Kort oppsummert Meta lanserte Muse Wonder og Muse Wonder Full 12. oktober 2026 — deres mest kapable modeller hittil, spesialbygget for personlige og profesjonelle agent‑oppgaver. Muse Wonder Full scorer 56 på Artificial Analysis Intelligence Index (rett bak Claude Opus 5.5 med 58), mens Muse Wonder scorer 52. Begge har Active Memory og Active Focus, et kontekstvindu på 1M tokens, sterk koding og domenekompetanse (juss, finans, helse) samt multimodale inndata.
Muse Wonder er tilgjengelig via Meta Model API til $4/$20 per million tokens (inndata/utdata); Muse Wonder Full er begrenset til høyere Muse Code‑abonnementsnivåer. Utviklere kan også få tilgang til disse modellene (og 500+ andre) gjennom samleplattformer som CometAPI for enklere integrasjon og potensielle kostfordeler.
Viktige punkter
- Muse Wonder og Muse Wonder Full er Metas frontmodeller for langvarige agenter, koding, databruk og kunnskapsarbeid i den virkelige verden.
- Nøkkelinnovasjoner: Active Memory (vedvarende, relevant kontekst på tvers av samtaler) og Active Focus (vedvarende målforfølgelse, feilgjenoppretting og avklaringsspørring).
- Uavhengig Artificial Analysis Intelligence Index (maks innsats): Muse Wonder Full 56, Muse Wonder 52 (opp fra Muse Spark 1.3s 48).
- Sterk ytelse på langvarig koding (DeepSWE, SWE-Marathon), juridiske/finansielle agentoppgaver og minne‑benchmarker; konkurransedyktig eller ledende i flere Meta‑ og tredjeparts‑evalueringer.
- Pris: Muse Wonder til $4 inndata / $0.20 bufret / $20 utdata per 1M tokens på Meta Model API; Muse Wonder Full er kun via abonnement i Muse Code (Power $50/mnd og Maximum $200/mnd). Standard Muse Wonder API‑priser i CometAPI: $3.2/M inndata, $0.16/M bufret inndata, $20/M utdata.
Hva er Muse Wonder?
Muse Wonder er Metas nye familie av frontlinje‑store språkmodeller, annonsert 12. oktober 2026 av Meta Superintelligence Labs. Lanseringen bygger på Muse Spark og flytter fokuset fra isolerte chatbot‑svar til langvarige assistenter som kan bruke verktøy, beholde nyttig kontekst og iterere på vanskelig arbeid. Den består av to varianter:
- Muse Wonder — standard frontmodell optimalisert for koding i den virkelige verden, langvarige agenter og avansert databruk. Tilgjengelig via Meta Model API og Muse Code.
- Muse Wonder Full — varianten med høyest kapasitet som leverer maksimal resonneringsytelse for de hardeste, lengstvarende profesjonelle og agentiske arbeidsflytene. For øyeblikket kun tilgjengelig for Muse Code‑abonnenter på høyere nivåer.
Disse modellene bygger direkte på fundamentet lagt av Muse Spark (introdusert tidligere i 2026) og representerer Metas mest betydelige sprang mot “personal superintelligence”. De er eksplisitt designet for agentiske brukstilfeller — systemer som ikke bare svarer på spørsmål, men planlegger, utfører, henter seg inn etter feil og fullfører flertrinnsoppgaver i den virkelige verden over lengre perioder. Eksempler inkluderer å navigere i forsikringskrav, tolke leiekontrakter, analysere finans- eller helseinformasjon, bygge komplette applikasjoner og håndtere komplekse personlige prosjekter.
Modellene ble trent ved Metas Prometheus‑datasenter i gigawatt‑skala ved bruk av avanserte pretrening- og forsterkningslæringsteknikker raffinert siden Muse Spark‑serien. De støtter et kontekstvindu på 1 million tokens og aksepterer multimodale inndata (tekst, bilder, video, lyd og PDF‑er i mange konfigurasjoner), med tekstutdata.
