Meta 首发前沿模型 Muse Wonder 与 Wonder Full：智能指数 56 分，主打主动记忆与主动专注
Meta 10 月 12 日发布 Muse Wonder 系列，含 Muse Wonder 与 Muse Wonder Full 两个模型，自称在个人与专业智能体任务上达到当时最好水平，是 Meta 第一个前沿模型。两个模型今天起可通过 Meta Model API 与 Muse Code 使用，Wonder Full 现阶段只面向 Muse Code 订阅者；Muse Wonder 之后会先向订阅者接入 Muse App，并承担 artifact 生成这类需要更多智能的环节。
官方称两个模型在其自有的吉瓦级 Prometheus 数据中心训练，能力围绕两项设计：一是「主动记忆」——跨对话记住重要信息，并在任务需要时主动取出相关细节；二是「主动专注」——遇到阻塞会换方案继续推进，重要动作前先确认。官方列出的评测覆盖法律、金融、健康等专业任务，具体点名 Harvey 的法律智能体基准 LAB、FocusBench 与 SWE-Marathon。
第三方口径：据 Artificial Analysis 智能指数 v4.3，Muse Wonder Full 得 56 分、Muse Wonder 得 52 分，而上一代 Muse Spark 1.3 是 48 分；提升最明显的是智能体类评测，Terminal-Bench 4.0 从 33% 升到 57%，Wonder Full 在十项基准中有六项进入前三。同一来源称两版每次 API 调用成本约为前代三倍、支持 100 万 token 上下文、输入含文本/图像/视频/音频——这三项官方页面未逐项列出，属媒体口径。Meta 未公布参数规模与训练细节。
核验记录
官方两处一手同日，均本机直读 200：research.meta.ai/blog/muse-wonder（332,193 字节，页内 JSON-LD datePublished 2026-10-12T00:00:00Z 与可见 October 12, 2026 两处）与 about.fb.com/news/2026/10/introducing-muse-wonder-models/（497,186 字节，datePublished 2026-10-12T17:08:05+00:00）。官方页的基准结果以图表形式呈现，本机未读到逐项数字；56/52/48 分、Terminal-Bench 33→57%、六项进前三、约三倍调用成本、100 万上下文、四模态输入均来自 the-decoder 10-12 引用 Artificial Analysis 与厂商口径，正文已标注为第三方。参数规模与训练细节官方未披露（Wired 同口径）。配图用官方新闻室 social share 图，裸请求与带站内 Referer 双向 200 / JPEG 78,807 字节。