Knowledge File / AI小生意项目库

2026-10-13 1 浏览免费阅读

Meta 新前沿模型 Muse Wonder Full 闯入 AI 第一梯队

Q: 这篇文章和哪些AI专题相关？

它适合放在Agent工作流、AI副业、AI工具专题里阅读。 关联原因：这篇内容命中「Agent、智能体、Claude Code」等主题信号。；这篇内容命中「项目、小生意、变现」等主题信号。；这篇内容命中「模型、Claude」等主题信号。

Meta 发布 Muse Wonder 与 Muse Wonder Full 两个前沿模型变体，Artificial Analysis 智能指数分别得分 56 和 52，前代 Muse Spark 1.3 为 48。最大提升集中在 agentic coding 与自主问题解决，Terminal-Bench 4.0 从 33% 升至 57%，Coding Agents Index 68 与 Claude Code with Sonnet 5.5 并列，Vals AI Index 第五并击败所有 OpenAI 模型。但事实知识仍是弱点，AA-Omniscience 仅 30/25 分，API 调用成本约为前代三倍，Muse Wonder Full 目前仅限 Muse Code 用户。

SOURCE / AI小生意项目库 MIN / 9 ACCESS / 免费阅读 POST / 2026-10-13 02:48:29

原贴

查看原文

作者：Matthias Bastian 来源站点：the-decoder.com 原贴时间： 2026-10-13 02:48:29

原文

Meta's two new models, Muse Wonder and Muse Wonder Full, close the gap to the leading frontier models. The biggest gains are in agentic coding and autonomous problem-solving. Both versions cost nearly three times as much per API call as their predecessor, Muse Spark 1.3. Meta released its frontier model Muse Wonder in two variants, and both land among the best AI models available. Muse Wonder Full scores 56 points on the Artificial Analysis Intelligence Index v4.3, while Muse Wonder hits 52. Its predecessor, Muse Spark 1.3 , sat at 48 points, which makes this a significant jump from what was a mid-tier model. The biggest gains show up in agentic evaluations, tests that measure how well an AI model can handle complex tasks on its own. On Terminal-Bench 4.0, performance jumped from 33 to 57 percent. Muse Wonder Full places in the top three on six out of ten benchmarks overall, a strong result for Meta, which seems to have recovered after a weaker stretch with its open Llama models. Ad Meta highlights two new features. "Active Memory" lets the model remember key information across conversations and recall it when needed. "Active Focus" is the model's ability to stick with difficult tasks, try alternative approaches, and ask follow-up questions when something isn't clear. Both are central to Meta's pitch for a personal AI agent that can access calendars, messages, and documents. Ad Both models support a one-million-token context window and accept text, images, video, and audio as input. Muse Wonder is available through Meta's API and Muse Code , while Muse Wonder Full is currently limited to Muse Code users. Muse Wonder will soon power the Muse app as well, starting with paying subscribers. Over time, Meta plans to build specialized models from it for all users. Both models show big improvements in coding. Muse Wonder Full hits 68 points on the Coding Agents Index, tying Claude Code with Sonnet 5.5. Muse Wonder scores 63, up from 54 for its predecessor. Ad Factual knowledge remains a weak spot. On the AA-Omniscience knowledge test, Muse Wonder Full manages only 30 points, and Muse Wonder gets 25. That's well behind Claude Opus 5.5 (46), GPT-6 Astra (43), and Gemini 4 Argon (42), which suggests the Wonder series is built on a smaller base model than its competitors. Low hallucination rates help offset this gap. Muse Wonder Full cuts its hallucination rate from 33 to 23 percent compared to its predecessor, the second-lowest among all models scoring at least 45 index points. Only Gemini 4 Argon (15 percent) hallucinates less often. Meta addresses a common criticism in its blog post , that Muse models are tuned for benchmarks but fall short in real-world use. The company says Muse Wonder Full does better than expected on unfamiliar tasks that weren't part of training optimization, and credits this to a stronger base model. Ad On the Vals AI Index , Muse Wonder Full (Max) debuts at fifth place and beats all OpenAI models, according to Vals AI. Only current Anthropic models score higher. Muse Wonder lands at tenth. Ad

