TLDR Meta a lancé Muse Wonder et Muse Wonder Full le 12 octobre 2026 — ses modèles les plus performants à ce jour, conçus pour des tâches agentiques personnelles et professionnelles. Muse Wonder Full obtient 56 sur l’Artificial Analysis Intelligence Index (juste derrière Claude Opus 5.5 à 58), tandis que Muse Wonder obtient 52. Les deux proposent Active Memory et Active Focus, une fenêtre de contexte de 1 M de tokens, de solides capacités en codage et une expertise de domaine (droit, finance, santé), ainsi que des entrées multimodales.
Muse Wonder est disponible via la Meta Model API à $4/$20 par million de tokens (entrée/sortie) ; Muse Wonder Full est limité aux niveaux d’abonnement supérieurs de Muse Code. Les développeurs peuvent également accéder à ces modèles (et à plus de 500 autres) via des plateformes unifiées comme CometAPI pour une intégration plus simple et des avantages potentiels en matière de coût.
Points clés
- Muse Wonder et Muse Wonder Full sont les modèles de pointe de Meta pour des agents longue durée, le codage, l’utilisation de l’ordinateur et le travail de connaissance dans le monde réel.
- Innovations clés : Active Memory (contexte persistant et pertinent entre les conversations) et Active Focus (poursuite d’objectifs persistante, récupération après erreur et recherche d’éclaircissements).
- Indice indépendant Artificial Analysis Intelligence Index (effort maximal) : Muse Wonder Full 56, Muse Wonder 52 (en hausse par rapport à 48 pour Muse Spark 1.3).
- Excellentes performances sur le codage à long horizon (DeepSWE, SWE-Marathon), les tâches d’agent en droit/finance et les benchmarks de mémoire ; compétitif ou leader dans plusieurs évaluations internes à Meta et tierces.
- Tarification : Muse Wonder à $4 en entrée / $0.20 en entrée mise en cache / $20 en sortie par 1 M de tokens sur la Meta Model API ; Muse Wonder Full n’est disponible que par abonnement Muse Code (formules Power $50/mo et Maximum $200/mo). Tarification standard de l’API Muse Wonder dans CometAPI : $3.2/M en entrée, $0.16/M en entrée mise en cache, $20/M en sortie.
Qu’est-ce que Muse Wonder ?
Muse Wonder est la nouvelle famille de modèles de langage de pointe de Meta, annoncée le 12 octobre 2026 par Meta Superintelligence Labs. Cette sortie s’appuie sur Muse Spark et déplace l’accent des réponses de chatbot isolées vers des assistants longue durée capables d’utiliser des outils, de conserver le contexte utile et d’itérer sur des tâches difficiles. Elle comporte deux variantes :
- Muse Wonder — le modèle standard de pointe, optimisé pour le codage dans le monde réel, les agents longue durée et l’utilisation avancée de l’ordinateur. Disponible via la Meta Model API et Muse Code.
- Muse Wonder Full — la version à plus grande capacité, offrant un raisonnement maximal pour les workflows professionnels et agentiques les plus difficiles et les plus longs. Actuellement disponible uniquement pour les abonnés Muse Code sur les formules de niveau supérieur.
Ces modèles s’appuient directement sur les fondations posées par Muse Spark (introduit plus tôt en 2026) et représentent le bond le plus significatif de Meta vers une « superintelligence personnelle ». Ils sont explicitement conçus pour des cas d’usage agentiques — des systèmes qui ne se contentent pas de répondre, mais planifient, exécutent, se rétablissent après des erreurs et accomplissent des tâches réelles multi-étapes sur de longues périodes. Exemples : gérer des dossiers d’assurance, interpréter des baux, analyser des informations financières ou de santé, créer des applications complètes et traiter des projets personnels complexes.
Les modèles ont été entraînés dans le centre de données Prometheus de Meta, à l’échelle du gigawatt, en utilisant des techniques d’entraînement avancées et d’apprentissage par renforcement affinées depuis la série Muse Spark. Ils prennent en charge une fenêtre de contexte d’un million de tokens et acceptent des entrées multimodales (texte, images, vidéo, audio et PDF dans de nombreuses configurations), avec une sortie texte.
