Byg med CometAPIHar du brug for én API til flere modeller?Test workflowet i Playground, og opret derefter en API-nøgle, når model og pris passer til dit brugsscenarie.
Udforsk Meta Muse Wonder og Wonder Full, herunder 1M kontekst, aktiv hukommelse, agentbaseret kodning, AI-benchmarks, API-priser og modelsammenligninger.
TLDR Meta lancerede Muse Wonder og Muse Wonder Full den 12. oktober 2026 — deres hidtil mest kapable modeller, specialbygget til personlige og professionelle agent-opgaver. Muse Wonder Full scorer 56 på Artificial Analysis Intelligence Index (lige efter Claude Opus 5.5 med 58), mens Muse Wonder scorer 52. Begge har Active Memory og Active Focus, et 1M-token kontekstvindue, stærke kompetencer inden for kodning og domæner (jura, finans, sundhed) samt multimodale input.
Muse Wonder er tilgængelig via Meta Model API til $4/$20 pr. million tokens (input/output); Muse Wonder Full er begrænset til højere Muse Code-abonnementsniveauer. Udviklere kan også få adgang til disse modeller (og 500+ andre) via samlede platforme som CometAPI for enklere integration og potentielle prisfordele.
Gennemgået for klarhed, kildeangivelse og aktuel API-terminologi.
Muse Wonder og Muse Wonder Full er Metas frontmodeller til langvarige agenter, kodning, computerbrug og videnarbejde i den virkelige verden.
Nøgleinnovationer: Active Memory (vedvarende, relevant kontekst på tværs af samtaler) og Active Focus (vedvarende måljagt, fejlgenopretning og afklaring).
Uafhængig Artificial Analysis Intelligence Index (maksimal indsats): Muse Wonder Full 56, Muse Wonder 52 (op fra Muse Spark 1.3’s 48).
Stærk performance på lang-horisont-kodning (DeepSWE, SWE-Marathon), juridiske/finansielle agentopgaver og hukommelsesbenchmarks; konkurrencedygtig eller førende i flere Meta- og tredjepartsevalueringer.
Priser: Muse Wonder til $4 input / $0.20 cachet / $20 output pr. 1M tokens på Meta Model API; Muse Wonder Full er kun via abonnement gennem Muse Code (Power $50/mo og Maximum $200/mo). Standard Muse Wonder API-priser i CometAPI: $3.2/M input, $0.16/M cachet input, $20/M output.
Hvad er Muse Wonder?
Muse Wonder er Metas nye familie af frontlinje-sproglige modeller, annonceret den 12. oktober 2026 af Meta Superintelligence Labs. Udgivelsen bygger videre på Muse Spark og flytter fokus fra isolerede chatbot-svar til langvarige assistenter, der kan arbejde med værktøjer, bevare nyttig kontekst og iterere på vanskelige opgaver. Den består af to varianter:
Muse Wonder — standard-frontmodellen optimeret til kodning i den virkelige verden, langvarige agenter og avanceret computerbrug. Tilgængelig via Meta Model API og Muse Code.
Muse Wonder Full — versionen med højere kapabilitet, der leverer maksimal ræsonneringsevne til de hårdeste, længstvarende professionelle og agentiske arbejdsgange. I øjeblikket kun tilgængelig for Muse Code-abonnenter på højere niveauer.
Disse modeller bygger direkte på fundamentet fra Muse Spark (introduceret tidligere i 2026) og repræsenterer Metas mest markante spring mod “personal superintelligence.” De er eksplicit designet til agentiske anvendelser — systemer der ikke blot svarer på spørgsmål, men planlægger, eksekverer, genopretter efter fejl og fuldfører flertrinsopgaver i den virkelige verden over længere perioder. Eksempler omfatter navigation af forsikringskrav, tolkning af lejekontrakter, analyse af finansielle eller sundhedsoplysninger, opbygning af komplette applikationer og håndtering af komplekse personlige projekter.
Modellerne blev trænet i Metas Prometheus-datacenter i gigawatt-skala ved hjælp af avancerede prætrænings- og forstærkningslæringsteknikker, der er forfinet siden Muse Spark-serien. De understøtter et 1-million-token kontekstvindue og accepterer multimodale input (tekst, billeder, video, lyd og PDF’er i mange konfigurationer) med tekstoutput.
