深夜发模型，已经成了AI圈最卷的开场方式。这一次，Meta直接甩出Muse Wonder和Muse Wonder Full两款新旗舰，官方称其是“Meta迄今规模最大、能力最强的模型”，也是迈向“个人超级智能”的关键一跃。

双弹齐发：正面对标GPT-6与Opus

从Meta公布的基准成绩看，Wonder系列已经不再是“陪跑”，而是能在同一张桌子上和Claude、GPT-6掰手腕。

在Personal Superintelligence Index中，Muse Wonder Full拿下59.1分，Wonder为54.3分，分别高于Claude Opus 5.5的55.2分和GPT-6 Astra的54.5分。法律Agent测试Harvey LAB-AA中，Full的13.1分更是大幅领先Opus的4.2分。

第三方机构Artificial Analysis的智能指数也显示，Wonder Full得到56分，与Sonnet 5.5同处第一梯队，并高于GPT-6 Astra和Claude Fable 5.1的53分；普通版Wonder得到52分，全面超过上一代Muse Spark 1.3。

【编辑观察】严格来说，Full并非在所有单项都拿下第一，比如AA综合智能指数仍低于Opus 5.5的58分。但它在Agent、长任务编程、金融法律等专业场景中的反超密度，确实让Meta重新回到了旗舰牌桌。

两张王牌：主动记忆+主动专注

这次Wonder最核心的能力升级，集中在两项机制上：

  • Active Memory（主动记忆）：跨对话保留用户的重要信息，长任务可以延续上下文继续推进。
  • Active Focus（主动专注）：遇到障碍时主动更换方案，出错后自行检查，收到新需求时再调整计划。

在MemoryBench长对话记忆测试中，Wonder和Full分别取得85.6%和85.5%，高于Opus 5.5、GPT-6 Astra和Claude Fable 5.1。

FocusBench多步骤工具调用与文件处理测试中，Full以**54.2%**领先GPT-6 Astra的47.7%和Opus 5.5的45.8%；普通版Wonder为44.9%。

整体来看，这次升级的重点可以概括为：

  • 编程进入第一梯队：Muse Code搭载Full，在AA编程Agent榜追平Claude Code+Sonnet。
  • 长任务持续执行更强：两款Wonder在超长编程测试中都超过Opus和Astra。
  • 专业工作覆盖面扩大：14项测试涵盖法律、金融、记忆、持续执行等，Full有8项超过Opus 5.5，11项超过GPT-6 Astra。
  • 上下文足够大：支持100万Token推理上下文，整套代码库、数百页合同或长音视频记录都能一次处理。

价格方面，普通版Wonder API按每百万Token计费：输入4美元、输出20美元、缓存输入0.20美元，长上下文不额外加价。Full暂时只通过Muse Code订阅开放：Power Usage为50美元/月，Maximum Usage为200美元/月，分别提供基础档20倍和80倍用量。

六周猛涨8分，十项测试全赢前代

按照Artificial Analysis统计，Muse Spark 1.3与新模型的发布只隔了六周，但智能指数从48分冲到56分，一口气提升8分。

Meta称，Wonder在十项测试中全部超过Spark 1.3，其中六项进入前三、两项拿到第一：

  • 科学推理CritPt与专业文档GDP.pdf均取得33%，位列当次AA榜单第一。
  • 专业知识测试GDPval-AA v2.1中，Full拿到1857 Elo，排名第二。
  • AA-Briefcase、AutomationBench-AA和SciCode三项取得第三。
  • Terminal-Bench 4.0要求AI自己读文件、敲命令、处理报错，Spark完成率约33%，Full达到57%，提升24个百分点。

另一家评测机构Vals AI也给出了成绩单。在覆盖金融、编程、法律和税务的Vals Index v2.1中，Wonder Full以64.57分排名第五，超过榜单中所有OpenAI模型；普通版Wonder为61.06分。

跑分之外，早期开发者的实战反馈更有说服力。Conductor开发者Charlie Holtz把Wonder接入自己的代码库后，模型一次就找出了其他Agent都漏掉的真实安全漏洞。他还称赞其设计可视化、CLI速度、语音模式和内置技能，直言“Meta现在已经站到最前沿”。

