在被OpenAI、Anthropic轮番甩开之后，扎克伯格终于有底气宣布：Meta重新回到了AI技术前沿。

北京时间10月13日凌晨，Meta Superintelligence Labs（MSL）正式推出新一代旗舰模型系列Muse Wonder和Muse Wonder Full，直接向GPT-6 Astra、Claude Opus 5.5等顶级模型发起挑战。

第三方评测机构Artificial Analysis同步公布的数据显示，Muse Wonder Full在综合智能指数中拿下56分，距离目前58分的Claude Opus 5.5仅差2分，并与Claude Sonnet 5.5处于同一分数档位。在多项长程编程、Agent任务测试中，它甚至超越了现有顶级模型。

扎克伯格在X上表示，这是Meta规模更大、能力更先进的一代模型，意味着公司终于抵达AI技术前沿。

而在当天同步上线的一期Cheeky Pint播客中，扎克伯格与Meta首席AI官Alexandr Wang还罕见地谈到了这场翻身仗背后的投入。

Meta研发前沿模型的核心团队只有约100人，但支撑他们训练的算力基础设施却极其昂贵。扎克伯格透露，一座1GW算力集群的建设成本高达500亿至600亿美元，年度运营成本约150亿美元。Meta去年底讨论的资本开支规模，更达到1000亿至2000亿美元量级。

与此同时，Wang还首次详谈了Wonder的底层模型内部代号为Watermelon（西瓜），使用了一轮独立完成的、更大规模的预训练，以及团队如何将记忆和持续执行能力引入模型训练。

但跑分追上第一梯队，推理成本也水涨船高。第三方测算显示，标准版Muse Wonder的平均评测任务成本已经从上代的1.60美元上涨至4.52美元，涨幅达183%，比GPT-6 Astra还高出约39%。

而首批开发者的真实体验也出现了分歧。有人认为Meta已经拥有挑战Claude的编程能力，也有人拿出同题对比视频，质疑Wonder在3D程序生成上的表现远逊于Opus 5.5。

Meta终于挤进第一梯队

Artificial Analysis在新模型发布后公布了最新测试，Muse Wonder Full在Intelligence Index v4.3中获得56分，标准版Muse Wonder获得52分。

相比六周前发布的Muse Spark 1.3，后者得分为48分。这意味着新旗舰Full版本实现了8分的跃升，普通版也提升4分。

作为对比，Claude Opus 5.5为58分，Claude Sonnet 5.5为56分，GPT-6 Astra、Claude Fable 5.1均为53分。

从综合成绩看，Meta确实已经回到了前沿模型的领先阵营。

在模型的能力分布上，Meta公布了覆盖个人Agent、专业知识工作、编程和综合智能的14项主要评测，对手包括GPT-6 Astra、Claude Fable 5.1和Claude Opus 5.5。

其中，Muse Wonder Full在DeepSWE 1.1长程软件工程测试中取得79.0分，超过Claude Opus 5.5的74.2分和GPT-6 Astra的74.1分。

DeepSWE测试包含来自91个代码仓库、覆盖5种编程语言的113项任务。它考验的不是简单地写出一个函数，而是模型能否理解复杂代码库、修改现有工程，并最终通过功能和回归测试。

在更强调超长任务执行的SWE-Marathon中，Muse Wonder Full取得57.5%的成绩，超过Opus 5.5的46.3%和GPT-6 Astra的42.5%。

专业工作方面，Muse Wonder Full同样展现出了竞争力。

法律Agent测试Harvey LAB-AA得分13.1，超过Opus 5.5的4.2；金融研究测试Vals Finance Agent V2获得59.1分，优于Opus 5.5的58.6分。

其内部MemoryBench测试获得85.5分，标准版Muse Wonder甚至略高，达到85.6分，均超过Opus 5.5的81.5分。

不过，Meta也未能实现全面领先。

在Terminal-Bench 4.0中，Wonder Full的57.1分仍低于Opus 5.5的59.6分；在从零构建程序的ProgramBench上，Meta得分59.0，明显落后于Opus的70.5分。

