刚刚，Meta最强旗舰碾压GPT-6和Opus！一夜杀回世界前三

新智元报道

小扎这次，真追上来了！

深夜，Meta一口气发布Muse Wonder和Muse Wonder Full两款大模型。

官方毫不客气地将其定义为，Meta迄今为止最强模型，也是全面迈向「个人超级智能」历史性飞跃。

在各项基准测试中，Meta「双弹」终于能和Claude、GPT正面竞争了。

如今最强的Claude Fable 5.1和GPT-6 Astra，几乎被Muse Wonder直接踩在了脚下。

在Artificial Analysis上，Muse Wonder Full斩获56分，稳居全球第一梯队，与Sonnet 5.5并驾齐驱，压制了GPT-6 Astra。

Muse Wonder同样拿下52分，全面反超了上一代Muse Spark 1.3。

到了长任务编程，Meta更是直接反超Opus和Astra。不光最高档的Full赢了，普通版Wonder也赢了！

它手里握着两张最大的王牌，Active Memory（主动记忆）+ Active Focus（主动专注）。

一时间，许多人纷纷惊叹，看来各大实验室已经攻克了RSI。

这次升级所有能力，划重点——

• 编程杀进第一梯队：Muse Code搭载Full，在AA编程Agent榜追平Claude Sonnet；两款Wonder在长任务测试中都超过Opus和Astra。

• 跨对话记住你，长任务接着干：Active Memory保留你的重要信息；Active Focus让模型遇到障碍时换办法、出错后检查，收到新要求再调整计划。

• 专业工作也追上来了：14项测试涵盖法律、金融、记忆和持续执行等能力，Full有8项超过Opus 5.5，11项超过GPT-6 Astra。

• 价格：普通版API每百万token输入4美元、输出20美元；Full通过Muse Code订阅开放，每月50或200美元。

六周猛涨8分，十项测试全赢前代！

按照Artificial Analysis的统计，Muse Spark 1.3和新模型的发布只隔了六周。

智能指数从48分冲到56分，涨了整整8分！

十项测试，全部超过Spark 1.3；六项冲进前三，两项拿到第一！

在科学推理CritPt和专业文档GDP.pdf中，Full都拿到33%，冲到AA当次榜单第一！考专业知识工作的GDPval-AA v2.1，Full拿到1857 Elo，排到第二。

另外三项第三，分别是知识工作AA-Briefcase、业务流程自动化AutomationBench-AA和科学编程SciCode。

Terminal-Bench 4.0要求AI自己读文件、敲命令、处理报错。Spark只能完成33%的任务，Full已经做到57%，一口气提高24个百分点！

另一家评测机构Vals也公布了新成绩。

在覆盖金融、编程、法律和税务工作的Vals Index综合榜中，Wonder Full以64.57分冲到第五，超过榜上所有OpenAI模型！

跑分之外，Conductor开发者Charlie Holtz已经把Wonder用进自己的代码库。

没想到，Muse一次就找到了一个真实安全漏洞，而其他Agent此前都漏掉了。

甚至，他还盛赞其设计和可视化效果、CLI的速度与语音模式，直言「Meta现在已经站到最前沿了」！

在另一场测试中，开发者Yair做了同题对比，让Wonder和Opus 5.5同出第一人称3D游戏。

Claude Code搭载Opus 5.5花了11分40秒，Muse Code搭载普通版Wonder只用3分42秒，连四分钟都没到！

长任务反超Opus，编程全面暴击Astra

在考核长程任务的基准SWE-Marathon上，Full拿到57.5%，Opus 5.5为46.3%，Astra为42.5%。

领先幅度分别达到11.2和15个百分点！

甚至不用上Full，普通版Wonder拿到53.1%，同样超过这两款旗舰。

SWE-Marathon要求AI持续完成软件项目：读需求、改多个文件、跑测试，出错后还要自己找原因、接着改

DeepSWE v1.1包含113项任务，涉及91个代码仓库、五种编程语言。

Meta汇总的成绩中，Full拿到79.0%，Wonder为78.8%，Opus和Astra分别为74.2%、74.1%。

再看AA的编程Agent榜（Coding Agents Index），Muse Code搭载Full拿到68分，追平Claude Code搭载Sonnet的成绩，超过搭载Opus的66分。

