出品 | 网易智能
作者 | 辰辰
编辑 | 王凤枝
Meta刚宣布追上OpenAI和Anthropic，就有开发者试完泼了冷水。
美国当地时间10月12日，Meta发布Muse Wonder和Muse Wonder Full两款模型，主攻个人助理和专业工作中的智能体任务。扎克伯格在X上宣布，Meta的新模型已经达到前沿水平。
Wonder已开放API，更强的Full则先进入编程工具Muse Code，面向订阅用户提供。
在接受《金融时报》采访时，扎克伯格谈到一个让他觉得奇怪的现象：AI已经能做高深数学，却还不能稳定地为所有人做好客服。
按照Meta的介绍，Wonder这次加强了记忆和持续执行任务的能力：找回用户此前交代过的要求，遇到障碍时尝试其他办法，让Muse在订餐、购物、安排出行时，少一些反复询问，少一些半途卡住。
不过，新模型发布后，开发者的反馈并非一片叫好。
开发者Theo把Full与Claude Opus 5.5排在同一档，随后又专门提醒：通过API提供的标准版Wonder明显更弱。
他连同两个版本的命名、Full只能订阅使用的安排，一起吐槽了一遍。
一、榜单冲上来了，开发者的评价却不一样
Muse Wonder系列的内部代号是“西瓜”（Watermelon），上一代Muse Spark则叫“牛油果”（Avocado）。Wonder面向日常工作，更大的Wonder Full提供更强能力。
在Artificial Analysis的Intelligence Index v4.3中，最高推理档位的Muse Wonder取得52分，Wonder Full取得56分，上一代Muse Spark 1.3为48分。Full超过了Claude Fable 5.1、GPT-6 Astra和Gemini 4 Argon，仍落后于Claude Opus 5.5。
两代模型的发布时间相隔六周。Full在该指数的十项评测中全部超过Spark 1.3，其中六项进入前三；提升较大的项目包括需要使用终端完成任务的Terminal-Bench 4.0，成绩从33%升至约57%。
在Meta公布的长时间软件工程测试SWE-Marathon中，Wonder Full得分57.5，高于同表中Claude Opus 5.5的46.3和GPT-6 Astra的42.5；在DeepSWE 1.1中，三者分别为79.0、74.2和74.1。
另一组第三方结果来自Artificial Analysis的编程智能体指数。在最高推理档位下，Muse Code搭配Wonder Full得到68分，与Claude Code搭配Sonnet 5.5的成绩相同；Muse Code搭配Wonder为63分，搭配上一代Spark 1.3则为54分。
这里测的是模型与编程工具配合完成任务的表现。
长时间编程往往要反复查看代码、修改多个文件，再运行测试、处理报错。Meta称，团队用多种长任务训练了这两款模型，让它们在连续测试和修改中保持进展。
Every另做了一项代码库重写测试，让模型从头重写一个由AI辅助编程生成的项目。截至发稿，参加测试的标准版Muse Wonder 1.0得分48%，GPT-6.1 Sol为71%，两者均使用Codex CLI和high推理档位。
这张表只覆盖一个重写任务，按检查项计分，没有Wonder Full的成绩。
对于开发者常用来展示效果的3D小游戏，Meta首席AI官汪滔（Alexandr Wang）在X上表示，团队没有针对这类演示专门训练模型，并请大家把Wonder用到实际编程工作中。
Theo已经让Opus调用Wonder做代码审查和架构审查。网友bubble boi也称，自己用Wonder生成了RISC-V处理器核心设计，正用OpenROAD处理，并计划随后流片。
