Muse Wonder肘击Astra，Meta杀回模型前沿

时隔一年有余，Meta终于再次推出能与OpenAI、Anthropic正面交锋的大型模型。

10月12日，扎克伯格对外宣告，Meta超级智能实验室（MSL）正式亮相Muse Wonder和Muse Wonder Full。这是MSL创立超过一年后，首次发布自称达到行业前沿水准的旗舰级产品。

在此之前，OpenAI和Anthropic接连刷新模型排行榜，而Meta却迟迟未能推出新一代旗舰。外界一度认为，扎克伯格已放弃了对SOTA的争夺。

如今来看，Meta是在酝酿一次大规模突破。

在编程、长周期Agent任务以及记忆能力等测评中，Wonder Full展现了相当突出的表现，部分领域甚至超越了GPT-6 Astra和Claude Opus 5.5。

2025年4月，Meta寄予厚望的Llama 4问世，但未能延续之前的热度，反而陷入性能争议和刷榜风波。随后，扎克伯格亲自介入，投入大量资金招揽人才，重塑AI研发团队。

如今，扎克伯格终于等来了这份成果。那么，Meta的新模型究竟具备多强的实力？

这次Meta推出了两款模型：Muse Wonder和性能更强的Muse Wonder Full。两者均支持100万Token的上下文窗口，专注于编程、长期Agent任务以及专业知识工作。

依据Meta公布的官方基准测试，Wonder Full在多个项目上已具备与OpenAI、Anthropic旗舰模型正面竞争的能力。

最值得关注的是名为Personal Superintelligence Index（个人超级智能指数）的指标。

这是Meta内部制定的综合评估体系，由七项个人事务和知识工作相关测试组成，涵盖专业工作、自动化流程、网页操作等多种场景。

在该测试中，Wonder Full以59.1%的成绩位居首位，Claude Opus 5.5和GPT-6 Astra分别为55.2%和54.5%，普通版Wonder则取得54.3%，同样超过了Fable 5.1。

Meta还重点展示了模型的自动化和记忆能力。

在衡量端到端业务流程自动化能力的AutomationBench-AA中，Wonder Full获得45.4%的成绩，高于Astra的41.6%和Opus 5.5的41.2%。

而在测试长期对话记忆能力的MemoryBench中，普通版Wonder甚至以85.6%的成绩略微领先Wonder Full的85.5%，Opus 5.5和Astra则分别为81.5%和81.4%。该测试由Meta内部开发，主要考察模型能否从包含大量干扰和信息更新的长对话中准确提取关键内容。

从个人与专业任务，到流程自动化，再到长对话中的信息提取，这三项测试已清晰体现了Meta对Agent能力的重视。

此外，Meta并未因聚焦个人Agent而放弃与OpenAI、Anthropic争夺编程能力。

在测试长期软件工程能力的DeepSWE 1.1中，Wonder Full取得79.0%的成绩，超过GPT-6 Astra的74.1%和Claude Opus 5.5的74.2%；而在任务周期更长、需要模型持续修改和维护软件项目的SWE-Marathon中，Wonder Full的成功率达到57.5%，GPT-6 Astra为42.5%，Claude Opus 5.5为46.3%。

在Meta重点展示的五项测试中，Wonder Full全部领先于两家竞争对手的旗舰模型。即便是普通版Wonder，在编程和记忆测试中也展现出竞争力。

当然，这并不能证明Meta已全面超越OpenAI和Anthropic。上述成绩包含Meta内部制定的评估指标，不同测试采用的运行配置也有所差异，不能简单等同于真实使用体验。

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

除了成绩，定价也值得关注。

目前，普通版Muse Wonder已通过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。

作为对比，Claude Opus 5.5的标准API价格恰好也是4美元输入、20美元输出；GPT-6 Astra则为10美元输入、50美元输出。

考虑到三者在部分测试中已非常接近，Wonder的定价具备一定竞争力。

此外，Meta还表示Wonder不会因使用较长上下文而额外加价。

不过，这次跑分更强的Wonder Full暂时还不能通过API单独购买。

它目前仅向Muse Code的Power Usage和新推出的Maximum Usage订阅用户开放，前者每月50美元，后者每月200美元。新套餐的用量额度是基础Everyday Usage套餐的80倍。

