Muse Wonder Full 在 Artificial Analysis Intelligence Index 上得 56 分，Muse Wonder 得 52 分；作为对比，Claude Opus 5.5 为 58 分，Claude Sonnet 5.5 为 56 分，GPT-6 Astra、Gemini 4 Argon 和 Claude Fable 5.1 各自为 53 分。Meta 自家的模型卡讲述了一个更强的故事：在长时间运行的编程、法律工作、业务自动化和记忆方面领先。两者都是事实，因为它们衡量的是不同的东西，而它们之间的差距正是本文最有价值的一点。
本文汇总了所有已公布的数字，既有 Meta 自家的也有独立第三方的，并说明每一项测试的是什么、Wonder 在哪里领先、在哪里落后，以及哪些数据是 Meta 之外无人能够复现的。关于模型本身，请参见 Muse Wonder 详解。
AI Coding 交流群
如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。
Meta 的模型卡表格
Meta 在最大推理强度下对比了 Muse Wonder Full、Muse Wonder、GPT-6 Astra 和 Claude Opus 5.5。以下各行来自 VentureBeat 对该模型卡的报道：
| 基准测试 | 衡量内容 | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | 十项评测综合分 | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | 法律 Agent 任务 | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | 业务流程自动化 | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | 专业工作 | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | 软件工程 | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | 长时间运行的编程任务 | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | 终端 Agent 任务 | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | 健康问题 | 62.3 | 60.5 | 65.3 | 65.6 |
横向扫一遍，格局就很清楚。凡是任务耗时且具有 Agent 属性的场景，Wonder Full 都胜出：SWE-Marathon 领先 Opus 5.5 十一分，DeepSWE 领先五分，法律领域领先三倍。它在终端任务、健康任务和综合指数上落败。即便在 Meta 自己的表格里，Opus 5.5 在总体上也是更聪明的模型；Wonder Full 则是更持久的那个。
Meta 自己也给出了两点说明。竞争对手的运行是尽力而为的，所用设置未必对这些模型最优。另外，部分编程对比使用了不同的工具，因此这几行数据相比其余部分受控程度更低。
Meta 的内部基准测试：记忆与专注
Meta 发布材料中有三个数字来自只有 Meta 才能运行的测试。
| 基准测试 | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 | Claude Fable 5.1 |
|---|---|---|---|---|---|
| MemoryBench | 85.5 | 85.6 | 81.4 | 81.5 | 79.0 |
| FocusBench | 54.2 | 44.9 | 47.7 | 45.8 | 36.6 |
MemoryBench 把事实隐藏在 64K 到 100K token 的对话里，加入干扰项，并在中途修改部分事实，模型必须回忆起当前版本。它是 Active Memory 功能的证据。FocusBench 衡量模型能否在遇到阻碍时依然持续追求目标，对应 Active Focus 功能。注意，较小的 Wonder 在 FocusBench 上得分低于 Astra 和 Opus，只有 Full 领先。第三项内部数据 Personal Superintelligence Index 则没有公布任何竞争对手的对比。
这些测试针对的是真实行为，看上去合理，但它们也恰恰是 Meta 专门训练过的行为。在 Meta 之外的人能够运行这些测试之前，不妨把它们看作对训练目标的描述。
独立得分：Artificial Analysis
Artificial Analysis 在最大推理强度下让两个模型都跑了一遍它的 Intelligence Index v4.3。以下是综合分及各项分解：
| 评测项 | Wonder Full | Wonder | Muse Spark 1.3 | 值得注意的对比 |
|---|---|---|---|---|
| Intelligence Index | 56 | 52 | 48 | Opus 5.5 58、Sonnet 5.5 56、Astra / Argon / Fable 5.1 53、Grok 4.6 44 |
| Terminal-Bench 4.0 | 57% | 52% | 33% | Gemini 4 Argon 57% |
| GDPval-AA (Elo) | 1857, #2 | n/a | 1681 | Opus 5.5 1866、Sonnet 5.5 1838 |
| AA-Briefcase (Elo) | 1729, #3 | n/a | 1581 | |
| CritPt | 33%, #1 | n/a | n/a | 最接近的对手为 31% 至 32% |