测试Full的开发者Claire Vo，对不同任务给出了不同评价：智能体任务表现突出，编程有竞争力，写邮件也不错；前端设计、其他写作和创意任务则不够理想，她还抱怨了Muse Code的使用体验。
另一位用户imjustnewatai的评价更低，认为实际表现配不上榜单成绩，与Opus 5.5仍有明显差距。
二、记住前面的要求，遇到障碍换条路
离开代码编辑器，Muse还要处理订餐、购物、安排出行这些日常事务。用户交代过的条件可能分散在几次对话中，执行到一半又碰到网页无法访问、预约时间不合适等问题。
助手要接着办事，就得找回相关信息，再决定下一步怎么做。
Meta把这次重点改进的两项能力称为“主动记忆”（Active Memory）和“主动专注”（Active Focus）。
主动记忆要处理的，是跨对话的信息：记住与用户有关的重要内容，在后续任务需要时主动找出来。在Cheeky Pint访谈中，汪滔解释，团队同时设计了模型和配套系统，模型也需要学会利用不同信息来源、有效压缩上下文。
扎克伯格在同场访谈中，讲了一个与“西瓜”有关的小插曲。他三岁的女儿喜欢烘焙，自己会在一周里用尚未全面开放的Muse语音模式讨论食谱，到周六再由Muse通过Instacart准备食材。
最近一次，食材订单的金额没达到配送要求。Muse知道代号“西瓜”的新模型即将发布，便提议往订单里加一个西瓜，还问他要不要。扎克伯格同意了。他在发布直播中吃的，就是这个西瓜。
主动专注则针对任务执行。汪滔告诉CNBC，现实中的任务总会遇到障碍和意外，团队专门训练模型尝试其他办法，减少一遇到问题就停下来找用户的情况。
Meta的产品说明同时保留了确认环节：有必要时澄清要求，在重要操作前征求用户意见。
要办好这些事，模型还得懂任务涉及的知识。汪滔说，理想中的个人智能体，应该让用户觉得身边有一整支专家团队，包括法律、财务和医疗方面的帮手。
为此，团队在预训练阶段就加入了相关领域的数据，而不只在后续训练中练习执行任务。
官方发布页给出的演示包括根据图片制作可玩的3D厨房游戏，跨网页和应用规划跑步路线，以及安排婚礼座位表。法律和金融测试则考察它能否结合材料、遵循细致要求，完成专业工作。
扎克伯格最喜欢的用法之一，是让Muse当综合格斗教练。他在健身房装上摄像头，让模型看训练画面，在回合间歇给反馈。间歇只有一分钟，有一次Muse给反馈就占去了约30秒，他嫌太慢，要求它再快一些。
为了分析训练视频，智能体会在后台编写视频处理程序、提取画面，他自己不用看代码。此前，他也用OpenClaw尝试过这件事。
而这些日常要求，很难在训练中逐一列尽。Meta这次还测试了模型处理陌生任务的表现：一组任务是后训练重点覆盖的，另一组则没有被专门针对。
以两代模型在前一组任务上的表现作为参照，Wonder Full在陌生任务上的成绩，高于按Spark 1.3的表现趋势推算出的水平。Meta将这一差别归因于更大的基础模型，认为它有助于把学到的能力用到新任务上。
三、免费版保留，Wonder先向订阅用户开放
Muse应用不会因为Wonder发布就全面收费。扎克伯格在访谈中说，免费使用仍由Spark提供；Wonder规模更大、服务成本更高，初期主要面向付费用户。
正式发布当天，Wonder已可通过Meta Model API和Muse Code使用；更强的Wonder Full只向Muse Code订阅用户开放。
Muse应用内的Wonder升级则还要稍等。
据CNBC报道，Muse应用有每月20美元和100美元两档订阅，Muse Code则有每月50美元和200美元两档。应用订阅和API调用分别计费。
Wonder的API价格为每百万token输入4美元、输出20美元、缓存输入0.20美元。Full尚未公布按token计费的价格。
对于开发者，换模型后的花费还涉及任务要调用几轮、读入多少内容，以及缓存能复用多少。
Artificial Analysis在综合指数测试中测得，Wonder和Full每项任务平均使用约5.4万输出token，比Spark 1.3少约10%。