上一代Muse Code搭配Spark 1.3只有54分。换上Full，直接涨了14分！搭载普通版Wonder也有63分。

Artificial Analysis编程Agent测试，Muse Code与Claude Code的部分成绩

从零编程的ProgramBench中，Full拿到59.0，高于Astra的52.5，Opus为70.5。

终端编程成绩，Full为57.1，Astra和Opus分别是59.1、59.6。

此外，更大规模的漏洞测试也有了结果。

VulnPR-100的维护者给Wonder 1.0安排了100个含已知漏洞的代码变更，每个限时一小时。

它找出了46个，与GPT-6 Astra打平。整轮花费284.88美元，平均每个漏洞6.19美元。

数学多做对36题，token少了四成

在Vals AI的ProofBench中，Full做对94道数学证明题，比前代多36道；同榜Opus为100道、Astra为99道。

题做得更多，输出token反而从450万降到270万，少了四成！做应用时，得分维持在86%左右，平均步骤从120步减到62步。

14项有8项超过Opus，法律得分达到3.1倍

法律任务Harvey LAB-AA中，Full拿到13.1分，Opus为4.2分，前者达到后者的3.1倍！金融任务也拿到59.1分，超过Opus的58.6和Astra的53.5。

做专业工作，还得少编答案。AA的6000道知识题中，Full的幻觉率为23%，Astra为51%，Opus为59%；这里统计的是没答对的题里，仍然给出错误答案的比例。

Full更少硬答，但知识指数仍是30，低于Astra的43和Opus的46。

吉瓦级训练

普罗米修斯走出的「终极怪兽」

Muse Wonder之所以强的可怕，正是因为其背后动用了吉瓦级超算。

14个月前，Meta悄然启动了对其整个AI基础设施与研发范式的彻底重构。

这次Muse Wonder的诞生之地，正是业界传闻已久的吉瓦级Prometheus（普罗米修斯）超级数据中心。

Meta在这里继续扩大预训练和强化学习：预训练先建立广泛的基础能力，强化学习再根据任务反馈调整模型的行为。

更惊人的是其基础能力规格：

• 100万Token超大推理上下文：无论是一整套大型代码库、数百页的复杂并购合同，还是几个小时的音视频记录，统统能一口吞下；

• 原生全模态输入支持：打通文本、高分辨率图像、超长视频与连续音频；

• Big Model Smell的质变：Meta在博客中特别回应了AI圈对模型「泛化能力」的质疑。

为了让模型能把复杂项目做完，Meta在训练中加入大量类型不同、耗时更长的任务。拿编程来说，模型要记住需求、修改多个文件，再经历一轮轮测试和返工，持续把项目往前推。

更强的基础模型，还要把学会的能力用到新问题上。

Meta逐档增加推理时的计算量，两代模型在陌生任务上的成绩都跟着提高。当它们在后训练重点覆盖的任务上得分相近时，Full在没有重点覆盖的任务上仍然更好。

横轴为后训练重点覆盖的任务，纵轴为没有重点覆盖的任务

重建14个月，小扎终于打回来了！

现在，普通版Wonder已经在Meta Model API和Muse Code上线。

API按用量收费：每百万token输入4美元、输出20美元，缓存输入0.20美元。上下文窗口达到100万token，长上下文不额外加价。

Full目前只在Muse Code订阅中开放：Power Usage为50美元/月，Maximum Usage为200美元/月，分别提供基础档20倍、80倍的用量，暂未开放独立API。

个人助手Muse也将接入Wonder，按官方计划先向订阅者推出。

虽然首批用户遇到了额度异常，但Alexandr Wang表示，团队正在修复，并承诺修好后重置额度

这下，Claude Code和Codex的底盘 ，Meta也来抢了！

参考资料：

https://research.meta.ai/blog/muse-wonder/

https://research.meta.ai/static/muse-wonder-model-card

编辑：摩西 桃子