Spécifications techniques de l’API Muse Wonder
| Spécification (fiche modèle officielle) | Muse Wonder | Muse Wonder Full |
|---|---|---|
| Développeur | Meta Superintelligence Labs | Meta Superintelligence Labs |
| Publication | 12 octobre 2026 | 12 octobre 2026 |
| Identifiant | muse-wonder-1.0 | muse-wonder-full-1.0 |
| Fenêtre de contexte | 1,000,000 tokens | 1,000,000 tokens |
| Entrées | Texte, image, audio, vidéo | Texte, image, audio, vidéo |
| Sortie | Texte | Texte |
| Raisonnement | Paramétrable | Avancé |
| Active Memory / Focus | Pris en charge | Pris en charge |
| API publique | Meta Model API | Non disponible |
| Accès | Meta API et Muse Code | Formules Muse Code éligibles |
| Poids du modèle / nombre de paramètres | Non divulgués publiquement | Non divulgués publiquement |
| Indice d’intelligence | 52 | 56 |
Fonctionnalités clés : Active Memory et Active Focus
Active Memory
Les modèles peuvent conserver des informations importantes sur l’utilisateur d’une conversation à l’autre et récupérer activement les détails pertinents pour la tâche en cours. Cela va au-delà des simples fenêtres de long contexte ; ils priorisent et mettent en avant les informations pertinentes pour des objectifs en cours, habitudes, préférences et interactions précédentes. Meta met en avant de forts résultats sur MemoryBench, où les deux variantes obtiennent des scores très élevés.
Active Focus
Lorsque la tâche devient difficile, les modèles persistent : ils essaient des approches alternatives, se rétablissent après des erreurs, s’adaptent aux nouvelles informations, posent des questions de clarification si nécessaire et font des points d’étape avant d’entreprendre des actions importantes. Cela est évalué via l’interne FocusBench et des suites de codage à long horizon comme SWE-Marathon. Résultat : des agents qui restent sur la bonne voie pendant des heures, plutôt que de dériver ou d’abandonner.
Autres points forts :
Compréhension multimodale : La famille de modèles prend en charge des entrées texte, image, audio et vidéo et produit une sortie texte. Toutefois, les applications dépendant de l’audio doivent confirmer la prise en charge sur la surface de diffusion spécifique. Une spécification de modalité au niveau du modèle ne garantit pas que chaque API ou application expose le même chemin d’entrée.
Raisonnement expert par domaine : Les évaluations de lancement de Meta incluent des tâches liées au droit, à la finance et à la santé, telles que la revue de documents et la synthèse d’informations. Ces scores décrivent des tâches évaluées ; ils n’établissent pas de certification professionnelle et ne remplacent pas la vérification d’experts dans des contextes à forts enjeux.
Codage de pointe et utilisation de l’ordinateur : Wonder prend en charge la génération d’applications, le débogage, la modification de code et les workflows basés sur des outils. La réussite pratique dépend toujours de l’architecture d’agent entourant le modèle, des autorisations et du processus d’évaluation.
Comment Muse Wonder se comporte-t-il sur les benchmarks d’IA ?
Le tableau ci-dessous reproduit les scores rapportés au lancement. Il combine des évaluations indépendantes, des tests internes de Meta et des résultats concurrents rapportés par les fournisseurs. Des scores plus élevés sont meilleurs dans chaque ligne ; les lignes utilisent des métriques différentes et ne doivent pas être moyennées pour produire un nouveau score global.
| Benchmark (métriques et méthodologie) | 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 | 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 |
Conditions d’évaluation et interprétation des scores
Meta rapporte un effort de raisonnement maximal pour la comparaison générale, avec des exceptions spécifiques aux benchmarks. Les exécutions internes des concurrents sont au mieux des efforts ; les résultats externes conservent leurs harnais d’origine. Il s’agit de comparaisons de lancement plutôt que d’un test uniforme de tous les modèles dans une configuration de production unique.
AA Intelligence Index est un indice composite d’Artificial Analysis. PSI et MemoryBench sont des évaluations internes. Harvey LAB-AA et AutomationBench-AA utilisent les résultats d’Artificial Analysis ; Vals Finance Agent V2 utilise Vals AI ; GDP.pdf utilise Surge. HealthBench Pro combine des exécutions Meta et des résultats rapportés par Anthropic. JobBench rapporte la récompense moyenne par tâche.
DeepSWE 1.1 rapporte pass@1 sur 113 tâches et 91 dépôts. SWE-Marathon utilise des résultats d’Abundant AI issus de différents produits d’agents ; les 57.5 de Wonder Full sont rapportés à xhigh effort. ProgramBench utilise mini-swe-agent et mesure les rollouts passant au moins 95 % des tests cachés. Terminal-Bench utilise des résultats d’Artificial Analysis pour des tâches terminal exécutables. MemoryBench teste des conversations de 64K à 100K tokens.