另一场同题对比更贴近游戏开发者：开发者Yair让Wonder和Opus 5.5分别制作第一人称3D游戏。Claude Code搭载Opus 5.5耗时11分40秒、花费2.10美元；Muse Code搭载普通版Wonder仅用3分42秒，成本约1美元。

编程能力：长任务反超两大旗舰

超长任务编程是这次Meta最敢喊“领先”的领域。SWE-Marathon要求AI持续完成软件项目：读需求、改多个文件、跑测试，出错后还要自己定位原因并继续修改。

Full取得57.5%，Opus 5.5为46.3%，GPT-6 Astra为42.5%，领先幅度分别达到11.2和15个百分点。普通版Wonder也有53.1%，同样超过两款旗舰。

在包含113项任务、覆盖91个代码仓库和五种编程语言的DeepSWE v1.1中，Full和Wonder分别取得79.0%和78.8%，Opus与Astra分别为74.2%和74.1%。

AA编程Agent榜上，Muse Code+Wonder Full得到68分，追平Claude Code+Sonnet 5.5，并高于Claude Code+Opus 5.5的66分。上一代Muse Code搭配Spark 1.3只有54分，换成Full后直接提升14分；搭载普通版Wonder也有63分。

不过，Meta并非在所有编程子项中都夺冠：ProgramBench从零编程中，Full为59.0分，高于Astra的52.5分，但低于Opus的70.5分；终端编程中，Full为57.1分，也略低于Astra的59.1分和Opus的59.6分。

漏洞测试方面，VulnPR-100维护者给Wonder安排了100个包含已知漏洞的代码变更，每项限时一小时。Wonder最终找出46个漏洞，与GPT-6 Astra打平；整轮花费284.88美元，平均每个漏洞成本6.19美元。

题做更多，Token反而少四成

数学证明与开发效率测试，体现了Full“少废话、多办事”的特点。

在Vals AI的ProofBench中，Full做对94道数学证明题，比前代多36道；同榜Opus为100道，Astra为99道。虽然题目做得更多，其输出Token却从约450万降到270万，减少约40%，每题工具调用也从40次降到33次。

在Vibe Code Bench中，Full得分维持在86.0%，但平均每个应用的步骤数从120步减少到62步。Terminal-Bench 4成绩则从24.7%提升至58.1%，输出Token从1430万降到990万。

专业任务方面，Full在Harvey LAB-AA法律测试中的13.1分达到Opus 4.2分的3.1倍；金融分析Vals Finance Agent V2得到59.1分，也高于Opus的58.6分和Astra的53.5分。

减少“一本正经地胡说”同样重要。AA的6000道知识题测试显示，Full在答错题目中的幻觉率为23%，而Astra和Opus分别为51%和59%。代价是其知识指数为30，低于Astra的43和Opus的46——它更少硬答，但知识储备仍有追赶空间。

吉瓦级超训：Prometheus里的终极怪兽

Wonder系列的爆发并非凭空出现。14个月前，Meta开始重构整个AI基础设施与研发范式，新模型诞生于传闻已久的吉瓦级Prometheus（普罗米修斯）超级数据中心。

训练路线仍由两部分组成：先通过大规模预训练建立广泛基础能力，再通过强化学习根据任务反馈调整模型行为。规格上，Wonder支持100万Token推理上下文，并原生支持文本、高分辨率图像、超长视频和连续音频输入。

为回应外界对模型泛化能力的质疑，Meta在训练中加入了大量类型不同、耗时更长的任务。以编程为例，模型需要记住需求、修改多个文件、反复测试返工，持续推进完整项目。Artificial Analysis的分布外任务测试也显示，当熟悉任务表现相近时，Full在未重点覆盖的陌生任务上仍有额外优势。

目前，普通版Wonder已经登陆Meta Model API和Muse Code；个人助手Muse也将接入Wonder，按计划先向订阅者开放。Full暂未开放独立API，只能通过Muse Code订阅使用。上线初期有用户遇到订阅额度统计异常，Alexandr Wang回应称团队正在修复，修复后会通知用户并重置额度。

【编辑观察】Meta这波最有冲击力的地方，不只是跑分追上第一梯队，而是把编程Agent、长任务执行、多模态上下文和订阅价格打包成了一套完整攻势。Claude Code和Codex把守的开发者阵地，这下真的迎来了一位狠角色。