TLDR Meta 於 2026 年 10 月 12 日推出了 Muse Wonder 與 Muse Wonder Full——其迄今最強大的模型，專為個人與專業的代理型任務打造。Muse Wonder Full 在 Artificial Analysis Intelligence Index 上得分 56（僅次於得分 58 的 Claude Opus 5.5），Muse Wonder 得分 52。兩者皆具備 Active Memory 與 Active Focus、1M-token 上下文視窗、強大的程式設計能力與領域專長（法律、金融、健康），並支援多模態輸入。
Muse Wonder 可透過 Meta Model API 使用，價格為每百萬 token 的輸入 $4 / 輸出 $20；Muse Wonder Full 則限於較高層級的 Muse Code 訂閱方案。開發者亦可透過 CometAPI 等統一平台存取這些模型（以及 500+ 其他模型），以簡化整合並可能降低成本。
重點摘要
- Muse Wonder 與 Muse Wonder Full 是 Meta 面向長時運行代理、程式設計、電腦操作與真實世界知識工作的前沿模型。
- 核心創新：Active Memory（在對話間持久且相關的上下文）與 Active Focus（持續追蹤目標、錯誤恢復與主動澄清）。
- 獨立 Artificial Analysis Intelligence Index（最大努力）：Muse Wonder Full 56、Muse Wonder 52（高於 Muse Spark 1.3 的 48）。
- 在長期程式設計（DeepSWE、SWE-Marathon）、法律/金融代理任務與記憶基準上表現強，並在多項 Meta 與第三方評測中具競爭力或領先。
- 定價：Muse Wonder 在 Meta Model API 上為每 1M tokens 的輸入 $4、快取輸入 $0.20、輸出 $20；Muse Wonder Full 僅透過 Muse Code 的訂閱（Power $50/月、Maximum $200/月）。CometAPI 上的標準 Muse Wonder API 價格：輸入 $3.2/M、快取輸入 $0.16/M、輸出 $20/M。
什麼是 Muse Wonder？
Muse Wonder 是 Meta 的新一代前沿大型語言模型家族，於 2026 年 10 月 12 日由 Meta Superintelligence Labs 發布。此版本承襲 Muse Spark，並將重心從孤立的聊天回覆轉向能與工具協作、保留有用上下文、可在困難工作上反覆迭代的長時助理。其包含兩個變體：
- Muse Wonder —— 標準的前沿模型，針對真實世界的程式設計、長時代理與進階電腦操作最佳化。可透過 Meta Model API 與 Muse Code 使用。
- Muse Wonder Full —— 更高能力版本，為最困難且長時運行的專業與代理型工作流程提供最大化的推理效能。目前僅限於較高階的 Muse Code 訂閱方案。
這些模型直接建立在（2026 年稍早推出的）Muse Spark 基礎之上，代表 Meta 在邁向「個人超級智能」的一大躍進。它們明確面向代理型用例——不僅回答問題，還能規劃、執行、從錯誤中恢復，並在長時間內完成多步驟的真實世界任務。例子包括處理保險理賠、解讀租約、分析金融或健康資訊、構建完整應用，以及處理複雜的個人專案。
模型在 Meta 的 gigawatt 級 Prometheus 資料中心進行訓練，採用自 Muse Spark 系列精進而來的先進預訓練與強化學習技術。支援 1,000,000-token 的上下文視窗，接受多模態輸入（文字、影像、影片、音訊與多種 PDF 配置），輸出為文字。
Muse Wonder API 技術規格
| 規格（官方模型卡） | Muse Wonder | Muse Wonder Full |
|---|---|---|
| 開發者 | Meta Superintelligence Labs | Meta Superintelligence Labs |
| 發布 | October 12, 2026 | October 12, 2026 |
| 識別符 | muse-wonder-1.0 | muse-wonder-full-1.0 |
| 上下文視窗 | 1,000,000 tokens | 1,000,000 tokens |
| 輸入 | Text, image, audio, video | Text, image, audio, video |
| 輸出 | Text | Text |
| 推理 | Configurable | Advanced |
| Active Memory / Focus | Supported | Supported |
| 公開 API | Meta Model API | Not available |
| 存取 | Meta API and Muse Code | Qualifying Muse Code plans |
| 模型權重 / 參數數量 | Not publicly disclosed | Not publicly disclosed |
| Intelligence Index | 52 | 56 |
核心功能：Active Memory 與 Active Focus
Active Memory
模型可在對話之間攜帶重要的使用者上下文，並主動擷取與當前任務相關的細節。這超越了單純的長上下文視窗；它會優先處理並浮現有助於持續目標、習慣、偏好與既往互動的資訊。Meta 強調在 MemoryBench 上的優異表現，兩個變體皆取得高分。
Active Focus
當任務變得困難時，模型會持續投入：嘗試替代方法、從錯誤中恢復、適應新資訊、在需要時尋求澄清，並在採取重要行動前先行確認。這透過內部的 FocusBench 與長期程式設計套件（例如 SWE-Marathon）進行評估。其結果是能夠在數小時內保持在軌的代理，而非偏移或放棄。
其他優勢包括：
