Muse Wonder Full — это контрольная точка с более высокими показателями, о которой Meta Superintelligence Labs объявила 12 октября 2026 года, а Muse Wonder — это доступная для вызова версия, выпущенная в том же анонсе. Обе модели присутствуют в собственной оценочной таблице Meta наряду с Claude Opus 5.5, GPT-6 Astra и Claude Fable 5.1. Утверждение, которое разошлось дальше всего — о том, что Muse Wonder Full превосходит ведущие передовые модели в нескольких тестах на выполнение длительных агентных задач и что она опережает все остальные модели в DeepSWE, включая Claude Opus 5.5, — не подтверждается цифрами, опубликованными самой Meta. Этот разрыв и есть суть истории, и он гораздо важнее, чем само утверждение.
Что говорится в утверждении и что показывает таблица
В широко распространенном резюме приводятся две конкретные цифры: результат SWE-Marathon 57,5% для Muse Wonder Full против 46,3% для модели Claude, а также результат DeepSWE, который ставит Muse Wonder Full выше всех остальных в этой области. Опубликованные Meta данные выглядят иначе в обоих случаях.
• SWE-Marathon — Meta указывает для Muse Wonder Full 79,0, для Muse Wonder 78,8, для GPT-6 Astra 74,1, для Claude Opus 5.5 74,2 и для Claude Fable 5.1 67,4. Нигде в строке нет цифр 57,5 и 46,3, а отрыв от Claude Opus 5.5 составляет 4,8 пункта, а не 11,2.
• DeepSWE 1.1 — Meta указывает для GPT-6 Astra 59,1 и для Claude Opus 5.5 59,6, обе модели выше, чем Muse Wonder Full с 57,1 и Muse Wonder с 52,0, что соответствует результату Claude Fable 5.1. В собственной таблице Meta модель Muse Wonder Full занимает третье место в этой строке, а не первое.
• Terminal-Bench 4.0-AA — Muse Wonder Full 85,5, Muse Wonder 85,6, Claude Opus 5.5 81,5, GPT-6 Astra 81,4, Claude Fable 5.1 79,0. Это реальное лидерство пары от Meta, причем доступная для вызова контрольная точка немного опережает подписную.
• JobBench, профессиональные задачи с длинным горизонтом планирования — Muse Wonder Full 75,3, GPT-6 Astra 34,2, Muse Wonder 30,8, Claude Opus 5.5 30,6, Claude Fable 5.1 27,6. Разрыв в 44 пункта между двумя контрольными точками из одной лаборатории, что является либо реальным различием в целях обучения, либо артефактом системы тестирования.
• Vals Finance Agent V2 — Muse Wonder Full 59,1, Muse Wonder 10,0, GPT-6 Astra 8,6, Claude Fable 5.1 6,4, Claude Opus 5.5 4,2. Еще один огромный внутренний разброс, и направление не является единообразным во всех строках Meta.
Каждая из этих цифр предоставлена поставщиком, получена в собственной системе тестирования Meta при максимальных усилиях рассуждения, и ни одна из них не была независимо воспроизведена. Это не повод отбрасывать таблицу. Это причина, по которой первый вопрос о любой цифре, распространяемой из нее, должен касаться того, какая именно система тестирования ее произвела.
Цифр 57,5 и 46,3 нет в таблице
Две возможности соответствуют тому, что можно реально проверить. Либо в резюме цитируется другая оценка — другой набор тестов, другие настройки усилий рассуждения, показатель успешности вместо индексного балла или запуск системы тестирования вне Meta, — либо цифры неверны. Ничто в опубликованных материалах Meta не подтверждает ни то, ни другое, и в этой статье не будет утверждаться, что Muse Wonder Full набирает 57,5% в SWE-Marathon, когда в строке самого поставщика указано 79,0.
Правильный ответ — процедурный, а не риторический. Название бенчмарка — это не спецификация. SWE-Marathon, запущенный при максимальных усилиях с бюджетом в 200 шагов, 500 шагов и ограничением по времени, даст три разных числа для одной и той же модели, то же самое верно для любого набора тестов с длинным горизонтом. Когда оценка приходит без указания системы тестирования, настроек усилий и бюджета шагов, это точка на неизвестной кривой. Запрашивайте информацию о системе тестирования, прежде чем планировать мощности на основе этого числа.