Muse Wonder API tekniske spesifikasjoner
| Spesifikasjon (offisielt modellkort) | Muse Wonder | Muse Wonder Full |
|---|---|---|
| Utvikler | Meta Superintelligence Labs | Meta Superintelligence Labs |
| Lansering | October 12, 2026 | October 12, 2026 |
| Identifikator | muse-wonder-1.0 | muse-wonder-full-1.0 |
| Kontekstvindu | 1,000,000 tokens | 1,000,000 tokens |
| Inndata | Text, image, audio, video | Text, image, audio, video |
| Utdata | Text | Text |
| Resonnering | Configurable | Advanced |
| Active Memory / Focus | Supported | Supported |
| Offentlig API | Meta Model API | Not available |
| Tilgang | Meta API and Muse Code | Qualifying Muse Code plans |
| Modellvekter / antall parametere | Not publicly disclosed | Not publicly disclosed |
| Intelligensindeks | 52 | 56 |
Kjernefunksjoner: Aktivt minne og aktivt fokus
Aktivt minne
Modellene kan bære viktig brukerkontekst på tvers av samtaler og aktivt hente detaljene som er relevante for den aktuelle oppgaven. Dette går utover enkle lange kontekstvinduer; det prioriterer og løfter frem informasjonen som betyr noe for pågående mål, vaner, preferanser og tidligere interaksjoner. Meta fremhever sterke resultater på MemoryBench, der begge varianter scorer svært høyt.
Aktivt fokus
Når en oppgave blir vanskelig, står modellene på: de prøver alternative tilnærminger, henter seg inn etter feil, tilpasser seg ny informasjon, ber om avklaringer ved behov og sjekker inn før de tar viktige handlinger. Dette evalueres gjennom interne FocusBench og langhorisont‑kodingsamlinger som SWE-Marathon. Resultatet er agenter som holder kursen i timevis i stedet for å drive av gårde eller gi opp.
Ytterligere styrker inkluderer:
Multimodal forståelse: Modellfamilien støtter tekst-, bilde-, lyd- og videoinndata og produserer tekstutdata. Imidlertid må lydavhengige applikasjoner bekrefte støtte på den spesifikke overflaten der modellen gjøres tilgjengelig. En modalkitetsspesifikasjon på modellnivå garanterer ikke at hver API eller applikasjon tilbyr samme inndatabane.
Fagdomene‑resonnering: Metas lanseringsevalueringer inkluderer juridiske, finansielle og helserelaterte oppgaver, som dokumentgjennomgang og informasjonsyntese. Disse poengene beskriver evaluerte oppgaver; de etablerer ikke profesjonell sertifisering eller erstatter ekspertverifisering i høyrisikosettinger.
Frontlinje‑koding og databruk: Wonder støtter applikasjonsgenerering, debugging, kodemodifikasjon og verktøybaserte arbeidsflyter. Suksess i praksis avhenger fortsatt av den omkringliggende agentrammen, tillatelser og evalueringsprosess.
Hvordan presterer Muse Wonder på AI‑benchmarker?
Tabellen nedenfor gjengir lanseringsrapporterte scorer. Den kombinerer uavhengige evalueringer, Metas interne tester og leverandørrapporterte konkurrentresultater. Høyere scorer er bedre innen hver rad; radene har forskjellige metrikker og bør ikke gjennomsnittliggjøres til en ny samlet score.
| Benchmark (metrikker og metodikk) | 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 |
Evalueringsbetingelser og tolkning av scorer
Meta rapporterer maksimal resonneringsinnsats for den generelle sammenligningen, med benchmark‑spesifikke unntak. Interne konkurrentkjøringer er beste‑innsats; eksterne resultater beholder sine opprinnelige rammeverk. Dette er lanseringssammenligninger snarere enn en enhetlig test av alle modeller under én produksjonskonfigurasjon.
AA Intelligence Index er en sammensatt indeks fra Artificial Analysis. PSI og MemoryBench er interne evalueringer. Harvey LAB-AA og AutomationBench-AA bruker Artificial Analysis‑resultater; Vals Finance Agent V2 bruker Vals AI; GDP.pdf bruker Surge. HealthBench Pro kombinerer Meta‑kjøringer og Anthropic‑rapporterte resultater. JobBench rapporterer gjennomsnittlig oppgavebelønning.
DeepSWE 1.1 rapporterer pass@1 på tvers av 113 oppgaver og 91 repositorier. SWE-Marathon bruker Abundant AI‑resultater fra forskjellige agentprodukter; Wonder Fulls 57.5 er rapportert ved xhigh innsats. ProgramBench bruker mini-swe-agent og måler utrullingene som består minst 95 % av skjulte tester. Terminal-Bench bruker Artificial Analysis‑resultater fra kjørbare terminaloppgaver. MemoryBench tester 64K–100K‑token‑samtaler.