中文翻译

Meta 的两个新模型 Muse Wonder 和 Muse Wonder Full 缩小了与领先前沿模型的差距。最大的提升在 agentic coding 和自主问题解决。两个版本每次 API 调用成本几乎是其前代 Muse Spark 1.3 的三倍。Meta 发布了其前沿模型 Muse Wonder 的两个变体，两者都跻身可用的最佳 AI 模型之列。Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得分 56，而 Muse Wonder 得 52。其前代 Muse Spark 1.3 为 48，这使其从中端模型实现了显著跃升。最大的提升出现在 agentic 评估中，这些测试衡量 AI 模型能多好地独立处理复杂任务。在 Terminal-Bench 4.0 上，性能从 33% 跃升至 57%。Muse Wonder Full 在十项基准中的六项上进入前三，这对 Meta 来说是一个强劲结果，它似乎在开放 Llama 模型表现较弱的阶段后恢复了。Meta 强调两个新功能。“Active Memory”让模型能跨对话记住关键信息，并在需要时回忆起来。“Active Focus”是模型坚持困难任务、尝试替代方法，并在某些事情不清楚时提出后续问题的能力。两者都是 Meta 宣传个人 AI agent 的核心，该 agent 可以访问日历、消息和文档。两个模型都支持一百万 token 的上下文窗口，并接受文本、图像、视频和音频作为输入。Muse Wonder 可通过 Meta 的 API 和 Muse Code 使用，而 Muse Wonder Full 目前仅限 Muse Code 用户使用。Muse Wonder 很快也将驱动 Muse app，先从付费订阅者开始。随着时间推移，Meta 计划从中构建面向所有用户的专门模型。两个模型在编码方面都显示出巨大改进。Muse Wonder Full 在 Coding Agents Index 上得分 68，与 Claude Code with Sonnet 5.5 并列。Muse Wonder 得分 63，高于其前代的 54。事实知识仍然是一个弱点。在 AA-Omniscience 知识测试中，Muse Wonder Full 仅得 30 分，Muse Wonder 得 25 分。这远远落后于 Claude Opus 5.5（46）、GPT-6 Astra（43）和 Gemini 4 Argon（42），这表明 Wonder 系列构建在比其竞争对手更小的基础模型上。低幻觉率有助于抵消这一差距。与其前代相比，Muse Wonder Full 将其幻觉率从 33% 降至 23%，在指数得分至少 45 的所有模型中第二低。只有 Gemini 4 Argon（15%）的幻觉率更低。Meta 在其博客文章中回应了一个常见批评，即 Muse 模型针对基准进行调优，但在现实世界使用中表现不足。公司表示，Muse Wonder Full 在未参与训练优化的陌生任务上表现好于预期，并将此归功于更强大的基础模型。在 Vals AI Index 上，据 Vals AI 称，Muse Wonder Full (Max) 首次亮相排名第五，并击败所有 OpenAI 模型。只有当前的 Anthropic 模型得分更高。Muse Wonder 排名第十。

核心信息

Meta 发布 Muse Wonder 与 Muse Wonder Full 两个前沿模型变体，Artificial Analysis 智能指数分别得分 56 和 52，前代 Muse Spark 1.3 为 48。最大提升集中在 agentic coding 与自主问题解决，Terminal-Bench 4.0 从 33% 升至 57%，Coding Agents Index 68 与 Claude Code with Sonnet 5.5 并列，Vals AI Index 第五并击败所有 OpenAI 模型。但事实知识仍是弱点，AA-Omniscience 仅 30/25 分，API 调用成本约为前代三倍，Muse Wonder Full 目前仅限 Muse Code 用户。

Meta 发布 Muse Wonder 与 Muse Wonder Full 两个前沿模型变体，Artificial Analysis 智能指数分别得分 56 和 52，前代 Muse Spark 1.3 为 48。最大提升集中在 agentic coding 与自主问题解决，Terminal-Bench 4.0 从 33% 升至 57%，Coding Agents Index 68 与 Claude Code with Sonnet 5.5 并列，Vals AI Index 第五并击败所有 OpenAI 模型。但事实知识仍是弱点，AA-Omniscience 仅 30/25 分，API 调用成本约为前代三倍，Muse Wonder Full 目前仅限 Muse Code 用户。
原贴提到：Meta's two new models, Muse Wonder and Muse Wonder Full, close the gap t
来源：the-decoder.com