Исправленная версия утверждения более узкая и все еще интересная: в собственных строках Meta для задач с длинным горизонтом Muse Wonder Full опережает модели Claude и GPT в таблице с отрывом от 4,8 пункта в SWE-Marathon до 44 пунктов в JobBench, но проигрывает им в DeepSWE 1.1 и Harvey LAB-AA. Это аргументированное заявление. Версия о том, что она побеждает везде, — нет.
Что из этого действительно доступно
У утверждения есть вторая, более сложная проблема, и она вообще не связана с баллами. Контрольная точка с заголовками цифр не продается по токенам.
• Где работает каждая — muse-wonder-1.0 отвечает через Meta Model API и внутри Muse Code, терминального агента кодирования компании. muse-wonder-full-1.0 описывается Meta как доступная только по подписке Muse Code.
• Сколько стоит Full — опубликованные планы Meta стоят 50 долларов в месяц за Power Usage и 200 долларов в месяц за Maximum Usage. Нет тарификации по использованию, нет цены за токен, которую можно купить, и нет способа подключить SDK к контрольной точке с более высокими баллами.
• Тарифная сетка, которая к ней не применяется — Meta публикует цены 4,00 доллара за миллион входных токенов, 0,20 доллара за кэшированный ввод и 20,00 долларов за миллион выходных токенов для этой серии. Эти тарифы описывают путь, который существует для Muse Wonder и не существует для Muse Wonder Full.
• Контекст и вывод — 1 048 576 входных токенов для обеих, с ограничением бюджета вывода для одного ответа у доступной для вызова контрольной точки в 943 718 токенов.
• Входные данные — текст, изображение, речь и видео на входе; текст на выходе. Видео и речь на входе без предварительной транскрипции — это разница в возможностях, которая с наибольшей вероятностью меняет архитектуру.
Таким образом, команда, читающая заявление о запуске, а затем рассматривающая свои варианты закупок, сравнивает две разные вещи: API по цене 4,00 и 20,00 долларов, который они могут вызвать сегодня, и контрольную точку, доступ к которой является решением о ежемесячной покупке. Любая оценка, которая смешивает их, не является сравнением моделей.
Что охватывают независимые измерения
Artificial Analysis измерила доступную половину. Muse Wonder (max) имеет индекс интеллекта 52, занимая девятое место из 219 моделей, при цене 4,00 доллара на вход и 20,00 долларов на выход со скидкой 95% на кэш, что составляет примерно 4,52 доллара за индексную задачу — это более дешевый показатель за задачу из двух измеренных передовых контрольных точек. В ее карте зафиксировано около 130 миллионов потребленных выходных токенов во время оценки против медианы в 85 миллионов, окно контекста 1 млн и ввод текста, изображения, речи и видео против вывода текста.
Muse Wonder Full (max) имеет 56 по тому же индексу, занимая четвертое место из 699, без опубликованной цены, поскольку нет ставки за токен для нормализации. Meta указывает ту же контрольную точку как 59,0 по индексу Artificial Analysis в своей собственной таблице. Расхождение в три пункта по одному и тому же индексу — это мелочь в отдельности и уточняющий момент в совокупности: цифра поставщика описывает направление движения, 56 описывает измерение.
Независимая комиссия также сообщает то, чего не может таблица поставщика. Muse Wonder Full набирает 56, а Muse Wonder — 52, разница в четыре пункта в общедоступной системе тестирования против разброса в 44 пункта в JobBench, о котором сообщает Meta из своей собственной. Один из этих двух инструментов измеряет то, чего не измеряет другой.
Во что на самом деле обходится эскалация
Ценообразование Muse Wonder нельзя назвать выгодным. Стоимость $4.00 за вход и $20.00 за выход соответствует прейскуранту Claude Opus 5.5 и в несколько раз превышает расценки текущих моделей с открытыми весами, обладающих способностью к рассуждению. Разница между ними при одинаковых тарифах заключается в количестве токенов, затрачиваемых на выполнение задачи, и в этом отношении Muse Wonder оказывается более экономичной: примерно 130 миллионов выходных токенов против 260 миллионов у Claude Opus 5.5 в рамках одной и той же системы оценки. Именно поэтому независимые показатели стоимости выполнения задачи составляют около $4.52 и $5.98 соответственно.
