Meta 发布了 Muse Wonder 系列——Muse Wonder 和更完整的 Muse Wonder Full，官方称这是他们『最具能力的模型』，在个人和专业 agent 任务上取得了 SOTA 成绩，并把这一步描述为向『个人超级智能』迈进。
这个系列背后的时间线值得注意。官方说 14 个月前他们开始从第一性原理彻底重建 AI 团队——从零重搭技术栈，一路做到今天推到前沿。模型是在 Meta 的千兆瓦级 Prometheus 数据中心训练的，把 pretraining 和强化学习的团队成果都收敛进来。这套『可预期、严谨的 scaling』方法论，早在 Muse Spark 发布时就定下了基调，Wonder 是这条路线上的延续。
性能上，架构核心是两个能力：Active Memory 和 Active Focus。前者让模型跨对话记住『对你重要的事』，并在相关细节重新变相关时主动取回——这正是个人/专业 agent 最难的环节之一；后者描述它如何持续朝一个艰难目标推进：试不同方案、处理阻塞、适应新信息，途中会主动要求澄清、在重要动作前先确认。
评测上，FocusBench 测专注力，SWE-Marathon 测在长期软件项目上的持续执行。领域知识方面，Harvey 的 Legal Agent Benchmark（LAB）要求模型读源文档并按详细指令产出法律工作产品——Meta 拿法律、金融、健康任务来测这个能力。
官方公告中给了一个很直观的能力演示：Muse Wonder 从可定制的图像输入，直接构建出一个可玩的 3D 厨房小游戏——这是『理解需求→跨代码库改→反复测试修订』全链路能力的具象化。以两位竞品分数相近、但其中一个明显更能处理真实场景开头来展开讨论，是这篇文章的主线判断：benchmark 分数相似的两模型，能否在迁移场景里泛化，才是分野所在。
模型今天的 API 就能用：Muse Wonder 走 Meta Model API 和 Muse Code，Muse Wonder Full 对 Muse Code 订阅者开放；接下来它会进 Muse 应用、首发给订阅用户，还会用来驱动 artifact 生成和更高智能要求的流程。
来源：