转HTML测试"比Opus 5.5差很多"，另一人称其"在真实世界性能上仍落后整整一代"。也有人热情支持。这些都应作为轶事看待。Handy AI报道Meta的Alexandr Wang称API定价将"显著低于"竞品——对$10/$50的Astra和Fable确实如此，对Opus 5.5则完全一致。

关于 Agent 循环与运行指标：Agent（智能体）的工作方式是让模型不断“思考—调用工具—观察结果”循环往复，直到任务完成，因此一次任务可能触发几十次 API 调用。在这种模式下，单次请求的首 token 延迟（TTFT，Time To First Token） 会被反复累加——每次调用都要等模型吐出第一个字，19.27 秒的等待乘以循环次数会成为显著瓶颈。输出 token 消耗量 同样被放大：AA 统计 Muse Wonder 完成一整套运行索引任务需输出 130M token，远高于同类中位数 85M，叠加 $20/百万输出价，意味着单任务成本更高。每智能指数任务成本 则是把花费除以“智能指数”得分，衡量性价比。这些指标共同说明：基准分数接近的模型，在真实 agent 流水线里的可用性和开销可能差距很大。

结论

Wonder是真正的前沿级模型，在独立指数上219个模型中排名第9。但在$4/$20价位，Opus 5.5在Meta自家大部分行上是更好的选择，而能击败Opus的Wonder版本需要$50/月的Muse Code计划。Wonder在四个场景值得测试：

• 长周期编程agent团队：DeepSWE和SWE-Marathon是其最佳行，且DeepSWE数字来自第三方。
• 法律Agent开发者：Harvey LAB-AA是10.0对4.2的差距。
• 当前使用Astra的金融Agent开发者：Wonder在Vals金融Agent V2上击败Astra，56.6对53.5，价格不到一半。Opus 5.5在Wonder价位得分58.6，两个都值得测试。
• 需要$4/$20价位100万token上下文的用户：多一个同价位提供商选择。

基准领先是运行自己测试的理由。在法律或金融工作中，无论哪个模型输出，仍需专业审查。