多模態理解： 該模型家族支援文字、影像、音訊與影片輸入，並產生文字輸出。然而，依賴音訊的應用需在特定發布介面上確認支援。模型層級的模態規格不保證每個 API 或應用都提供相同的輸入通道。
專業領域推理： Meta 的發布評估涵蓋法律、金融與健康相關任務，例如文件審閱與資訊綜合。這些分數描述的是受評任務；在高風險情境下，它們並不構成專業認證或取代專家驗證。
前沿程式設計與電腦操作： Wonder 支援應用生成、除錯、程式碼修改以及以工具為基礎的工作流程。實際成功仍仰賴周邊的代理框架、權限與評估流程。
Muse Wonder 在 AI 基準上的表現如何？
下表重現發布時報告的分數。它結合了獨立評估、Meta 的內部測試以及供應商回報的競品結果。每列分數比較是同列內高者更佳；各列使用不同的度量方式，不應平均合併為新的總體分數。
| 基準（度量與方法） | 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 |
評估條件與分數解讀
Meta 報告一般比較情境下採用最大推理努力，並在特定基準上有例外說明。內部競品跑分為盡力而為；外部結果維持其原始框架。這些為發布時的比較，而非在單一生產配置下對所有模型進行的統一測試。
AA Intelligence Index 為 Artificial Analysis 的綜合指數。PSI 與 MemoryBench 為內部評估。Harvey LAB-AA 與 AutomationBench-AA 使用 Artificial Analysis 的結果；Vals Finance Agent V2 使用 Vals AI；GDP.pdf 使用 Surge。HealthBench Pro 結合了 Meta 的跑分與 Anthropic 回報的結果。JobBench 報告的是任務報酬均值。
DeepSWE 1.1 報告 113 個任務與 91 個儲存庫的 pass@1。SWE-Marathon 使用 Abundant AI 來自不同代理產品的結果；Wonder Full 的 57.5 為 xhigh effort 報告。ProgramBench 使用 mini-swe-agent，衡量通過至少 95% 隱藏測試的 rollout。Terminal-Bench 使用來自可執行終端任務的 Artificial Analysis 結果。MemoryBench 測試 64K–100K-token 的對話。
Muse Wonder Full 的基準優勢
Muse Wonder Full 尤其在長時軟體工程與記憶密集型代理工作中表現突出，而 Claude Opus 5.5 在部分純終端/電腦使用與從零開始的程式設計任務中仍保有優勢。知識廣度仍是持續改進的相對方向，儘管幻覺率已顯著偏低。
獨立驗證主要來自 Artificial Analysis
Artificial Analysis Intelligence Index（v4.3，最大推理努力）
- Muse Wonder Full：56
- Muse Wonder：52
- Claude Opus 5.5：58
- GPT-6 Astra / Claude Fable 5.1 / Gemini 4 Argon：~53
- 前一代 Meta 模型（Muse Spark 1.3 max）：48
Muse Wonder Full 在十個組件評估中的六項名列前三，並在代理型知識工作與科學推理（例如 CritPt、GDP.pdf、GDPval-AA）方面領先或接近領先。與 Muse Spark 1.3 相比，兩個模型在 Terminal-Bench 與其他代理型程式設計套件上都有大幅提升。
Muse Wonder API 價格是多少？
Meta 透過其 Model API 提供 Muse Wonder，採 token 計費。開發者也可探索 CometAPI 上的 Muse Wonder API，該平台宣稱提供折扣模型存取。
下表比較 Meta 的官方 token 費率與 CometAPI 的「八折」情境。
| 定價類別（官方 token 費率） | Muse Wonder | CometAPI（八折目標） |
|---|---|---|
| 輸入 | $4.00 per 1M tokens | $3.20 / 1M tokens |
| 快取輸入 | $0.20 per 1M tokens | $0.16 / 1M tokens* |
| 輸出 | $20.00 per 1M tokens | $16.00 / 1M tokens |
| 上下文 | 1M tokens | 視支援的部署而定 |
| Wonder Full API | Not publicly offered | Not publicly offered |
快取輸入相較未快取輸入便宜 95%，對於共享上下文較多的重複代理提示可能非常實用。
請求成本範例
對於 100,000 個未快取輸入 tokens 與 20,000 個輸出 tokens：輸入 = (100,000 / 1,000,000) × $4 = $0.40；輸出 = (20,000 / 1,000,000) × $20 = $0.40；預估模型總成本 = $0.80。
實際的多次呼叫代理工作流程可能因規劃、工具呼叫、重試與評估回合而成本更高。
Muse Wonder Full 訂閱定價
Wonder Full 透過符合資格的 Muse Code 訂閱提供，而非另行公布的 API token 價格。Power 與 Maximum 計畫分別為 $50 與 $200 每月。它們提供 Everyday Usage 配額的 20 倍與 80 倍；這些是有限制的訂閱，並非不限量使用或按 token 計費的 API 方案。
比較：Muse Wonder vs GPT-6 Astra vs Claude Opus 5.5
下列比較結合了發布時的基準觀察與供應商規格。對於替代整合，開發者可評估 CometAPI 上的 GPT-6 Astra API 與 CometAPI 上的 Claude Opus 5.5 API。表格使用官方供應商規格與費率；僅憑基準領先並不足以決定最佳部署選擇。