Рычагом управления этими затратами является «лестница усилий» (effort ladder), а не переключатель режимов. Рассуждение является обязательным, уровень усилий варьируется от минимального до максимального с настройкой по умолчанию на средний, а токены рассуждения тарифицируются как выходные токены по цене $20 за миллион. Здесь нет пути без «мышления», на который можно было бы перейти при больших объемах трафика. В сочетании с ограничением выходных данных в 943 718 токенов, настройка усилий становится единственным параметром интеграции, определяющим, будет ли эта модель доступной для вашей рабочей нагрузки.
Аргументы в пользу использования полной версии (Full checkpoint) выглядят менее убедительно, чем утверждения в анонсе, поскольку четыре независимые точки между двумя контрольными точками на Artificial Analysis находятся в пределах погрешности оценки при однократном запуске. То, что разделяет их в таблице вендора — это строки с длинным горизонтом планирования, сохранением состояния и активным использованием инструментов, и именно эти показатели никто, кроме Meta, не смог воспроизвести.
Где маршрутизатор доказывает свою ценность
Muse Wonder отсутствует в OrcaRouter. В нашем каталоге нет записи meta/muse-wonder, и мы не будем описывать ее так, будто она существует; модель работает через собственный API Meta и Muse Code, а Muse Wonder Full доступна только по подписке Muse Code.
Проблема маршрутизации, которую создает этот запуск, — это проблема измерения. Когда одна модель в сравнении ограничена подпиской, а другая тарифицируется за токен, единственный способ сравнить их на своей рабочей нагрузке — это прогнать одни и те же задачи через собственную систему и подсчитать токены, а не процент успешных выполнений. Именно для такого типа работы создан единый эндпоинт. OrcaRouter поддерживает более 200 моделей через один API, совместимый с OpenAI, и модели, которые этот запуск предлагает использовать для сравнения — Claude Opus 5.5 по цене $4.00 за вход и $20.00 за выход, собственная модель Meta Muse Spark 1.2 по цене $1.25 и $4.25 — уже доступны в нем по официальным ценам вендоров без каких-либо наценок с нашей стороны. Прейскурантные цены провайдеров передаются без изменений, поэтому изменение цен вендором отражается у нас в тот же день.
Существует второе применение, специфичное для этой серии. Meta выпустила как минимум три модели околофронтирного уровня за пять месяцев — Muse Spark 1.2 в августе, Muse Spark 1.3 в сентябре, серию Muse Wonder в октябре — и каждая из них сопровождается таблицей результатов вендора и обязательной моделью оплаты за рассуждения. Запуск фиксированного набора тестов на любой из доступных моделей и замена идентификатора модели вместо всей инфраструктуры — самый дешевый способ не учиться на одних и тех же ошибках трижды.
Что остается неясным после анонса
• Получит ли Muse Wonder Full когда-нибудь доступ через API. Более производительная контрольная точка скрыта за ежемесячной подпиской, что делает доступ к ней вопросом покупки, а не инженерным решением. Meta не заявляла, что откроет ее.
• Какая система тестирования выдала показатели 57.5 и 46.3. Пока на это нет ответа, два наиболее цитируемых числа из этого запуска нельзя нанести на кривую вместе с собственными строками Meta, и их не следует цитировать так, будто это возможно.
• Сохранится ли разрыв в 44 балла в JobBench между двумя контрольными точками от одной лаборатории при независимом тестировании. Разрыв такого размера является либо реальным различием между двумя профилями, либо артефактом системы тестирования, и только третья сторона может определить, что именно.
• Работают ли Active Memory и Active Focus в продакшене. Meta описывает сохранение состояния между сессиями и самоуправляемое внимание при выполнении длинных задач. Ни то, ни другое не продемонстрировано в карточке модели, и оба утверждения проверяются неделями производственного трафика, а не публикацией о запуске.
Серия реальна и выпущена, а вызываемый эндпоинт работает. В чем анонс ошибся, так это в таблице результатов, а не в самой модели. Обоснованная позиция сегодня такова: по собственным строкам Meta с длинным горизонтом планирования пара Muse Wonder опережает модели Claude и GPT в таблице по одним наборам тестов и отстает по другим; контрольная точка с более высокими цифрами — это та, которую вы не можете вызвать, а два наиболее цитируемых показателя из анонса вообще отсутствуют в таблице самого вендора.