Muse Wonder Fulls styrker på benchmarker
Muse Wonder Full utmerker seg spesielt på langvarig programvareutvikling og minnekrevende agentarbeid, mens Claude Opus 5.5 beholder fordeler i noen rene terminal-/databruks‑ og fra‑skrætsj‑programmeringsoppgaver. Kunnskapsbredde forblir et relativt område for videre forbedring, selv om hallusinasjonsratene er bemerkelsesverdig lave.
Uavhengig verifikasjon kommer primært fra Artificial Analysis
Artificial Analysis Intelligence Index (v4.3, maksimal resonneringsinnsats)
- Muse Wonder Full: 56
- Muse Wonder: 52
- Claude Opus 5.5: 58
- GPT-6 Astra / Claude Fable 5.1 / Gemini 4 Argon: ~53
- Forrige Meta‑modell (Muse Spark 1.3 maks): 48
Muse Wonder Full plasserer seg blant de tre beste på seks av de ti komponent‑evalueringene og leder eller er nær ledende i agentisk kunnskapsarbeid og vitenskapelig resonnering (f.eks. CritPt, GDP.pdf, GDPval-AA). Begge modellene viser store gevinster i Terminal-Bench og andre agentiske kodingsamlinger sammenlignet med Muse Spark 1.3.
Hvor mye koster Muse Wonder API?
Meta tilbyr Muse Wonder gjennom Model API med token‑basert fakturering. Utviklere kan også utforske Muse Wonder API i CometAPI, hvor plattformen annonserer rabattert modelltilgang.
Tabellen nedenfor sammenligner Metas offisielle token‑satser med et 20 % rabatt‑scenario for CometAPI.
| Priskategori (offisielle token‑satser) | Muse Wonder | CometAPI (20 % rabattmål) |
|---|---|---|
| Inndata | $4.00 per 1M tokens | $3.20 / 1M tokens |
| Bufret inndata | $0.20 per 1M tokens | $0.16 / 1M tokens* |
| Utdata | $20.00 per 1M tokens | $16.00 / 1M tokens |
| Kontekst | 1M tokens | Subject to supported deployment |
| Wonder Full API | Not publicly offered | Not publicly offered |
Bufret inndata er 95 % billigere enn ubufret inndata til de publiserte satsene, noe som kan være nyttig for gjentatte agent‑prompter med betydelig delt kontekst.
Eksempel på forespørselkostnad
For 100,000 ubufrede inndata‑tokens og 20,000 utdata‑tokens: inndata = (100,000 / 1,000,000) × $4 = $0.40; utdata = (20,000 / 1,000,000) × $20 = $0.40; estimert total modellkostnad = $0.80.
En faktisk fleranrops agent‑arbeidsflyt kan koste mer på grunn av planlegging, verktøyanrop, nye forsøk og evalueringspass.
Abonnementspriser for Muse Wonder Full
Wonder Full distribueres gjennom kvalifiserende Muse Code‑abonnementer i stedet for separat publiserte API‑tokenpriser. Power‑ og Maximum‑planene koster henholdsvis $50 og $200 per måned. De gir 20x og 80x av Everyday Usage‑kvoten; dette er begrensede abonnementer, ikke ubegrenset bruk eller per‑token API‑planer.
Sammenligning: Muse Wonder vs GPT-6 Astra vs Claude Opus 5.5
Følgende sammenligning kombinerer observasjoner fra lanserings‑benchmarker med leverandørspesifikasjoner. For alternative integrasjoner kan utviklere evaluere GPT-6 Astra API i CometAPI og Claude Opus 5.5 API i CometAPI. Tabellen bruker offisielle leverandørspesifikasjoner og satser; benchmark‑ledelse alene avgjør ikke det beste valget for produksjon.