至于Muse（Meta的个人Agent产品），目前尚未同步升级到Wonder。

Meta表示，Wonder将逐步接入Muse，率先向订阅用户开放，未来还会推出面向大众的专门版本。Wonder Full则尚未公布进入Muse的具体安排。

因此，尽管旗舰模型已发布，但对大多数用户来说，这次更新暂时还停留在开发者产品和即将上线的功能预告中。

除了展示跑分，Meta还在官方技术博客中花费不少篇幅讨论模型的泛化能力。

其中专门提到了两个概念：Benchmaxxing和Big model smell。前者可理解为“刷榜式优化”，指模型过度针对热门基准测试进行训练；后者则是一种较抽象的说法，直译为“大模型味儿”。

Meta认为，两款模型即使跑分相近，实际处理陌生任务的能力也可能相差很大。有些模型掌握的能力超出了热门基准测试的覆盖范围，用户却能在实际使用中感受到。

为了验证这一点，Meta专门比较了Muse Spark 1.3和Wonder Full。

研究人员将两类任务放在一起：一类是后训练过程中重点优化过的任务，另一类则是未被专门针对性优化的陌生任务，并观察不同推理强度下两款模型的表现。

结果发现，在重点优化任务取得相近成绩的情况下，Wonder Full在陌生任务上的表现更好，超出了根据Spark 1.3测试趋势作出的预测。

Meta认为，这是因为Wonder建立在更大、更强的基础模型之上。基础模型能力越强，后训练带来的提升，就越有可能迁移到没有专门训练过的任务中。

相比那些数字，Meta展示的一系列官方案例或许更能说明Wonder的研发方向。

例如，让Wonder安排一次周六跑步。

Wonder可根据用户的个人偏好和实际情况，在浏览器和多个应用之间操作，制定一份跑步计划。

又如，让Wonder安排婚礼座位。

用户提出一系列复杂要求，包括宾客之间的关系、座位分配的限制等，Wonder则根据这些条件生成了一份定制的婚礼座位表。

Meta还展示了Wonder如何读取用户Instagram账号中的真实照片，设计个性化纪念品，并进一步完成订购。

当然，Wonder也能处理更专业的事情，比如根据用户提供的图片直接生成一个可游玩的3D厨房游戏，或者处理保险理赔、理解租赁合同、分析个人财务等。

为了做好这些任务，Meta特别强调了Wonder的两项能力：Active Memory（主动记忆）和Active Focus（主动专注）。

前者让模型能够跨对话保留重要信息，并在需要时主动调取相关内容；后者则让模型在遇到困难时尝试其他方法、处理障碍，持续推进任务，必要时向用户询问或确认。

对于消费级个人Agent来说，用户可能交代的任务五花八门，涉及的工具、目标和限制条件更是千差万别。开发者不可能提前预料所有情况，更不可能为生活中的每一种任务专门训练模型。

相比在几个固定任务上拿到最高分，Meta显然更希望Wonder能够处理足够广泛、甚至事先没有预料到的问题。

就在Wonder发布前一天，Meta首席AI官Alexandr Wang在接受David Senra采访时，谈到了Meta为何选择押注消费级个人Agent。

他回忆，今年初Claude在编程领域遥遥领先，行业一度认为Coding Agent就是AI最重要的产品形态，几乎所有人都想冲进这个市场，与Anthropic竞争。

但Meta选择了另一条路。

Alexandr Wang认为，Meta的天然优势就在消费市场。它拥有Instagram、WhatsApp和Facebook等产品，旗下应用每天触达约35亿用户。因此，Meta选择把消费级个人Agent作为重点发展方向。

不过，选择消费级Agent并不意味着Meta要放弃编程能力。恰恰相反，Wonder这次最出色的几项成绩就来自编程测试。

毕竟，未来的个人Agent同样可能需要替用户搭建网站、编写小工具、处理数据，甚至临时制作一款应用。这些事情对模型的编程和工具使用能力都有不低的要求。

何况Meta也没有理由放弃专业开发者市场，通过Muse Code和Model API，Wonder同样可以成为其他Agent产品的底层模型。

可以认为，Meta在产品层面选择差异化竞争，但在底层模型上，它仍然想要尽可能全面的前沿能力。

而Wonder就是Meta为这条路线交出的最新答卷。

在Meta的规划中，Muse负责把个人Agent送到普通用户手中，Wonder则将为它提供更强的模型能力。

按照Meta自己的说法，这场AI业务重建历时14个月。

不过，要把故事讲清楚，还得先把时间再往前拨一点。

2025年4月，Meta推出了Llama 4 Scout和Maverick，并预告了参数规模更大的Behemoth，希望延续Llama系列在开放权重模型领域的领先地位。