| GDP.pdf | 33%, #1 | n/a | n/a | 最接近的对手为 31% 至 32% |
| SciCode | 63%, #3 | n/a | n/a | |
| AA-Omniscience（知识） | 30 | 25 | 25 | Opus 5.5 46、Astra 43、Argon 42、Sonnet 5.5 32 |
| 幻觉率 | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Claude Code 搭配 Sonnet 5.5 为 68、搭配 Opus 5.5 为 66 |
有三点值得注意。
相较 Spark 的跃升是实打实的。 六周内综合分提高八分，Terminal-Bench 几乎翻倍。Artificial Analysis 称其为相较 Meta 此前模型的一次实质性智能跃升。
知识是短板。 Omniscience 得分 30，而 Opus 5.5 为 46，说明 Wonder 掌握的事实更少；不过它较低的幻觉率意味着它更不容易凭空编造事实。对于检索密集型产品而言，这意味着应当用搜索或自有文档来做接地，而不是依赖模型的记忆。
有几处领先幅度很窄。 CritPt 和 GDP.pdf 只领先其他模型一到两分，GDPval 相对 Sonnet 5.5 的领先也在置信区间之内。对于任何在选择 Agent 运行时的人来说，Coding Agents Index 上与 Sonnet 5.5 版 Claude Code 打平是最相关的数字，而且它属于 Full，而非 API 所服务的模型。
Meta 与 Artificial Analysis 数据不一致的一行
Meta 的模型卡在 Artificial Analysis Intelligence Index 一行上给 Wonder Full 记为 59.0，而 Artificial Analysis 公布的是 56。差异可能来自指数版本、运行日期，或 Meta 自己的评测框架，双方都没有公开解释过。当你看到有人引用 59 时，那是 Meta 的数字；看到 56 时，那是独立第三方的数字。AutomationBench 上也存在同样的差异：Meta 的表格给出 45.4 和 39.1，Artificial Analysis 报告的则是 71% 和 68%，看起来是测试的不同版本。引用数字时请一并注明来源。
得分背后的 token 与成本
最大推理强度下的得分是有 token 代价的。Artificial Analysis 测得两个 Wonder 模型每项任务约消耗 54,000 个输出 token，而 Argon 为 62,000、Fable 5.1 为 78,000、GPT-6 Astra 为 27,000。在输入方面，Wonder 在整个指数上使用了 769 万 token，Full 为 644 万，是 OpenAI 和 Google 模型的两到七倍。正因如此，Wonder 每项任务成本落在 $4.52，低于 Opus 5.5 的 $5.98，但高于 Astra 的 $3.26，尽管 Astra 的标价高出 2.5 倍。定价那篇文章详细分析了这对真实工作负载意味着什么。
你该自己测什么
基准测试告诉你该往哪里看，而不是该交付什么。对于 Meta 声称的那些 Agent 优势，正确的测试是你自己的长任务：一次 30 步的重构、一次多文档评审、一个故意注入故障的工具循环。在 Apifox 里，用相同的 prompt 和工具定义分别对接 Muse Wonder、Opus 5.5 以及你当前使用的模型，对结构化输出做断言，并逐一比较 usage。工具调用测试框架和非确定性 Agent 测试指南里介绍了具体的搭建方法。下载 Apifox，把这三者放在一起跑一跑。
请记住，API 提供的是 Wonder，而不是 Full。你读到的关于 Meta 前沿模型的任何基准测试标题，描述的很可能都是你无法调用的那个。
常见问题
Muse Wonder 是当前可用的最佳模型吗？ 在独立综合分上不是。Opus 5.5 得 58，而 Full 为 56、Wonder 为 52。Wonder Full 在特定的 Agent 基准测试上领先：SWE-Marathon、DeepSWE、Harvey LAB、FocusBench。
哪些基准测试可以信任？ Artificial Analysis 的运行结果可复现，且来自第三方。Meta 的跨模型对比表由 Meta 自己运行，竞品用的是尽力而为的设置。MemoryBench、FocusBench 和 Personal Superintelligence Index 则是 Meta 独有的。
它和 Gemini 4 Argon 相比如何？ 在指数上 Argon 得 53，Wonder 得 52，而 Argon 价格只有一半；在 Terminal-Bench 上 Argon 以 57% 与 Full 打平，且幻觉更少（15% 对 27%）。我们那篇 Argon 基准测试文章里有它的完整表格。
最大推理强度会改变模型吗？ 不会。推理强度改变的是 Wonder 推理多久，它永远不会把 muse-wonder-1.0 变成 Muse Wonder Full。
下一步
挑一个最贴近你工作负载的基准测试——长时间编程任务选 SWE-Marathon，事实回忆选 Omniscience——让它来决定 Wonder 是否值得一试。综合分做不到这一点。
HiFox ：将 Agent 变成真正的队友
另外，我们也在思考，AI 如何从个人提效走进团队协作。
HiFox 是一个让人和 AI Agent 在同一个工作现场协作的平台：你可以像给同事分派任务一样指派 Agent，在任务看板中跟踪进度、查看结果，让 Agent 成为团队里的队友。
👉 立即体验 Hifox：https://hifox.com
AI Coding 交流群
如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。