| Dimensjon | Wonder Full | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|
| Overordnet intelligens | Strong | Strong | Highest listed index |
| Juridiske agentoppgaver | Best listed Harvey score | Competitive | Lower listed score |
| Langvarig koding | Best listed DeepSWE / Marathon | Strong | Strong |
| Terminalutførelse | Competitive | Strong | Best listed score |
| Programrekonstruksjon | Competitive | Competitive | Best listed score |
| Offentlig frittstående API | No | Yes | Yes |
| Kontekstvindu | 1M tokens | 1.05M tokens | 1M tokens |
| Standardpris for inndata/utdata per 1M tokens | Subscription access; no public token tariff | $10 / $50 for prompts up to 272K input tokens | $4 / $20 |
| Resonnering | Higher-capability Muse variant | Configurable reasoning effort | Adaptive thinking |
| Multimodal integrasjon | Model card lists text/image/audio/video input; surface support varies | Text and image inputs; text output | Text and image inputs; text output |
| Arkitektursammenligning | Insufficient disclosed detail for a like-for-like architecture comparison | Not compared in the cited API specifications | Not compared in the cited API specifications |
| Praktisk startpunkt | Muse Code users testing sustained coding workflows | Custom API agents and professional research | Custom API coding and knowledge-work agents |
Muse Wonder‑serien posisjonerer Meta konkurransedyktig i fronten for agentiske arbeidsbelastninger heller enn ren chat eller kort‑horisont resonnering. Prisingen for Muse Wonder matcher Claude Opus 5.5s listepriser, samtidig som den leverer sterk spesialisert ytelse i minne, langvarig koding og profesjonelle agentoppgaver. GPT-6 Astra og Claude Fable 5.1 har ofte høyere listepriser på noen plattformer. Tilgangsmodeller varierer: Meta begrenser den absolutte toppvarianten (Full) til sitt kodeabonnementsprodukt, mens konkurrenter vanligvis tilbyr sine høyeste modeller via API.
Hvor kan du bruke Muse Wonder?
Direkte fra Meta
- Registrer deg for Meta Model API på dev.meta.ai for Muse Wonder.
- Abonner på Muse Code for begge varianter (Full på høyere nivåer).
- OpenAI‑ og Anthropic‑kompatible endepunkter støttes for Meta API og CometAPI.
Muse Wonder: Meta Model API
Muse Wonder er tilgjengelig gjennom Meta Model API for team som bygger applikasjoner, forskningsassistenter og verktøybaserte agenter. Dette er den programmerbare tilgangsruten som beskrives i denne artikkelen, med token‑basert fakturering. Lesere kan konsultere leverandørens modellsiden for tilgangsdetaljer i stedet for å følge en kodeveiledning her.
De to tilgangsrutene dekker ulike behov: Meta Model API er startpunktet for tilpassede Wonder‑applikasjoner; kvalifiserende Muse Code‑abonnementer gir tilgang til Wonder Full i kodeagenten. De følgende seksjonene forklarer abonnementsløsningen og hva man bør sjekke ved vurdering av tredjepartstilgang.
Bruk Muse Wonder Full via Muse Code
Kvalifiserende Muse Code Power‑ eller Maximum‑brukere kan få tilgang til Wonder Full via Muse Code, en terminalbasert kodeagent. Denne abonnementsruten skiller seg fra å kalle et separat målt offentlig Wonder Full API.
Muse Wonder‑tilgang og CometAPI‑alternativer
CometAPI tilbyr ett OpenAI‑kompatibelt endepunkt (https://api.cometapi.com/v1) og én API‑nøkkel for 500+ modeller, inkludert Metas Muse‑serie (Muse Wonder og Muse Wonder Full er listet, med noen varianter merket som tilgjengelige eller kommer snart, og ofte til rabatterte priser relativt til listeprisene).
For alternative integrasjoner kan utviklere få tilgang til GPT-6 Astra API i CometAPI og Claude Opus 5.5 API i CometAPI. Sammenlign samme oppgave, kontekst og verktøyinnstillinger før du bytter leverandør.
For å komme i gang på CometAPI: opprett en gratis konto (testkreditter inkludert), hent nøkkelen din, pek klienten din mot CometAPI‑basis‑URL‑en og spesifiser Muse Wonder‑modell‑ID‑en. Denne tilnærmingen reduserer operasjonell overhead når du eksperimenterer med eller tar i produksjon frontlinje‑agentkapabiliteter.
Konklusjon
Muse Wonder og Muse Wonder Full representerer Metas tydeligste erklæring til nå om at selskapet er tilbake i frontlinjen av AI‑modellutvikling. Ved å fokusere på de praktiske kravene til personlige og profesjonelle agenter — pålitelig minne, vedvarende fokus, domenekompetanse og langvarig koding og databruk — har Meta produsert modeller som umiddelbart er nyttige for utviklere som bygger neste generasjons agentiske systemer, og som vil styrke deres egen Muse‑produktlinje.
For team som evaluerer eller implementerer disse kapabilitetene, gir start med Meta Model API for Muse Wonder og vurdering av aggregasjonsplattformer som CometAPI for multi‑modell‑fleksibilitet en friksjonsfri vei til eksperimentering og produksjon. Etter hvert som den fulle sikkerhetsrapporten og en bredere utrulling av Muse‑agenten kommer, vil den praktiske effekten av disse modellene bli enda tydeligere.