但在该机构按综合指数任务计算的加权成本中，Wonder仍达到每任务4.52美元，上一代为1.60美元。
在该机构为各模型选定的推理配置下，Wonder的测试成本低于Claude Fable 5.1的7.63美元、Opus 5.5的5.98美元和Sonnet 5.5的5.46美元，高于GPT-6 Astra的3.26美元和Gemini 4 Argon的1.99美元。
上线当天，订阅额度还出了岔子。《金融时报》报道，Muse Code出现用量计入额度的错误。
汪滔随后在X上表示，团队已修复导致Wonder和Full额度消耗异常快的问题，并重置了Muse Code的使用额度。
四、模型还没做出来，投入就得先定
Wonder背后，是Meta对AI团队和技术体系的一轮重建。2025年4月，Llama 4的表现未达外界预期。此后，扎克伯格加大数据中心和人才投入，请来Scale AI创始人汪滔，领导处于核心位置的TBD Lab。
Meta在此次公告中说，整套AI工作的重建始于14个月前。团队重新搭建技术体系，再逐步扩大模型规模。Wonder和Wonder Full在吉瓦级Prometheus数据中心完成训练，升级同时涉及预训练和强化学习。
今年4月推出的Muse Spark，是TBD Lab组建后的首个模型成果。9月，搭载这一系列模型的Muse应用走红。据《金融时报》报道，截至Wonder发布时，Muse仍位居美国苹果和安卓应用商店下载榜首。
在Muse应用走红之前，大笔投入就已经提上议程。
扎克伯格在Cheeky Pint中回忆，去年底讨论1000亿至2000亿美元级AI投入时，尚未看到最终模型，他曾问汪滔是否确定能做成。
这段回忆也被投资者Shay Boloor转发到了X上。
扎克伯格在访谈中还给出了一笔粗略的基础设施账：一个吉瓦级算力集群，前期建设约需500亿至600亿美元，运营一年约需150亿美元。
训练前沿模型时，除了大规模训练本身，还要做大量较小规模的实验；模型推出后，也需要算力支撑用户调用。
汪滔把这称为“困难模式的创业”，与精益创业正好相反。
通常，创业者可以先用较少的钱验证想法，看到效果后再扩大投入；做前沿模型，却得在看到最终结果之前，先决定投入多少算力、招来怎样的团队。
五、越了解用户，越要管好权限
助手越了解一个人，代办任务时就越容易碰到隐私问题。扎克伯格举了订餐的例子：如果用户怀孕了，或对某些食物过敏，Muse需要据此挑选餐厅，却不该每次都把健康状况告诉对方。
他希望助手在把事情办成的同时，尽量少透露用户的信息。
Meta称，Wonder系列加强了对抗恶意指令和处理私人信息的能力。在公司公布的未授权代码执行、个人信息处理测试中，两款模型的表现优于同表中的Claude Fable 5.1和GPT-6 Astra。
Meta还称，针对化学、生物、放射、核及网络滥用的防护达到公司迄今最强水平，完整的安全评测报告将随后发布。
Muse此前已经遇到授权争议。一些用户称它在未获许可的情况下访问私人消息，Meta对此予以否认。
汪滔向CNBC解释，有些用户在较早的对话中允许了某类通信，后来忘记自己给过授权；团队正在跟进相关事件，并帮助用户了解产品的使用方式。
这种解释也留下了一个具体问题：一段对话里给过的许可，到下一次执行任务时，用户是否还清楚它覆盖哪些操作。
记忆能帮助助手少问几遍，涉及对外通信和私人信息时，确认又不能省错地方。
外部平台也会限制助手能做的事。Muse上线后不久，亚马逊就屏蔽了它在网站上的购物行为。即使模型更会操作网页，能否进入用户常用的平台，仍会影响任务能否完成。
扎克伯格还向《金融时报》提到了正在准备的Muse Confidential VM。按照Meta的设想，这个版本将让公司也无法接触用户的数据及其与智能体的对话。截至此次发布，该版本尚未推出。