Tekniske specifikationer for Muse Wonder API
Specifikation (officiel modelkort)
Muse Wonder
Muse Wonder Full
Udvikler
Meta Superintelligence Labs
Meta Superintelligence Labs
Udgivelse
12. oktober 2026
12. oktober 2026
Identifikator
muse-wonder-1.0
muse-wonder-full-1.0
Kontekstvindue
1,000,000 tokens
1,000,000 tokens
Input
Text, image, audio, video
Text, image, audio, video
Output
Text
Text
Ræsonnering
Konfigurerbar
Avanceret
Active Memory / Focus
Understøttet
Understøttet
Offentlig API
Meta Model API
Ikke tilgængelig
Adgang
Meta API og Muse Code
Kvalificerende Muse Code-planer
Modelvægte / antal parametre
Ikke offentligt oplyst
Ikke offentligt oplyst
Intelligence Index
52
56
Kernefunktioner: Active Memory og Active Focus
Active Memory
Modellerne kan bære vigtig brugerkontekst på tværs af samtaler og aktivt hente de detaljer, der er relevante for den aktuelle opgave. Dette går ud over simple lang-kontekst-vinduer; det prioriterer og fremhæver information, der betyder noget for igangværende mål, vaner, præferencer og tidligere interaktioner. Meta fremhæver stærke resultater på MemoryBench, hvor begge varianter scorer meget højt.
Active Focus
Når en opgave bliver svær, bliver modellerne ved: de prøver alternative tilgange, genopretter efter fejl, tilpasser sig ny information, beder om afklaring ved behov og tjekker ind, før de foretager vigtige handlinger. Dette evalueres gennem interne FocusBench og lang-horisont-kodningssuiter såsom SWE-Marathon. Resultatet er agenter, der holder kursen i timevis i stedet for at drive væk eller give op.
Yderligere styrker omfatter:
Multimodal forståelse: Modelfamilien understøtter tekst-, billede-, lyd- og videoinput og producerer tekstoutput. Dog skal lydafhængige applikationer bekræfte support på den specifikke udgivelsesflade. En modelniveau-angivelse af modalitet garanterer ikke, at hvert API eller hver applikation eksponerer samme inputkanal.
Ekspert-domæne-ræsonnering: Metas lancerings-evalueringer omfatter juridiske, finansielle og sundhedsrelaterede opgaver, såsom dokumentgennemgang og informationssyntese. Disse scorer beskriver evaluerede opgaver; de etablerer ikke professionel certificering og erstatter ikke faglig verifikation i højt-stillede kontekster.
Spydspids-kodning og computerbrug: Wonder understøtter applikationsgenerering, debugging, kodemodifikation og værktøjsbaserede arbejdsgange. Succes i praksis afhænger stadig af den omkringliggende agent-ramme, tilladelser og evalueringsproces.
Hvordan klarer Muse Wonder sig på AI-benchmarks?
Tabellen nedenfor gengiver lanceringsrapporterede scorer. Den kombinerer uafhængige evalueringer, Metas interne tests og udbyder-rapporterede konkurrentresultater. Højere scorer er bedre inden for hver række; rækkerne har forskellige metrikker og bør ikke gennemsnittes til en ny samlet score.
Benchmark (metrik og metode)
Wonder Full
Wonder
GPT-6 Astra
Claude Opus 5.5
AA Intelligence Index v4.3
56
52
53
58
Personal Superintelligence Index
59.1
54.3
54.5
55.2
Harvey LAB-AA
13.1
10.0
8.6
4.2
Vals Finance Agent V2
59.1
56.6
53.5
58.6
HealthBench Pro
62.3
60.5
65.3
65.6
AutomationBench-AA
45.4
39.1
41.6
41.2
GDP.pdf
33.2
30.8
34.2
30.6
JobBench
75.3
70.5
66.1
75.4
MemoryBench
85.5
85.6
81.4
81.5
DeepSWE 1.1
79.0
Evalueringsbetingelser og fortolkning af scorer
Meta rapporterer maksimal ræsonneringsindsats for den generelle sammenligning, med benchmark-specifikke undtagelser. Interne konkurrentkørsler er best effort; eksterne resultater bevarer deres originale rammer. Dette er lanceringssammenligninger frem for en ensartet test af alle modeller under én produktionskonfiguration.
