Meta发布Muse Wonder系列：编程与Agent测试超GPT-6 Astra

等了一年多，Meta总算又端出了一款能和OpenAI、Anthropic掰手腕的大模型。

10月12日，扎克伯格对外宣布，Meta超级智能实验室（MSL）正式推出Muse Wonder和Muse Wonder Full。这也是MSL成立一年多来，第一次发布号称达到前沿水平的旗舰模型。而在此之前，OpenAI、Anthropic轮番把模型榜单刷了个遍，Meta却一直没掏出新一代旗舰，外界一度以为扎克伯格已经不打SOTA这场仗了。

现在看，Meta是把大招攒着。编程、长周期Agent任务、记忆能力等测试里，Wonder Full的成绩相当扎眼，有些项目甚至压过了GPT-6 Astra和Claude Opus 5.5。

2025年4月，被Meta寄予厚望的Llama 4问世，结果没能接住之前的势头，还卷进性能和刷榜的争议里。之后扎克伯格亲自出面，砸下重金挖人，重建AI研发团队。如今这张成绩单总算交到了他手上。那Meta的新模型到底有多能打？

01

Meta终于又有了顶级模型

这次Meta带来的是两款：Muse Wonder和性能更强的Muse Wonder Full，都支持100万Token上下文窗口，主攻编程、长期Agent任务和专业知识工作。

Meta公布的官方Benchmark显示，Wonder Full在不少项目上已经能和OpenAI、Anthropic的旗舰模型正面碰一碰。

其中一个指标格外引人关注，叫Personal Superintelligence Index（个人超级智能指数）。它由Meta内部制定，是七项个人事务和知识工作相关测试的综合体，涉及专业工作、自动化流程、网页操作等场景。

这项测试里，Wonder Full以59.1%排在第一，Claude Opus 5.5和GPT-6 Astra分别是55.2%和54.5%；普通版Wonder拿到54.3%，也把Fable 5.1甩在了后面。

Meta还特意秀了模型的自动化和记忆能力。衡量端到端业务流程自动化能力的AutomationBench-AA中，Wonder Full拿下45.4%，高于Astra的41.6%和Opus 5.5的41.2%。

测试长期对话记忆能力的MemoryBench里，普通版Wonder甚至以85.6%略微超过Wonder Full的85.5%，Opus 5.5和Astra则分别为81.5%和81.4%。这项测试由Meta内部开发，主要看模型能不能从塞满干扰和信息更新的长对话中准确把关键内容找回来。

个人与专业任务、流程自动化、长对话信息提取，这三项测试已经把Meta对Agent能力的看重摆得很清楚了。

当然，Meta把目光投向个人Agent，也没打算在Coding能力上让给OpenAI和Anthropic。测试长期软件工程能力的DeepSWE 1.1中，Wonder Full取得79.0%，超过GPT-6 Astra的74.1%和Claude Opus 5.5的74.2%；任务周期更长、要求模型持续修改和维护软件项目的SWE-Marathon里，Wonder Full成功率达到57.5%，GPT-6 Astra为42.5%，Claude Opus 5.5为46.3%。

Meta重点展示的五项测试中，Wonder Full全部领先两家竞争对手的旗舰模型；就连普通版Wonder，在编程和记忆测试里也挺有竞争力。

不过，这还不足以说明Meta已经全面压过OpenAI和Anthropic。上述成绩里包含Meta内部制定的评估指标，不同测试的运行配置也有差别，不能直接等同于真实使用体验。

第三方综合评估Artificial Analysis Intelligence Index中，Wonder Full拿到56分，领先GPT-6 Astra的53分，但还是低于Claude Opus 5.5的58分。

成绩之外，定价也值得一看。目前普通版Muse Wonder已经通过Meta Model API和Muse Code开放，API输入价格为每百万Token 4美元，输出20美元，缓存输入0.2美元。

Claude Opus 5.5的标准API定价跟Wonder一样，也是输入4美元、输出20美元；GPT-6 Astra则是输入10美元、输出50美元。

三款模型在部分测试中咬得很紧，Wonder这个价格因此有不小的竞争力。Meta还承诺，用更长的上下文不会另外收费。

但跑分更高的Wonder Full眼下没法单独买API。它只对Muse Code的Power Usage和Maximum Usage订户开放，前者50美元一个月，后者200美元一个月。新套餐给到的用量额度，是基础版Everyday Usage的80倍。