计算机操作测试OSWorld V2.1中，Wonder Full的部分奖励得分为78.4，同样低于Opus的81.8。

换言之，Meta最突出的优势是长任务软件工程、记忆与部分专业Agent工作，而非所有编程、推理和计算机操作任务。

第三方Artificial Analysis的Coding Agents Index也提供了另一组佐证：搭配Muse Code的Wonder Full取得68分，与Claude Code使用Sonnet 5.5的成绩持平，高于使用Opus 5.5的66分。

尤其值得注意的是，Wonder Full在Artificial Analysis综合指数包含的10项测试中，有6项跻身前三。其中，科学推理测试CritPt、基于PDF材料的专业工作测试GDP.pdf均位居第一。

Muse换了大模型底座

相比性能榜单，Cheeky Pint访谈透露的研发细节，或许更值得关注。扎克伯格解释，Muse Spark系列内部代号为Avocado（牛油果），Spark 1.0至1.3使用同一套预训练底座，后续迭代主要依靠持续强化学习。

Muse Wonder则不同。它的内部代号为Watermelon（西瓜），使用了一轮独立完成的、更大规模的预训练。

Wang透露，Wonder早在2025年8月就开始规划，而非今年Spark发布之后临时决定扩展。Meta希望同步扩大预训练规模和强化学习投入，而不是只在既有模型上不断叠加后训练。

具体来说，这次技术升级值得关注三个方面。

首先，是更强的基础模型与任务泛化能力。

在预训练阶段，Meta除了扩大数据与计算规模，还特别重视图像、视频、音频和法律、金融、健康等专业领域的数据。

Wang在访谈中指出，想让模型在专业场景中具备足够的知识，仅靠后续强化学习并不理想，相关能力应当从预训练阶段就开始积累。

Meta研究博客还提供了一组泛化实验：在不同推理计算量下比较Spark 1.3与Wonder Full，后者不仅在针对性训练的任务上取得提升，在后训练没有直接覆盖的陌生任务中，也表现出更明显的能力增长。

换言之，更强的预训练底座，让后训练学到的能力更容易迁移到陌生问题上，而不只是让模型更擅长特定评测。

其次，是Active Memory（主动记忆）。

它和100万Token上下文窗口不是一回事。

上下文窗口决定模型单次能够处理多少信息，而Active Memory试图解决的是：经过数天、数周甚至数月的交互，模型能否记住用户偏好，并在恰当时候主动找回相关信息。

在访谈中，主持人John Collison专门拿OpenClaw举例，指出现有Agent的长期记忆和上下文压缩经常出现问题。

Wang回应，Meta为此同时设计了记忆系统和模型能力。模型不仅能够使用外部记忆，还被训练去理解记忆何时有用、如何进行上下文压缩，以及怎样利用不同信息源完成后续任务。

但目前没有证据表明Meta已经完全解决了长期记忆问题。其MemoryBench内部测试使用的是约64K至100K Token的复杂多轮对话，不能直接等同于真实环境下持续数月的长期使用。

第三，是Active Focus（主动聚焦）。

它所强调的不是简单拉长思维链，而是让Agent在长时间执行任务时，能够持续追踪目标、寻找替代方案，并从错误中恢复。

Wang解释，这些能力与模型后训练中的任务设计密切相关。

Meta采用监督微调（SFT）建立模型应具备的行为，再通过强化学习（RL），提高模型在实际场景中稳定展现这些行为的概率。

其中，强化学习环境的质量尤其重要。Wang指出，如果环境错误地奖励某些不安全的捷径，模型也可能学会不符合预期的行为。因此，团队需要精心设计训练任务、反馈机制和奖励方向。

官方还设计了FocusBench，专门评估Agent遇到障碍、环境变化和任务中断时的持续执行能力。

这里真正值得关注的技术方向是：Meta不再仅仅为一个通用语言模型外挂Agent工作流，而是从预训练和后训练阶段，就针对长期记忆、持续执行、多模态理解等Agent能力进行优化。

当然，官方尚未公布完整模型架构、参数规模及底层记忆算法，外界仍无法复现这些核心技术。

3D实测暴露短板

技术介绍之外，Meta同步放出了一批实际应用演示。其中最直观的是3D厨房游戏。模型接收用户提供的图像，生成一个可交互、能够游玩的三维厨房场景。

另一段演示展示了健康与生活场景下的Agent任务，以及保险理赔辅助。模型需要理解不同材料、处理信息，并持续推进多步骤工作。

但发布之后，开发者们很快拿出了不那么漂亮的测试结果。X用户Max Blade让Muse Wonder Full和Claude Opus 5.5使用同一提示词，分别生成一款可以驾驶割草机、同时喝啤酒和抽雪茄的AAA级模拟游戏。