AA Intelligence Index er et kompositindeks fra Artificial Analysis. PSI og MemoryBench er interne evalueringer. Harvey LAB-AA og AutomationBench-AA bruger Artificial Analysis-resultater; Vals Finance Agent V2 bruger Vals AI; GDP.pdf bruger Surge. HealthBench Pro kombinerer Meta-kørsler og Anthropic-rapporterede resultater. JobBench rapporterer gennemsnitlig opgavebelønning.
DeepSWE 1.1 rapporterer pass@1 på tværs af 113 opgaver og 91 repositories. SWE-Marathon bruger Abundant AI-resultater fra forskellige agentprodukter; Wonder Fulls 57.5 er rapporteret ved xhigh effort. ProgramBench bruger mini-swe-agent og måler udrulninger, der består mindst 95% af skjulte tests. Terminal-Bench bruger Artificial Analysis-resultater fra eksekverbare terminalopgaver. MemoryBench tester 64K–100K-token samtaler.
Muse Wonder Fulls benchmark-styrker
Muse Wonder Full skinner særligt på langvarigt software engineering-arbejde og hukommelsesintensive agentopgaver, mens Claude Opus 5.5 bevarer fordele i nogle rene terminal-/computerbrugs- og fra-bunden-programmeringsopgaver. Vidensbredde er fortsat et relativt område for yderligere forbedring, selvom hallucinationsraterne er bemærkelsesværdigt lave.
Uafhængig verifikation kommer primært fra Artificial Analysis
Artificial Analysis Intelligence Index (v4.3, maksimal ræsonneringsindsats)
Muse Wonder Full placerer sig i top tre på seks af de ti komponent-evalueringer og fører eller er tæt på føringen i agentisk videnarbejde og videnskabelig ræsonnering (f.eks. CritPt, GDP.pdf, GDPval-AA). Begge modeller viser store spring i Terminal-Bench og andre agentiske kodningssuiter sammenlignet med Muse Spark 1.3.
Hvad koster Muse Wonder API?
Meta tilbyder Muse Wonder gennem sin Model API med token-baseret afregning. Udviklere kan også udforske Muse Wonder API i CometAPI, hvor platformen annoncerer rabatteret adgang til modellen.
Følgende tabel sammenligner Metas officielle tokensatser med et 20%-rabat-scenarie for CometAPI.
Priskategori (officielle token-satser)
Muse Wonder
CometAPI (mål: 20% rabat)
Input
$4.00 per 1M tokens
$3.20 / 1M tokens
Cachet input
$0.20 per 1M tokens
$0.16 / 1M tokens*
Output
$20.00 per 1M tokens
$16.00 / 1M tokens
Kontekst
1M tokens
Afhænger af understøttet udrulning
Wonder Full API
Ikke offentligt tilbudt
Ikke offentligt tilbudt
Cachet input er 95% billigere end ikke-cachet input ved de publicerede satser, hvilket kan være nyttigt for gentagne agentprompter med betydelig delt kontekst.
Et faktisk agentforløb med flere kald kan koste mere på grund af planlægning, værktøjskald, retries og evalueringsgennemløb.
Abonnementspriser for Muse Wonder Full
Wonder Full distribueres gennem kvalificerende Muse Code-abonnementer i stedet for separat publicerede API-tokenpriser. Power- og Maximum-planerne koster henholdsvis $50 og $200 pr. måned. De giver 20x og 80x Everyday Usage-rammen; dette er begrænsede abonnementer, ikke ubegrænset brug eller per-token API-planer.
Sammenligning: Muse Wonder vs GPT-6 Astra vs Claude Opus 5.5
Følgende sammenligning kombinerer observationsdata fra lanceringens benchmarks med udbyder-specifikationer. For alternative integrationer kan udviklere evaluere GPT-6 Astra API i CometAPI og Claude Opus 5.5 API i CometAPI. Tabellen bruger officielle udbyderspecifikationer og satser; benchmark-lederskab alene afgør ikke det bedste valg til implementering.
