元新模型杀回AI第一梯队，Alexandr Wang亲述Muse 7个月翻身内幕

在经历诸多争议、近期凭Muse“翻红”后，10 月 12 日，Meta 发布新一代 Muse Wonder 系列，包括 Muse Wonder 和 Muse Wonder Full 两个模型。Meta 将其称为目前公司能力最强的模型，并明确把产品目标指向“个人和专业 Agent”。 “一夜之间，竞争格局从双强对决演变为三方角逐。Meta 发布了 Fable 级模型。”有网友给出了超高评价。 与此前更强调推理不同，Muse Wonder 的核心能力被概括为两个新的关键词：主动记忆和主动专注，前者负责跨对话记住用户的重要信息，后者负责让 Agent 在长时间任务里持续推进目标、绕过障碍并根据新信息调整行动。 Muse Wonder 已通过 Meta Model API 和 Muse Code 开放，价格为每百万输入 Token 4 美元、缓存输入 0.2 美元、输出 20 美元；Wonder Full 则暂时没有单独 API 定价，只包含在 Muse Code 的 Power Usage 和 Maximum Usage 订阅中，后者分别为每月 50 美元和 200 美元。 之后，Muse Wonder 还将逐步进入 Muse 产品，首先向订阅用户推出并承担 Artifact 生成以及需要更高智能水平的复杂任务。Meta 称，未来还计划基于 Wonder 训练更多专用模型。 这也是 Meta 过去 14 个月重建 AI 技术栈后的又一次重要模型升级。Meta 表示，Muse Wonder 延续了此前 Muse Spark 确立的 Scaling 路线，从预训练和强化学习两个方向继续扩大模型能力，并在千兆瓦级 Prometheus 数据中心完成训练。 “我对 Meta 有很多不满，但越多公司跻身前沿领域越好。”有网友说道。 就在 Muse Wonder 发布前一天，Alexandr Wang 还在 David Senra 的播客里从产品侧详细披露了 Muse 背后的故事：它最初受到 OpenClaw 启发，1 至 2 周做出第一个原型，从原型到正式发布用了 7 个月，整个团队不到 200 人。 为了决定模型什么时候能够真正面对消费者，团队列出了一张超过 100 项能力的清单，为其中每一项设定发布门槛，直到第一次出现“全部变绿”的模型 Checkpoint。这背后其实也是Muse Wonder 的训练理念。 Wang 对这套路线的判断是，个人 Agent 可能成为某种“终极消费产品”。对 Meta 来说，这场竞争最重要的筹码，是它每天触达的约 35 亿用户，以及 Instagram、WhatsApp、Facebook 长期积累的个人关系和消费场景。 可以看出，当下Meta，在模型上，Meta 正在把主动长期记忆和长程执行直接写进基础能力；产品上，Muse 在走向真正可以替用户办事的个人 Agent；而这两者都服务于Meta的AI理念：一种以“个人超级智能”为核心、试图持续放大普通人主体能动性的 AI 路线。 新模型带Meta 重回 AI 前沿？ 先看新模型。Muse Wonder 最明显的一项变化，是 Meta 开始把“记忆”单独定义为 Agent 的核心能力。Meta 将这一机制称为主动记忆。它并不只是把历史对话塞进更长的上下文，而是要求模型跨对话保存用户相关的重要信息，并在后续任务中主动判断哪些旧信息值得重新调用。 从模型规格来看，Muse Wonder 和 Muse Wonder Full 在推理阶段支持最高 100 万 Token 上下文，输入模态包括文本、图像、视频和音频，输出目前仍以文本为主。Meta 还专门设计了 MemoryBench，测试模型能否在 6.4 万至 10 万 Token 的复杂多轮对话中找回关键信息，同时处理干扰信息以及后续对原信息的更新和冲突。 在这一内部测试中，Muse Wonder 得分为 85.6，Muse Wonder Full 为 85.5，高于 Meta 报告中的 GPT-6 Astra 81.4、Claude Opus 5.5 的 81.5 和 Claude Fable 5.1 的 79.0。 主动专注解决的则是另一个 Agent 难题：能不能把一件事情一直做下去。Meta 对其的定义是，当任务遇到障碍时，模型能够继续尝试其他方案，在新信息出现后调整计划；需要额外信息时主动向用户澄清，而在采取重要行动之前则先请求用户确认。 Meta 使用 FocusBench 测试这一能力，并用 SWE-Marathon 检验模型在超长软件工程项目中的持续执行能力。 这两个能力放在一起，实际上描绘出 Meta 对下一代个人 Agent 的基本判断：Agent 应该长期了解一个人，并且能够围绕他的目标连续工作。 Coding 是 Meta 此次特别强调的一项能力。相比单轮代码生成，真实软件开发同时需要长期记住需求、跨文件修改代码，并不断经历“修改—测试—失败—再次修改”的循环，因此本身就是对 Memory 和 Focus 的综合测试。 Meta 表示，Muse Wonder 和 Wonder Full 专门接受了更多长时间运行任务的训练，希望模型能够在大型软件项目中保持连续进展。从 Meta 公布的评测来看，Muse Wonder Full 在部分长程 Coding Benchmark 上表现突出。 在 DeepSWE v1.1 上，Muse Wonder Full 得到 79.0，Muse Wonder 为 78.8；作为对比，Meta 列出的 GPT-6 Astra 为 74.1、Claude Opus 5.5 为 74.2、Claude Fable 5.1 为 67.4。 更明显的差距出现在 SWE-Marathon。这项测试专门针对超长软件工程任务，Muse Wonder Full 得到 57.5，Muse Wonder 为 53.1，高于 Claude Opus 5.5 的 46.3、Claude Fable 5.1 的 45.6 和 GPT-6 Astra 的 42.5。 不过，Muse Wonder 并没有在所有 Coding Benchmark 上领先。比如ProgramBench 中，Wonder Full 得到 59.0，而 Claude Opus 5.5 达到 70.5。 值得注意的是，各项数字也并非全部来自完全统一的测试环境。Meta 在 Model Card 中说明，部分内部 Coding 对比使用相同 Harness，但一些外部结果沿用了不同模型提供商或评测机构各自使用的 Agent 产品和 Harness。例如 SWE-Marathon 中，GPT-6 Astra 使用 Codex，Claude Fable 5.1 使用 Claude Code，因此这些结果并不属于严格意义上的同 Harness 对照实验。 Muse Wonder 的另一条产品路线，是从通用聊天继续向专业工作渗透。 Meta 针对法律、金融、医疗、商业工作流和电脑操作都进行了单独评测。以法律 Agent Benchmark Harvey LAB-AA 为例，Muse Wo