个人Agent产品Muse还没跟着升到Wonder。Meta的说法是，Wonder会逐步接进Muse，先给订阅用户用，之后还会推出面向大众的专门版本；Wonder Full什么时候进Muse，目前没有公布。

旗舰模型是发了，可对多数用户来说，这轮更新落在手里的还只是开发者产品，以及一些将要上线的功能预告。

02

瞄准消费级Agent市场

跑分之外，Meta在官方技术博客里用相当篇幅聊了模型的泛化能力。

博客里点了两个词：Benchmaxxing和Big model smell。前者说的是模型过度针对热门Benchmark训练，可以理解成刷榜式优化；后者直译是“大模型味儿”，说法偏玄。Meta的意思是，两款模型即便跑分接近，真正去处理陌生任务时也可能差得很远——有些能力不在热门Benchmark的覆盖范围内，用户实际用起来却能感觉到。

为此Meta拿Muse Spark 1.3和Wonder Full做了一次对比。他们把两类任务摆在一起：一类在后训练阶段被重点优化过，另一类没被专门针对过，然后看两款模型在不同推理强度下各自的表现。

在重点优化任务上成绩差不多的情况下，Wonder Full处理陌生任务的表现更好，超出了按Spark 1.3测试趋势推出来的预期。Meta给出的解释是，Wonder的底子是一个更大、更强的基础模型，基础模型越强，后训练带来的提升越可能迁移到没专门训练过的任务上。

比那些数字更能说明Wonder研发方向的，或许是Meta晒出的一批官方案例。

比如安排一次周六跑步：Wonder会结合用户的个人偏好和现实情况，在浏览器和多个应用之间来回操作，把跑步计划定出来。

再比如安排婚礼座位：用户抛出一堆复杂要求，涉及宾客之间的关系、座位怎么排等限制条件，Wonder照着这些条件生成了一份定制座位表。

Meta还演示了Wonder读取用户Instagram账号里的真实照片，据此设计个性化纪念品，并接着把订购也做完。

专业点的事它也能干——拿用户给的图片直接生成一个能玩的3D厨房游戏，或者处理保险理赔、读懂租赁合同、分析个人财务。

要撑起这些任务，Meta特别提了Wonder的两项能力：Active Memory（主动记忆）和Active Focus（主动专注）。

靠前者，模型能跨对话记住关键信息，该用的时候主动把相关内容找出来；靠后者，模型碰上难处会换别的路子、绕过障碍把任务往下推，需要时还会问用户或者跟用户确认。

消费级个人Agent面对的任务，用户交代起来什么都有，牵扯的工具、目标和限制条件也各不相同。开发者没法提前把所有情况都想到，更不可能为生活里的每一种任务都单独训一个模型出来。

在几个固定任务上拿最高分，并不是Meta最看重的。它更想让Wonder能应付足够宽的范围，哪怕是事先根本没想到的问题。

Wonder发布前一天，Meta首席AI官Alexandr Wang接受了David Senra的采访，聊的就是Meta为什么把筹码压在消费级个人Agent上。

他提到，今年初Claude在编程上甩开其他人一大截，行业里一度认定Coding Agent就是AI最要紧的产品形态，想挤进这个市场跟Anthropic掰手腕的人几乎到处都是。

可Meta走的是另一条路。

Alexandr Wang的判断是，Meta的天然优势在消费市场。Instagram、WhatsApp和Facebook这些产品都在它手里，旗下应用每天触达约35亿用户。所以消费级个人Agent成了Meta的重点方向。