Muse Wonder-serien positionerer Meta konkurrencedygtigt på fronten for agentiske arbejdsbelastninger frem for ren chat eller kort-horisont-ræsonnering. Prissætningen for Muse Wonder matcher Claude Opus 5.5’s listede satser og leverer stærk specialiseret performance i hukommelse, lang-horisont-kodning og professionelle agentopgaver. GPT-6 Astra og Claude Fable 5.1 har ofte højere listepriser på nogle platforme. Adgangsmodellerne adskiller sig: Meta begrænser den absolutte topvariant (Full) til sit kodningsabonnementsprodukt, mens konkurrenter typisk tilbyder deres højeste modeller via API.
Hvor kan du bruge Muse Wonder?
Direkte fra Meta
Tilmeld dig Meta Model API på dev.meta.ai for Muse Wonder.
Abonner på Muse Code for begge varianter (Full på højere niveauer).
OpenAI- og Anthropic-kompatible slutpunkter understøttes for Meta API og CometAPI.
Muse Wonder: Meta Model API
Muse Wonder er tilgængelig gennem Meta Model API for teams, der bygger applikationer, forskningsassistenter og værktøjsbaserede agenter. Dette er den programmerbare adgangsvej beskrevet i denne artikel, med token-baseret afregning. Læsere kan konsultere udbyderens modelsiden for adgangsdetaljer frem for at følge en kodetutorial her.
De to adgangsveje tjener forskellige behov: Meta Model API er udgangspunktet for tilpassede Wonder-applikationer; kvalificerende Muse Code-abonnementer giver adgang til Wonder Full inden i kodningsagenten. Følgende afsnit forklarer abonnementsvejen og hvad man skal tjekke ved overvejelse af tredjepartsadgang.
Brug Muse Wonder Full via Muse Code
Kvalificerende Muse Code Power- eller Maximum-brugere kan få adgang til Wonder Full gennem Muse Code, en terminalbaseret kodningsagent. Denne abonnementsvej adskiller sig fra at kalde en separat afmålt offentlig Wonder Full API.
Adgang til Muse Wonder og CometAPI-alternativer
CometAPI leverer ét OpenAI-kompatibelt slutpunkt (https://api.cometapi.com/v1) og én API-nøgle til 500+ modeller, inklusive Metas Muse-serie (Muse Wonder og Muse Wonder Full er listet, med nogle varianter markeret som tilgængelige eller “coming soon” og ofte til rabatterede satser i forhold til listerne).
Kom i gang på CometAPI: opret en gratis konto (testkreditter inkluderet), hent din nøgle, peg din klient mod CometAPI-base-URL’en og angiv Muse Wonder-model-ID’et. Denne tilgang reducerer driftsomkostninger, når der eksperimenteres med eller produktionssættes frontlinje-agentkapabiliteter.
Konklusion
Muse Wonder og Muse Wonder Full er Metas tydeligste erklæring om, at de er tilbage på AI-modellernes front. Ved at fokusere på de praktiske krav til personlige og professionelle agenter — pålidelig hukommelse, vedvarende fokus, domæneekspertise og lang-horisont-kodning og computerbrug — har Meta skabt modeller, der er umiddelbart nyttige for udviklere, der bygger næste generation af agentiske systemer, og som vil styrke deres eget Muse-produkt.
For teams, der evaluerer eller implementerer disse kapabiliteter, giver det en lavfriktionsvej til eksperimentering og produktion at starte med Meta Model API for Muse Wonder og overveje aggregationsplatforme som CometAPI for multimodel-fleksibilitet. Efterhånden som den fulde sikkerhedsrapport og den bredere Muse-agent-udrulning ankommer, vil den praktiske effekt af disse modeller blive endnu tydeligere.
78.8
74.1
74.2
SWE-Marathon
57.5
53.1
42.5
46.3
Terminal-Bench 4.0-AA
57.1
52.0
59.1
59.6
ProgramBench
59.0
50.0
52.5
70.5
Tekst- og billedeinput; tekstoutput
Tekst- og billedeinput; tekstoutput
Arkitektur-sammenligning
Utilstrækkeligt offentliggjort til en sammenligning én-til-én
Ikke sammenlignet i de citerede API-specifikationer
Ikke sammenlignet i de citerede API-specifikationer
Praktisk startpunkt
Muse Code-brugere, der tester vedvarende kodningsarbejdsgange