Points forts de Muse Wonder Full sur les benchmarks
Muse Wonder Full brille particulièrement sur l’ingénierie logicielle longue durée et les travaux d’agent intensifs en mémoire, tandis que Claude Opus 5.5 conserve des avantages dans certaines tâches pures de terminal/utilisation de l’ordinateur et de programmation from scratch. L’étendue des connaissances reste une zone relative d’amélioration, bien que les taux d’hallucination soient remarquablement faibles.
La vérification indépendante provient principalement d’Artificial Analysis
Artificial Analysis Intelligence Index (v4.3, effort de raisonnement maximal)
- Muse Wonder Full : 56
- Muse Wonder : 52
- Claude Opus 5.5 : 58
- GPT-6 Astra / Claude Fable 5.1 / Gemini 4 Argon : ~53
- Modèle Meta précédent (Muse Spark 1.3 max) : 48
Muse Wonder Full se place dans le top trois sur six des dix évaluations composantes et mène ou est proche de la tête dans le travail de connaissance agentique et le raisonnement scientifique (par ex., CritPt, GDP.pdf, GDPval-AA). Les deux modèles montrent de grands gains sur Terminal-Bench et d’autres suites de codage agentiques par rapport à Muse Spark 1.3.
Combien coûte l’API Muse Wonder ?
Meta propose Muse Wonder via sa Model API avec une facturation au token. Les développeurs peuvent également explorer la Muse Wonder API dans CometAPI, où la plateforme annonce un accès modèle à prix réduit.
Le tableau suivant compare les tarifs officiels par token de Meta avec un scénario de remise de 20 % pour CometAPI.
| Catégorie de tarification (tarifs officiels par token) | Muse Wonder | CometAPI (objectif -20 %) |
|---|---|---|
| Entrée | $4.00 par 1M tokens | $3.20 / 1M tokens |
| Entrée mise en cache | $0.20 par 1M tokens | $0.16 / 1M tokens* |
| Sortie | $20.00 par 1M tokens | $16.00 / 1M tokens |
| Contexte | 1M tokens | Sous réserve du déploiement pris en charge |
| API Wonder Full | Non proposée publiquement | Non proposée publiquement |
L’entrée mise en cache est 95 % moins chère que l’entrée non mise en cache aux tarifs publiés, potentiellement utile pour des prompts d’agent répétitifs avec un contexte partagé substantiel.
Exemple de coût de requête
Pour 100,000 tokens d’entrée non mise en cache et 20,000 tokens de sortie : entrée = (100,000 / 1,000,000) × $4 = $0.40 ; sortie = (20,000 / 1,000,000) × $20 = $0.40 ; coût total estimé du modèle = $0.80.
Un workflow d’agent réel à multiples appels peut coûter davantage en raison de la planification, des appels d’outils, des réessais et des passes d’évaluation.
Tarification d’abonnement pour Muse Wonder Full
Wonder Full est distribué via des abonnements Muse Code éligibles plutôt que via des prix publics par token d’API publiés séparément. Les formules Power et Maximum coûtent respectivement $50 et $200 par mois. Elles offrent 20x et 80x l’allocation « Everyday Usage » ; ce sont des abonnements limités, non des usages illimités ni des plans API au token.
Comparaison : Muse Wonder vs GPT-6 Astra vs Claude Opus 5.5
La comparaison suivante combine les observations des benchmarks de lancement avec les spécifications des fournisseurs. Pour des intégrations alternatives, les développeurs peuvent évaluer l’API GPT-6 Astra dans CometAPI et l’API Claude Opus 5.5 dans CometAPI. Le tableau utilise les spécifications et tarifs officiels des fournisseurs ; le leadership sur les benchmarks ne détermine pas à lui seul le meilleur choix de déploiement.