| 維度 | Wonder Full | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|
| 整體智能 | Strong | Strong | Highest listed index |
| 法務代理任務 | Best listed Harvey score | Competitive | Lower listed score |
| 長期程式設計 | Best listed DeepSWE / Marathon | Strong | Strong |
| 終端執行 | Competitive | Strong | Best listed score |
| 程式重建 | Competitive | Competitive | Best listed score |
| 公開獨立 API | No | Yes | Yes |
| 上下文視窗 | 1M tokens | 1.05M tokens | 1M tokens |
| 標準輸入/輸出價格（每 1M tokens） | Subscription access; no public token tariff | $10 / $50 for prompts up to 272K input tokens | $4 / $20 |
| 推理 | Higher-capability Muse variant | Configurable reasoning effort | Adaptive thinking |
| 多模態整合 | Model card lists text/image/audio/video input; surface support varies | Text and image inputs; text output | Text and image inputs; text output |
| 架構比較 | Insufficient disclosed detail for a like-for-like architecture comparison | Not compared in the cited API specifications | Not compared in the cited API specifications |
| 實務起點 | Muse Code users testing sustained coding workflows | Custom API agents and professional research | Custom API coding and knowledge-work agents |
Muse Wonder 系列將 Meta 的定位帶到代理型工作負載的前沿，而非純聊天或短期推理。Muse Wonder 的定價與 Claude Opus 5.5 的標價一致，同時在記憶、長期程式設計與專業代理任務上具備強勁的專長表現。GPT-6 Astra 與 Claude Fable 5.1 在部分平台上常有更高的標價。存取模式亦不同：Meta 將能力頂級的變體（Full）限制於其程式設計訂閱產品，而競品通常將其最高等模型透過 API 提供。
在哪裡可以使用 Muse Wonder？
直接來自 Meta
- 前往 dev.meta.ai 註冊 Meta Model API 以使用 Muse Wonder。
- 訂閱 Muse Code 以使用兩個變體（Full 需較高階層級）。
- meta API 與 CometAPI 支援與 OpenAI 及 Anthropic 相容的端點。
Muse Wonder：Meta Model API
Muse Wonder 透過 Meta Model API 提供給建立應用、研究助理與工具型代理的團隊使用。這是本文所述的可程式化存取路徑，採 token 計費。讀者可參考供應商模型頁面以取得存取細節，本文不包含程式碼教學。
兩種存取路徑服務於不同需求：Meta Model API 是自訂 Wonder 應用的起點；符合資格的 Muse Code 訂閱可在其程式設計代理中使用 Wonder Full。以下章節說明訂閱路徑，以及在考慮第三方存取時需檢查的要點。
透過 Muse Code 使用 Muse Wonder Full
符合資格的 Muse Code Power 或 Maximum 使用者，可透過 Muse Code（終端導向的程式設計代理）存取 Wonder Full。此訂閱路徑不同於呼叫單獨計量的公開 Wonder Full API。
Muse Wonder 存取與 CometAPI 替代方案
CometAPI 提供單一與 OpenAI 相容的端點（https://api.cometapi.com/v1）與一把 API 金鑰，即可使用 500+ 模型，包括 Meta 的 Muse 系列（Muse Wonder 與 Muse Wonder Full 已列出，部分變體標示為可用或即將推出，且相對於標價常有折扣）。
作為替代整合，開發者可存取 CometAPI 上的 GPT-6 Astra API 與 CometAPI 上的 Claude Opus 5.5 API。在更換供應商前，請先比較相同任務、上下文與工具設定。
在 CometAPI 開始使用：建立免費帳戶（含測試額度）、取得金鑰、將客戶端指向 CometAPI 基底 URL，並指定 Muse Wonder 的模型 ID。此方法可在試驗或將前沿代理能力導入生產時降低營運負擔。
結論
Muse Wonder 與 Muse Wonder Full 表明 Meta 明確回到 AI 模型開發的前沿。透過聚焦個人與專業代理的實務需求——可靠記憶、持續專注、領域專長，以及長期程式設計與電腦操作——Meta 推出了對於打造下一代代理系統的開發者而言立即可用的模型，同時也將強化其自有的 Muse 產品。
對於評估或部署這些能力的團隊而言，從 Meta Model API 的 Muse Wonder 著手，並考慮 CometAPI 等聚合平台以獲得多模型彈性，提供了低摩擦的試驗與上線路徑。隨著完整安全報告與更廣泛的 Muse 代理推出，這些模型的實務影響將更為明晰。