Meta Muse Wonder 实测：基准成绩强劲，演示表现不一，额度限制影响体验

我没想到一觉醒来，Meta 就推出了前沿级模型。Muse Wonder 系列有两个版本，公开基准成绩让它们跻身最强模型之列。一年前，很多人还认为 Meta 已经掉队；如今的变化令人惊讶，尽管基准并不能说明一切。

我的魔方测试成功了：模型做出的魔方在打乱时各面保持一致，求解器也是真正求解，而不是简单地把打乱动作倒过来。这个项目大约用了四分钟。

访问体验就没那么顺利了。我先订阅每月 15 美元的套餐，却无法使用完整版。升级到 50 美元后，几分钟内就遇到了 429 额度错误。我又升级到 200 美元套餐，很快再次用完额度。Meta 的 Alexander Wang 回复说，团队知道这个问题，正在修复。

我还是完成了另外几项测试。浏览器版 Fall Guys 游戏有闪烁和穿模问题；它做得还可以，但远不如我见过的 Opus 5.5 和 GPT-6.1 Sol 最佳版本。我已经让它更新，看看能否改进。

一个用 Three.js 制作的海上船只场景，水面反射很漂亮，还能控制阳光、时间、风和浪高。但阴影看起来不对，船周围有奇怪的白色物体，风似乎只改变水流速度而不改变波浪大小。总体上，这远不是我见过最好的例子。

一段子弹击中 3D 西瓜的动画看起来很有趣，但画面变模糊了，谈不上超写实。我怀疑仅靠网页技术是否足以实现这个目标，打算再试试 Unreal Engine 或 Blender 之类的工具。

船只任务结束时，模型给出一条意外的信息，让我不要调查它的谱系或开发过程。我看不出这和任务有什么关系，也不知道它是什么意思。这是一次奇怪的输出，不能据此证明某种具体解释。

公开的成绩令人印象深刻，但不同基准的价值不同，也无法证明所有实际能力。Meta 当时通过 API 提供 Muse Wonder；较完整的 Muse Wonder Full 则需要 Muse Code 订阅。

图中 Muse Wonder 的 API 价格为每百万输入 token 4 美元、每百万输出 token 20 美元、每百万缓存输入 token 0.20 美元。我将其与 GPT-6.1 Sol 的短上下文价格 2、10 和 0.10 美元，以及 Opus 5.5 的输入 4 美元和输出 20 美元作比较。

Meta 的对比图中，Muse Wonder Full 在 Personal Superintelligence Index 上得分 59.1，在法律智能体基准 Harvey LAB-AA 上得分 13.1；Wonder 在后者得分 10。我注意到 Grok 4.7 在该法律基准上据报得到 19.6，但没有出现在这张对比图里。

在 OSWorld 中，图示部分得分为 Wonder Full 78.4、Wonder 72.6；展示的模型里 Opus 5.5 以 81.8 领先。两款 Muse 模型的 Terminal-Bench 得分分别为 57.1 和 52.0，完整版在这项测试中接近几个竞争对手。

DeepSWE 1.1 是我认为有助于反映开发者体验的编程基准。图表给 Wonder Full 和 Wonder 的分数分别是 79.0 和 78.8，高于图中其他模型。两个版本的差距很小，值得关注，但单项基准不能构成完整评价。

在 Artificial Analysis 智能指数的展示排名中，Muse Wonder Full 约为 56，与 Sonnet 并列，落后于得分 58 的 Opus 5.5。这是令人印象深刻的表现。我在某些工作中仍更喜欢 Codex，因此排名本身不会决定我选择什么工具。

每项任务成本的比较显示，Muse Wonder Max 为 4.52 美元，GPT-6.1 Sol Max 为 0.72 美元，另有几个模型更贵。这衡量的是特定智能指数工作负载，并非所有任务的通用价格。在智能水平与成本的图表中，Wonder 能力很强，但相对昂贵。

图表中的 MiMo 模型也很吸引我：它只比 Sol Max 低几分，价格却只是后者的一小部分。Theo 的排名把 Muse Wonder 与 Opus 5.5 一同列入最高档。无论如何看待具体排名，Meta 在此前一年里的进步都很显著。