Meta最强模型跑分超越Opus 5.5？实测大翻车，作弊刷榜实锤了

新智元报道 就在今天深夜，Meta自豪宣布：自家的王炸大模型——Muse Wonder和Muse Wonder Full发布！ Muse Wonder 用于快速前沿性能，Muse Wonder Full 则是该模型的完整版本。 小扎声称，创立Meta超级智能实验室一年多，Muse Spark 是MSL的第一个模型系列，而Muse Wonder 则是一个更大、更先进的模型，达到了前沿水平。 这个基准测试图，可是相当惊艳。在多个榜单中，Muse Wonder的评分直接超越 Astra 和 Fable 5.1，甚至领先Opus 5.5！ 看到跑分后，全网直呼：Meta发布了一款Fable/Astra 级别的模型！Muse Wonder的表现，已经和Fable 5.1相当。 根据跑分，Meta在长周期软件工程上正式超越OpenAI，护城河已彻底蒸发。 Artificial Analysis的测试结果显示，Muse Wonder Full（Max）在多项测试挤入前 3。 更夸张的是，小扎和Meta首席AI官Alexandr Wang在播客里透露，为了这个模型，Meta砸下了超过1000亿美元的基础设施豪赌！ 然而，实测的开发者们，很快发现不对了。 很多人晒出实测demo，说Muse Wonder就是一坨。 有人直言：这是连Gemini看了都要甘拜下风的极致刷分作弊！ 砸了千亿美金的Muse Wonder，难道只是纯靠刷榜的产物？ 实测翻车：连3D游戏都搞不定 赶超Astra和Fable的模型，居然被Meta做出来了？ Muse Wonder刚刚开放API调用，立刻涌入了一大批开发者。 结果，Muse Wonder翻车了。 有人说，这个模型就是一坨，是个刷分到极致的产物。 同一个提示词下，它在最高推理档位和其他模型差异极大。 显然，这个模型在评分上高于 astra 和 fable 5.1，但在测试中表现比两者都差得多。 在一个RocketLeagueBench的测试中，它的测试结果惨不忍睹。 开发者说，Muse Wonder给他的初印象极差。自Opus 4.8以来，几乎所有主要模型在这个榜单上的表现都比它好。 面对质疑，Meta首席AI官Alexandr Wang回应说：「整个团队现在觉得自己很蠢，但这是事实，我们确实没有明确地在3D演示游戏上训练我们的模型……但不后悔，请大家在实际的编码工作中试试它！」 不过，事情的真相真的只是「没练过3D游戏」这么简单吗？ 有人维护Meta说：「3D游戏演示很酷，但它们完全不能代表真实的代码工作！Wonder是一个令人难以置信的代码模型，别忽视它。」 但也有人指出：首先，这意味着这个模型的泛化能力绝对糟糕。其次，视频游戏演示也是通过代码做出来的。 官方博客万字雄文——硬刚Astra与Opus 5.5！ 这次没，小扎是真有备而来。 在官方博文中，Meta毫不避讳地直接把枪口对准了当前大模型界的两座大山：OpenAI 的 GPT-6 Astra 和 Anthropic的Claude Opus 5.5。 Meta骄傲地宣布，历经14个月从底层技术栈的彻底重构，Muse Wonder的诞生，标志着Meta正式踏入了「前沿」梯队。 在多个核心领域，它不仅追平，甚至超越了Astra和Opus 5.5！ 官方博客中，Meta详细列出了Muse Wonder的几大「碾压级」杀手锏： 替人办事的「智能体（Agent）」能力：超越双王 Meta的终极目标是「个人超级智能」。在Meta自建的**个人超级智能指数（Personal Superintelligence Index）**中，Muse Wonder Full 拿下了 59.1分 的高分，直接将 Claude Opus 5.5（55.2分）和 GPT-6 Astra（54.5分）斩于马下。 在跑完整业务流程的 AutomationBench 测试中，Muse Wonder Full 以 45.4分 同样力压所有最高分仅为41.6的竞争对手。这意味着，当你把一整个复杂的现实任务丢给AI时，Muse Wonder是目前世界上最靠谱的执行者。 独家绝技：Active Memory（主动记忆）与 Active Focus（主动专注） 这是本次发布的绝对核心卖点，也是Muse Wonder能够干翻对手的底气所在。 现有的模型聊久了就容易「失忆」。但有了「 主动记忆 」，Muse Wonder能在跨度极大的对话中记住你的偏好。 在掺杂了大量干扰和矛盾信息的 MemoryBench 测试中，Muse Wonder Full 拿到了 85.5分 ，稳压 Claude Opus 5.5 的 81.5分 。它甚至能自己判断以前的哪些旧信息对当前的新任务有用，并主动调取。 主动专注（Active Focus） ，则 指AI「死磕到底」的能力。一条路走不通就换一条，遇到卡点自己想办法。 在测试模型多轮交互克服现实障碍的 FocusBench 中，Muse Wonder表现出了极强的韧性。 官方演示中，它甚至能直接在浏览器和多个App之间自己操作，结合用户的现实情况排出一份完美的周末跑步计划。 长周期代码之王：OpenAI的护城河干涸了 说到写代码，大家可能觉得GPT和Claude很强。但Meta指出，写几行脚本和「构建大型软件」是两码事。 在测试AI处理长时间、长周期软件项目的 SWE-Marathon 中，Muse Wonder Full 拿下了惊人的 57.5分 ，而它最强的对手（Opus/Astra）最高也才 46.3分 ！ 在 DeepSWE 中，它同样以 79.0分 对 74.2分 领先。 如果你要让AI花几天时间，去维护一个极其庞大、枯燥、复杂的企业级代码仓库，Muse Wonder是目前的无冕之王。 垂直领域的专家（如法律） 在极度苛刻、要求交付物每一项都达标的Harvey法律智能体测试（LAB）中，所有模型都叫苦连天，但Muse Wonder依然以 13.1分 大幅领先对手最高的 8.6分 。 官方回应「刷榜」质疑：我们有「大模型味儿（Big Model Smell）」 针对网友吐槽的「Benchmaxxing（只针对跑分优化/刷榜）」，官方博客直接甩出了一张「测试时计算扩展（Test-time compute scaling）」图表。 数据证明，随着测试时计算量的增加，相比上一代Muse Spark，Muse Wonder在那些 「没有专门针对性训练过的陌生任务（Out-of-distribution）」 上，表现出了惊人的向上跃升。 官方表示，这得益于其极其强大的基础模型底座（Base Model），赋予了它极强的泛化能力。它不是应试机器，它是真的变聪明了！ 光鲜背后的阴影，它真的完美吗？ 当然，尽管官方博客战绩辉煌，但Meta也很诚实地在对比表中放出了自己「输掉」的项目。仔细一看，Muse Wonder依然有一些难以掩饰的短板： 第一，在部分极客任务和知识储备上，依然被Claude和GPT压制。 在终端编程（Terminal-Bench）上，它以 57.1 输给了 Claude Opus 5.5 的 59.6；在从零写一个完整程