对比视频引起了不少讨论。

Opus生成了相对完整的驾驶舱、草坪、建筑等游戏场景，而Wonder Full的版本更接近低多边形原型，材质与视觉细节明显逊色。

有网友调侃，两者看上去像AAA游戏与Roblox风格作品的区别。

但有个容易被忽略的细节：Meta其实已经承认了这个短板。Muse Wonder模型卡明确写道，视觉与空间推理，特别是3D任务，仍是已知局限。

面对社区讨论，Alexandr Wang也在X上承认，团队没有专门针对3D演示游戏训练模型，现在看来本应该加强这一部分，并建议开发者更多使用真实编程任务来评价Wonder。

这也解释了一个看似矛盾的结果：Wonder Full可以在长程软件工程测试中超过Opus，却未必能生成同样精美的3D游戏。两个测试所考察的能力并不完全相同。前者强调理解和修改复杂工程，后者还涉及三维空间理解、场景设计和视觉审美。

不过，问题也由此产生：如果一款通用编程模型需要针对不同任务专门强化，那么真实应用中未被充分训练的长尾场景，尤其是办公场景，表现又会如何？

曾获得提前测试机会的Citrini在X上表示，Wonder在能力与执行效率之间取得了不错的平衡，金融任务表现也令人意外。他尤其看好Meta在小企业Agent市场上的机会。

Shopify CEO Tobi Lütke也给予积极评价，表示在自己的测试中，很难找到其他顶级模型失败而Wonder同样无法完成的任务。

这种分歧，恰恰说明模型的能力并不能被一个综合分数完全概括。

而对于发布仅一天的Wonder来说，开发者反馈仍然是初步样本。完整的真实任务可靠性、平均耗时和长期表现，还需要更多独立测试。

成本涨了近3倍

如果说Wonder的性能让Meta重新进入前沿模型阵营，那么它的成本则让这场竞争变得更加现实。

目前，两款模型均支持100万Token上下文窗口，以及文本、图像、视频、音频输入，主要输出文本。

标准版Wonder已经通过Meta Model API、Muse Code和OpenRouter提供服务，定价为每百万输入Token 4美元、缓存输入0.2美元、输出20美元。

这一价格与Claude Opus 5.5持平，是GPT-6.1 Sol标准输入输出价格的两倍，较GPT-6 Astra低60%。

但按Token计费价格并不能直接反映完成任务的实际开销。

Artificial Analysis测算，Wonder在综合智能评测中，平均每项任务消耗约769万输入Token、5.4万输出Token，涉及多轮请求和工具调用，最终任务成本达到4.52美元。

上一代Muse Spark 1.3只有1.60美元，GPT-6 Astra为3.26美元，GPT-6.1 Sol更是只有0.72美元。换句话说，Wonder相较Spark 1.3能力明显提升，但在这套评测下，任务成本增加了约183%，远高于综合智能指数的增幅。

Full主要通过Muse Code付费套餐提供，开发者可选择每月50美元Power Usage或200美元Maximum Usage等套餐。此前，Max Blade在3D游戏测试中给出的API等价费用估算为Wonder约4.11美元、Opus约99.43美元，两者相差约24倍。

但这并不意味着Wonder完成同质量任务的成本便宜24倍。一方面，生成效果并不相同；另一方面，Full并无公开API价格，其等价费用估算与实际订阅额度消耗不能混为一谈。

还有开发者抱怨，Wonder Full上线初期Muse Code额度消耗过快。

不过，Alexandr Wang随后公开确认，这涉及订阅额度计算异常，团队已修复问题并重置额度。因此，早期额度消耗异常不应被直接视为模型正常使用成本。

对于面向普通消费者的Muse，扎克伯格则在访谈中明确承认，Wonder模型规模更大，推理服务成本更高，因此现阶段优先提供给付费用户，而免费服务继续主要采用Spark。

他希望未来能够将Wonder级别的能力压缩到Spark这样的轻量形态，为数亿消费者提供服务。

本文来源：AI前线