10 月 12 日，Meta 发了 Muse Wonder。这是 Meta Superintelligence Labs（MSL）端出来的第一个模型，官方口径是"迈向个人超级智能的一大步"。MSL 由 Alexandr Wang 领导，他进 Meta 的原因是那笔约 140 亿美元的 Scale AI 收购。换句话说，Meta 把 AI 组织架构整个砸了一遍之后，第一盘菜上桌了。不过我觉得真正值得写的不是它跑多少分，是它的卖法。一次发两个，只有弱的那一半给你调 APIMuse Wonder 一口气发了两个型号：Muse Wonder 和 Muse Wonder Full。能通过 API 拿到的是 Muse Wonder。入口有三个——Meta Model API、Muse Code、OpenRouter，模型 ID 是muse-wonder-1.0。更强的 Muse Wonder Full 不走 API，只挂在 Muse Code 的付费订阅里，两档：50 美元/月的 Power Usage，200 美元/月的 Maximum Usage。也就是只有较弱的那一个能通过 API 获得。这和过去两年"旗舰模型 API 首发"的惯例正好反着来。做应用的同学拿不到最能打的那个，这事得记一笔。定价方面：输入 4 美元/百万 token，输出 20 美元/百万 token，缓存输入 0.20 美元/百万 token。这个位置和 Claude Opus 5.5 基本同档，比 GPT-6 Astra 低。规格上两个模型一致，都是 100 万 token 上下文窗口，接受文本、图像、视频、音频、PDF 输入。输出只有文本。多模态进、单模态出，取向挺明确——它是拿来看和听的，不是拿来画图剪片的。两个新词：Active Memory 和 Active FocusMeta 主推的能力就两个。Active Memory：跨对话、跨天跨周跨月携带用户上下文。Active Focus：面向困难目标持续工作，会尝试替代方案，从错误里恢复。合起来看，这俩词都是给 agent 场景铺路的。模型能操作浏览器和桌面/移动应用，Meta 点名的任务是编程、法律、金融、健康，驱动即将上线的 Meta 的 Muse agent，先给付费订阅用户用。记忆持久化 + 长任务韧性，这确实是 agent 的两个真痛点，方向没毛病。问题在于官方没给可复现的评测，全靠内部测试口径撑着。宣传语容易写，长程记忆真正难的是三个月后还记得多少。说白了 Active Memory 这名字听着很像产品经理起的。它到底是个可编程的存储层，还是只是把历史上下文塞进那 100 万 token 窗口里？这两件事差别很大。前者你能查、能删、能迁；后者你只能祈祷模型别在长对话里把关键信息忘掉。官方没说清，我倾向于后者，因为没看到任何存储 API 的影子。Active Focus 也一样。持续工作、尝试替代方案、从错误中恢复——任何一个写 agent loop 的人都懂，这就是个带重试和反思的 while 循环。Meta 把它包装成一个能力点，但真正的门槛在别处：模型在第三次失败之后还能不能保持目标不漂移。这个没有公开的评测，看不出来。第三方分数：追平了，但没有超过独立机构 Artificial Analysis 的 Intelligence Index v4.3 给了一组能对上的参照：Claude Opus 5.5：58（榜首）Muse Wonder Full（最高推理档）：56Muse Wonder：52前代 Muse Spark 1.3：48从 48 爬到 56，六周时间。这个速度不慢。但榜首那一位还是 Opus 5.5。Meta 自报的数据要好看得多。SWE-Marathon 上 Muse Wonder 报 57.5，对比 Opus 5.5 的 46.3、Astra 的 42.5。Harvey 法律 Agent 基准 13.1，对比 Astra 8.6、另一家 4.2。自建的 Personal Superintelligence Index 里，Wonder Full 59.1，领先 Opus 5.5 的 55.2 和 GPT-6 Astra 的 54.5。这些数字得打折看。多家报道都提示，它们大多出自 Meta 内部或自建基准，发布时没有独立复现，部分对比没做工具和配置对齐。
