Meta的Muse Wonder AI模型发布

Meta自身公布的基准数据与第三方验证对Muse Wonder的实际表现给出了截然不同的说法。在《人工分析智能指数》v4.3中，Muse Wonder Full得分为56，较轻量版的Muse Wonder得分为52，相比之下，Claude Opus 5.5得分为58，Claude Sonnet 5.5为56，GPT-6 Astra为53——这意味着Wonder Full与Sonnet 5.5持平，但Opus 5.5仍领先^[1]。在《人工分析编码代理指数》中，Wonder Full在最大努力下达到68分，与基于Sonnet 5.5的Claude Code持平，而其代理任务性能在Terminal-Bench 4.0中从上一代模型的33%跃升至57%^[1]。Wonder Full在数学证明基准测试ProofBench上解决了100道题中的94道，远超前代的58道，Meta还报告其幻觉率从33%降至23%^[1]。Meta在发布材料中将此次发布描述为‘我们在扩展阶梯上的下一步，是迈向个人超级智能的重大飞跃’^[2]。这种自我有利的表述也出现在Meta的内部指标中：其‘个人超级智能指数’声称Wonder Full得分为59.1，领先于Claude Opus 5.5和GPT-6 Astra；其‘SWE马拉松’指标则将Wonder Full定为57.5分，远超Opus 5.5的46.3分——这两个基准均由Meta自行创建，而独立的《人工分析智能指数》仍将Wonder Full定为56分，落后于Opus 5.5的58分。一项独立编码基准测试揭示了更严峻的现实：BridgeBench仅给Muse Wonder评出611分——在29个测试模型中位列第8，比榜首低149分^[3]——该基准运营方公开指责Meta操纵其自报分数。厂商自报与独立验证结果之间的差距，才是此次发布背后真正的关键故事。

Meta还以一种限制用户直接测试更强模型的方式划分了访问权限。Muse Wonder可通过Meta模型API和其订阅产品Muse Code获取，输入令牌每百万收费4美元，输出每百万20美元^[4]。而能力更强的Muse Wonder Full则完全限制在Muse Code的50美元和200美元月度订阅层级，完全不提供API访问^[4]。据报道，Muse Code本身分为四个层级——每月5美元、15美元、50美元和200美元^[5]。这种结构将Wonder Full的最佳能力集中于Meta自家付费产品中，而非开放的开发者生态，这对于一家以开源模型建立声誉的公司而言，是一次显著的背离。

此次发布标志着一项战略逆转的完成，这一转变早在10月之前就已开始。Meta的AI努力始于开源的Llama系列，到2025年4月，Llama 4的发布使Meta成为领先的开源AI实验室^[6]。据报，扎克伯格对Llama 4不满意，推动开发了更大模型“巨兽”（Behemoth），但该模型从未发布^[6]。在新任首席AI官亚历山大·王领导下的Meta超级智能实验室^[7]，于2026年4月推出了首款专有闭源模型Muse Spark^[8]——这已是对其开源身份的背离^[9]。Muse Spark 1.3在2026年9月的《人工分析智能指数》中仅得48分，成为Muse Wonder和Wonder Full旨在超越的基准^[1]，而此次10月发布紧随一次据报为期14个月的开发冲刺之后^[11]。扎克伯格为此投入了据报超过1000亿美元的资本支出，直接押注前沿级代理模型能缩小与OpenAI和Anthropic的差距^[10]。

Meta将Muse Wonder的定位更多是持久代理而非聊天机器人升级。主动记忆旨在跨会话保留对话历史、偏好和习惯，主动聚焦则旨在防止多步骤代理任务——例如在不同应用间跳转的任务——偏离轨道；Meta表示，公司‘投入了巨大努力，确保模型能记住对你重要的事情，持续数天、数周、数月乃至更久’^[2]。行业分析师将此视为从聊天机器人向企业可委派真实任务的代理转变的一部分，但他们对采用速度持怀疑态度：华盛顿大学教授奇拉格·沙阿指出，行业正‘远离聊天机器人，转向代理世界’；Gartner的阿伦·钱德拉塞卡尔表示，Meta‘正试图让这些模型在个人代理工作流中更有效’；Tekonyx创始人西德·纳格则认为，企业采用与否取决于功能是否‘与现有应用和网络安全架构集成’，而非原始能力^[4]。这一信任问题对Meta而言比其他实验室更严峻：围绕发布的在线讨论反复提及Meta的数据采集历史，将主动记忆——一个明确设计为无限期记住个人细节的功能——视为可能加剧Meta作为AI公司中声誉异类的数据收集新表面。并非所有反应都如此怀疑：一些开发者在真实编码任务中直接测试该模型后，将其列为当前顶级之一，反驳了基于华丽演示基准的批评，即该模型在实际编码工作中表现不佳。