可惜结果并不理想。Llama 4的实际表现没能达到外界预期，Maverick还因为提交给LMArena的测试版本与公开版本不同，引发了刷榜争议。

Meta内部同样对此感到失望。

在前一天的采访中，Alexandr Wang回忆起Llama 4发布后的那段时间。他说，自己和扎克伯格早在2021年或2022年就已认识，但此前并不经常联系。

直到Llama 4失利后，扎克伯格突然发来消息，问他有没有时间打个电话。

一开始，扎克伯格只是向他征求建议：Meta的AI到底出了什么问题，接下来应该怎么做？

两人最初只是讨论战略，后来逐渐谈到了合作。从扎克伯格第一次联系他，到Meta正式宣布交易，整个过程只用了五六周。

2025年6月，Meta宣布向Scale AI投资143亿美元，取得49%的股权，同时将当时只有28岁的创始人Alexandr Wang招入麾下。

随后，Meta成立超级智能实验室MSL，由Wang担任首席AI官，前GitHub CEO Nat Friedman等人也加入管理团队。

紧接着，一场轰轰烈烈的挖人大战开始了。

Meta从OpenAI、Google DeepMind等竞争对手那里招揽研究人才，甚至由扎克伯格亲自出面联系。据报道，部分顶尖研究员收到的薪酬报价高达数亿美元。

有了资金和人才，新实验室却没有立刻运转顺利。

2025年8月，据The Information报道，Meta准备在半年内第四次调整AI组织架构，将MSL拆分成负责前沿模型、产品、基础设施和基础研究的不同团队。

到了10月，Alexandr Wang又宣布裁减AI部门约600个岗位，新成立的前沿模型团队TBD Lab则没有受到影响。

他解释，缩小团队规模可以减少沟通成本，加快决策，让每个人承担更多责任。

同年11月，Meta首席AI科学家、FAIR创始人Yann LeCun也宣布从Meta离职，准备创办自己的AI公司。

在MSL里，Alexandr Wang开始按照自己的想法搭建新的研发体系。

他在最新采访中说，相比过去经营Scale AI时事必躬亲的方式，自己在Meta的工作更像一名教练：找到最优秀的人才，给他们资源和自主权，让他们完成研究。

他尤其强调小团队、扁平化管理，以及尽可能减少官僚流程。

2026年4月，MSL终于交出了第一份正式成果：Muse Spark。

这款模型内部代号Avocado（牛油果）。Meta称，新团队此前花了大约9个月，重新搭建从预训练、后训练到基础设施的整套技术体系。

但Spark并没有直接挑战当时最强的旗舰模型，它被刻意设计得更小、更快，主要用来验证新的训练方法和扩展规律，为后续更大的模型打基础。

后续登场的Wonder，则进一步扩大了训练规模。

Wonder系列的内部代号叫Watermelon（西瓜）。据Business Insider报道，Alexandr Wang今年7月曾向员工表示，Watermelon使用的训练计算量比Avocado高出一个数量级，并声称新模型在部分内部测试中已追上GPT-5.5。

Meta还在内部推动工程师使用自家的Coding Agent，收集真实开发任务中的代码修改和纠错反馈，用于改进模型。

现在，Watermelon终于以Muse Wonder的名字正式登场。

Meta在技术博客中披露，Wonder系列使用其吉瓦级Prometheus数据中心训练，并在预训练和强化学习两方面进行了进一步扩展。

回头来看，过去的一年多里，Meta改变的远不止模型。

从组织架构、核心团队，到训练体系和产品方向，扎克伯格几乎把Meta的AI业务重新搭建了一遍。

模型的开放策略也发生了变化。Llama时代，Meta曾经依靠开放权重模型吸引全球开发者。如今，Meta最强的旗舰模型开始优先通过自家产品、订阅与API提供服务。

虽然Meta仍在继续发布部分开放权重模型，但最强模型已经不再默认向所有人开放。

不过，模型追上来是一回事，能否凭借Muse和模型在消费级Agent市场站稳脚跟，又是另一回事。

据《华尔街日报》10月12日报道，Muse累计下载量已接近900万，但增长正在放缓，用户留存也明显落后于ChatGPT。

扎克伯格花了14个月，让Meta重新拥有了足以与OpenAI、Anthropic较量的模型。

接下来他还得证明，这款模型能让Muse重新焕发活力。

本文来自微信公众号“字母AI”，作者：袁心玥，36氪经授权发布。通过开云登录平台，用户可以便捷地获取相关资讯与服务。