详细解读

这是什么信号：Meta 的 Muse Wonder 和 Muse Wonder Full 不是一次常规迭代。两个变体在 Artificial Analysis Intelligence Index v4.3 拿到 56 和 52，前代 Muse Spark 1.3 只有 48；Terminal-Bench 4.0 从 33% 升到 57%，Coding Agents Index 68 与 Claude Code with Sonnet 5.5 并列，Vals AI Index 第五并击败所有 OpenAI 模型，只有当前 Anthropic 模型更高。Meta 在开放 Llama 模型经历弱势后，重新回到前沿模型竞争，而且把重点放在 agentic coding 和自主问题解决。

为什么重要：这次提升的关键不是通用对话，而是 agent 执行力。Terminal-Bench 和 Coding Agents Index 的表现说明模型更能独立完成复杂任务，这直接关系到编码 agent、自动化工作流和自主问题解决场景。Active Memory 支持跨对话记住关键信息，Active Focus 让模型坚持困难任务、尝试替代方法并主动追问，两者都服务于可访问日历、消息、文档的个人 AI agent。百万 token 上下文与文本、图像、视频、音频输入，则让长任务和多源材料处理更可行。但事实知识仍是短板：AA-Omniscience 仅 30/25 分，落后 Claude Opus 5.5 的 46、GPT-6 Astra 的 43、Gemini 4 Argon 的 42，暗示 Wonder 系列基于更小的基础模型。低幻觉率 23% 部分抵消这一差距，但不足以覆盖知识密集场景。API 调用成本约为前代三倍，Muse Wonder Full 仅限 Muse Code，说明 Meta 在能力分层和商业化分层上同时推进。

对谁有价值：对 AI 开发者、企业模型选型团队、做 agent 产品的创业者、关注编码自动化的工程负责人最有价值。过去选前沿模型时 Meta 常被排除，现在 Muse Wonder Full 在多个 agentic 和编码评测中进入前列，值得重新进入候选清单。对 Meta 生态用户和付费订阅者，Muse Wonder 即将驱动 Muse app 也意味着个人 AI agent 体验可能升级。对 OpenAI 和 Anthropic 而言，Meta 的回归会加大前沿模型竞争，尤其是在编码 agent 和长上下文任务上。

可以怎么行动：第一，在可用的 Muse Wonder API 和 Muse Code 范围内，用真实业务任务而不是只看榜单做测试，重点看跨会话记忆、困难任务坚持、主动追问、多模态输入和编码 agent 表现。第二，对知识问答、事实核查类任务保持谨慎，因为 AA-Omniscience 分数明显落后，需要外部知识库或人工验证兜底。第三，比较 API 成本：约为前代三倍，是否值得取决于任务对 agentic 能力的实际收益。第四，跟踪 Muse Wonder 在 Muse app 付费订阅者中的落地，以及 Meta 后续专门模型的开放节奏。第五，把幻觉率 23% 纳入评估，虽然低于前代且仅 Gemini 4 Argon 的 15% 更低，但仍不是零幻觉。

风险或限制：事实知识弱是最大限制，30/25 分与竞品 46/43/42 差距明显，可能不适合高精度知识工作。API 成本近三倍会抬高规模化使用门槛。Muse Wonder Full 目前仅限 Muse Code 用户，Muse Wonder 的 app 先面向付费订阅者，可用性和覆盖面有限。Meta 在博客中回应了“为基准调优但现实使用不足”的批评，称 Muse Wonder Full 在陌生任务上表现好于预期，但这需要独立真实场景验证。评测排名来自 Artificial Analysis、Vals AI 等第三方，可能随评测版本和竞争模型更新而变化，不能作为唯一决策依据。

信息差价值

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《Meta 新前沿模型 Muse Wonder Full 闯入 AI 第一梯队》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

参考来源

Matthias Bastian 原帖

TOPIC HUBS

延伸专题

Agent工作流 Agent工作流：智能体、AI编程与自动化协作

这篇内容命中「Agent、智能体、Claude Code」等主题信号。

AI副业 AI副业：小生意、项目机会与可收费交付

这篇内容命中「项目、小生意、变现」等主题信号。

AI工具 AI工具：模型、插件、自动化与实战场景

这篇内容命中「模型、Claude」等主题信号。

AI SUMMARY

这篇文章回答了什么