| Dimension | Wonder Full | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|
| Intelligence globale | Solide | Solide | Indice listé le plus élevé |
| Tâches d’agent juridiques | Meilleur score Harvey listé | Compétitif | Score listé inférieur |
| Codage à long horizon | Meilleurs scores DeepSWE / Marathon listés | Solide | Solide |
| Exécution terminale | Compétitif | Solide | Meilleur score listé |
| Reconstruction de programme | Compétitif | Compétitif | Meilleur score listé |
| API autonome publique | Non | Oui | Oui |
| Fenêtre de contexte | 1M tokens | 1.05M tokens | 1M tokens |
| Prix standard d’entrée/sortie par 1 M tokens | Accès par abonnement ; pas de tarif public par token | $10 / $50 pour des prompts jusqu’à 272K tokens d’entrée | $4 / $20 |
| Raisonnement | Variante Muse à plus grande capacité | Effort de raisonnement configurable | Pensée adaptative |
| Intégration multimodale | La fiche modèle liste texte/image/audio/vidéo en entrée ; la prise en charge selon la surface varie | Entrées texte et image ; sortie texte | Entrées texte et image ; sortie texte |
| Comparaison d’architecture | Détails divulgués insuffisants pour une comparaison à architecture équivalente | Non comparé dans les spécifications API citées | Non comparé dans les spécifications API citées |
| Point de départ pratique | Utilisateurs de Muse Code testant des workflows de codage soutenus | Agents API personnalisés et recherche professionnelle | Agents API personnalisés pour le codage et le travail de connaissance |
La série Muse Wonder positionne Meta de manière compétitive à la frontière pour les charges agentiques plutôt que le simple chat ou le raisonnement à court horizon. La tarification de Muse Wonder correspond aux tarifs listés de Claude Opus 5.5 tout en offrant de fortes performances spécialisées en mémoire, codage à long horizon et tâches d’agent professionnelles. GPT-6 Astra et Claude Fable 5.1 présentent souvent des prix listés plus élevés sur certaines plateformes. Les modèles d’accès diffèrent : Meta restreint la variante absolue la plus élevée (Full) à son produit d’abonnement de codage, tandis que les concurrents proposent généralement leurs meilleurs modèles via API.
Où pouvez-vous utiliser Muse Wonder ?
Directement auprès de Meta
- Inscrivez-vous à la Meta Model API sur dev.meta.ai pour Muse Wonder.
- Abonnez-vous à Muse Code pour les deux variantes (Full sur les formules de niveau supérieur).
- Des endpoints compatibles OpenAI et Anthropic sont pris en charge pour meta API et CometAPI.
Muse Wonder : Meta Model API
Muse Wonder est disponible via la Meta Model API pour les équipes construisant des applications, assistants de recherche et agents basés sur des outils. C’est la voie d’accès programmable décrite dans cet article, avec une facturation au token. Les lecteurs peuvent consulter la page modèle du fournisseur pour les détails d’accès plutôt que de suivre un tutoriel de code ici.
Les deux voies d’accès répondent à des besoins différents : la Meta Model API est le point de départ pour des applications Wonder personnalisées ; des abonnements Muse Code éligibles fournissent l’accès à Wonder Full au sein de l’agent de codage. Les sections suivantes expliquent la voie d’abonnement et ce qu’il faut vérifier lors de l’examen d’un accès tiers.
Utiliser Muse Wonder Full via Muse Code
Les utilisateurs Muse Code Power ou Maximum éligibles peuvent accéder à Wonder Full via Muse Code, un agent de codage en terminal. Cette voie d’abonnement diffère de l’appel d’une API publique Wonder Full séparément mesurée.
Accès à Muse Wonder et alternatives CometAPI
CometAPI fournit un endpoint unique compatible OpenAI (https://api.cometapi.com/v1) et une clé API pour plus de 500 modèles, y compris la série Muse de Meta (Muse Wonder et Muse Wonder Full sont listés, avec certaines variantes notées comme disponibles ou à venir et souvent à des tarifs réduits par rapport aux prix listés).
Pour des intégrations alternatives, les développeurs peuvent accéder à l’API GPT-6 Astra dans CometAPI et à l’API Claude Opus 5.5 dans CometAPI. Comparez la même tâche, le même contexte et les mêmes paramètres d’outils avant de changer de fournisseur.
Pour commencer sur CometAPI : créez un compte gratuit (crédits de test inclus), obtenez votre clé, pointez votre client vers l’URL de base de CometAPI et spécifiez l’ID du modèle Muse Wonder. Cette approche réduit la charge opérationnelle lors de l’expérimentation ou de la mise en production de capacités agentiques de pointe.
Conclusion
Muse Wonder et Muse Wonder Full représentent l’affirmation la plus claire de Meta selon laquelle il est revenu à la frontière du développement de modèles d’IA. En se concentrant sur les exigences pratiques des agents personnels et professionnels — mémoire fiable, focus persistant, expertise de domaine et codage et utilisation de l’ordinateur à long horizon — Meta a produit des modèles immédiatement utiles pour les développeurs qui construisent la prochaine génération de systèmes agentiques et qui renforceront son propre produit Muse.
Pour les équipes qui évaluent ou déploient ces capacités, démarrer avec la Meta Model API pour Muse Wonder et envisager des plateformes d’agrégation telles que CometAPI pour une flexibilité multi-modèles offre une voie à faible friction vers l’expérimentation et la production. À mesure que le rapport de sécurité complet et le déploiement plus large de l’agent Muse arriveront, l’impact pratique de ces modèles deviendra encore plus clair.