但押注消费级Agent，不代表Meta要把Coding能力丢掉。反过来看，Wonder这次最亮眼的几项成绩，恰恰出自编程测试。

说到底，将来的个人Agent一样可能要帮用户搭网站、写小工具、处理数据，甚至临时做出一款应用。这些活儿对模型的编程和工具使用能力要求都不低。

何况专业开发者市场Meta也没打算让出去。通过Muse Code和Model API，Wonder照样能给别的Agent产品当底层模型。

换句话说，产品层面Meta打的是差异化，底层模型上它还是想尽量把前沿能力做全。

Wonder就是Meta沿着这条路交出的最新一份答卷。

在Meta的盘算里，Muse负责把个人Agent送到普通用户手上，Wonder则负责给它更强的模型能力。

03

Llama4之后

按Meta自己的说法，这场AI业务重建用了14个月。

不过要把来龙去脉讲明白，时间还得再往前拨一点。

25年4月，Meta拿出Llama 4 Scout和Maverick，同时预告了参数更大的Behemoth，想保住Llama系列在开放权重模型这块的领先位置。

结果不太好看。Llama 4的实际表现没到外界预期，Maverick还因为交给LMArena的测试版本跟公开版本对不上，惹出了刷榜的争议。

Meta内部对此也挺失望。

前一天的采访里，Alexandr Wang说起Llama 4发布之后那段日子。他讲，自己和扎克伯格2021年或2022年就认识了，但之前联系并不频繁。

一直到Llama 4失利以后，扎克伯格忽然发消息过来，问他有没有空通个电话。

一开始扎克伯格只是找他拿主意：Meta的AI究竟哪里出了问题，下一步该怎么走？

两个人起初只聊战略，慢慢才谈到合作。从扎克伯格头一回联系他，到Meta正式对外宣布交易，前后只用了五六周。

2025年6月，Meta宣布向Scale AI投资143亿美元，拿到49%的股权，并把当时只有28岁的创始人Alexandr Wang招了进来。

紧接着，Meta组建了超级智能实验室MSL，首席AI官由Wang出任，前GitHub CEO Nat Friedman等一批人也进入了管理层。

随之而来的，是一场声势不小的抢人大战。

研究人才成了争夺对象，OpenAI、Google DeepMind等对手阵营里的人被Meta挖走，扎克伯格本人甚至亲自出面联络。有报道称，部分顶尖研究员拿到的薪酬方案达到数亿美元。

钱和人到位了，新实验室的运转却算不上顺风顺水。

2025年8月，The Information报道称，Meta打算在半年之内第四次动AI组织架构，把MSL按前沿模型、产品、基础设施和基础研究切成不同团队。

10月，Alexandr Wang又对外宣布，AI部门裁掉约600个岗位，新组建的前沿模型团队TBD Lab不在其列。

按照他的说法，团队规模压小之后，沟通成本能降下来，决策也能更快，每个人肩上的责任更重。

同年11月，Meta首席AI科学家、FAIR创始人Yann LeCun也宣布离开Meta，去创办自己的AI公司。

在MSL内部，Alexandr Wang开始按自己的思路搭研发体系。

他在最新采访中描述，过去经营Scale AI时讲究事必躬亲，到了Meta，自己的角色更像教练：把最优秀的人找出来，给资源、给自主权，让他们把研究做出来。

他尤其看重小团队、扁平化管理，以及把官僚流程压到尽可能少。

2026年4月，MSL的第一份正式成果落地，名字叫Muse Spark。

这款模型在内部被叫作Avocado（牛油果）。Meta的说法是，新团队用了大约9个月，把预训练、后训练到基础设施的整套技术体系重新搭了一遍。

Spark并没有正面去碰当时最强的旗舰模型，它被有意做得更小、更快，作用是验证新的训练方法和Scaling规律，为后面更大的模型铺路。

之后亮相的Wonder，把训练规模又往上推了一截。

Wonder系列的内部代号是Watermelon（西瓜）。Business Insider报道称，Alexandr Wang今年7月对员工讲过，Watermelon用掉的训练计算量比Avocado高出一个数量级，并称新模型在部分内部测试中已经追上GPT-5.5。

Meta还在内部推动工程师用自家的Coding Agent，把真实开发任务里的代码修改和纠错反馈收集起来，拿去改进模型。

如今，Watermelon以Muse Wonder的名字正式面世。

Meta在技术博客中披露，Wonder系列是在其吉瓦级Prometheus数据中心上训练的，预训练和强化学习两方面都做了进一步扩展。

回头来看，过去一年多里Meta动的不只是模型。

组织架构、核心团队、训练体系、产品方向，扎克伯格几乎把Meta的AI业务从头搭了一遍。

模型开放策略同样变了。Llama时期，Meta靠开放权重模型拉拢全球开发者。现在，它最强的旗舰模型优先通过自家产品、订阅与API对外提供服务。

开放权重模型Meta还在继续发一部分，但最强的那一档，已经不再默认对所有人开放。

不过，模型追上来是一回事，能不能靠Muse和这套模型在消费级Agent市场站住脚，又是另一回事。

《华尔街日报》10月12日的报道显示，Muse的累计下载量已接近900万，可增长势头正在减弱，用户留存情况也比ChatGPT差了一截。

扎克伯格用14个月时间，让Meta手里重新有了一款能和OpenAI、Anthropic掰手腕的模型。

至于这款模型能否让Muse重新活起来，还得看他接下来的表现。