10 月 12 日，Meta 发了 Muse Wonder。这是 Meta Superintelligence Labs（MSL）端出来的第一个模型，官方口径是"迈向个人超级智能的一大步"。MSL 由 Alexandr Wang 领导，他进 Meta 的原因是那笔约 140 亿美元的 Scale AI 收购。换句话说，Meta 把 AI 组织架构整个砸了一遍之后，第一盘菜上桌了。不过我觉得真正值得写的不是它跑多少分，是它的卖法。一次发两个，只有弱的那一半给你调 APIMuse Wonder 一口气发了两个型号：Muse Wonder 和 Muse Wonder Full。能通过 API 拿到的是 Muse Wonder。入口有三个——Meta Model API、Muse Code、OpenRouter，模型 ID 是muse-wonder-1.0。更强的 Muse Wonder Full 不走 API，只挂在 Muse Code 的付费订阅里，两档：50 美元/月的 Power Usage，200 美元/月的 Maximum Usage。也就是只有较弱的那一个能通过 API 获得。这和过去两年"旗舰模型 API 首发"的惯例正好反着来。做应用的同学拿不到最能打的那个，这事得记一笔。定价方面：输入 4 美元/百万 token，输出 20 美元/百万 token，缓存输入 0.20 美元/百万 token。这个位置和 Claude Opus 5.5 基本同档，比 GPT-6 Astra 低。规格上两个模型一致，都是 100 万 token 上下文窗口，接受文本、图像、视频、音频、PDF 输入。输出只有文本。多模态进、单模态出，取向挺明确——它是拿来看和听的，不是拿来画图剪片的。两个新词：Active Memory 和 Active FocusMeta 主推的能力就两个。Active Memory：跨对话、跨天跨周跨月携带用户上下文。Active Focus：面向困难目标持续工作，会尝试替代方案，从错误里恢复。合起来看，这俩词都是给 agent 场景铺路的。模型能操作浏览器和桌面/移动应用，Meta 点名的任务是编程、法律、金融、健康，驱动即将上线的 Meta 的 Muse agent，先给付费订阅用户用。记忆持久化 + 长任务韧性，这确实是 agent 的两个真痛点，方向没毛病。问题在于官方没给可复现的评测，全靠内部测试口径撑着。宣传语容易写，长程记忆真正难的是三个月后还记得多少。说白了 Active Memory 这名字听着很像产品经理起的。它到底是个可编程的存储层，还是只是把历史上下文塞进那 100 万 token 窗口里？这两件事差别很大。前者你能查、能删、能迁；后者你只能祈祷模型别在长对话里把关键信息忘掉。官方没说清，我倾向于后者，因为没看到任何存储 API 的影子。Active Focus 也一样。持续工作、尝试替代方案、从错误中恢复——任何一个写 agent loop 的人都懂，这就是个带重试和反思的 while 循环。Meta 把它包装成一个能力点，但真正的门槛在别处：模型在第三次失败之后还能不能保持目标不漂移。这个没有公开的评测，看不出来。第三方分数：追平了，但没有超过独立机构 Artificial Analysis 的 Intelligence Index v4.3 给了一组能对上的参照：Claude Opus 5.5：58（榜首）Muse Wonder Full（最高推理档）：56Muse Wonder：52前代 Muse Spark 1.3：48从 48 爬到 56，六周时间。这个速度不慢。但榜首那一位还是 Opus 5.5。Meta 自报的数据要好看得多。SWE-Marathon 上 Muse Wonder 报 57.5，对比 Opus 5.5 的 46.3、Astra 的 42.5。Harvey 法律 Agent 基准 13.1，对比 Astra 8.6、另一家 4.2。自建的 Personal Superintelligence Index 里，Wonder Full 59.1，领先 Opus 5.5 的 55.2 和 GPT-6 Astra 的 54.5。这些数字得打折看。多家报道都提示，它们大多出自 Meta 内部或自建基准，发布时没有独立复现，部分对比没做工具和配置对齐。
