论文解读⑬：Muse Wonder Full——Meta 的「个人超级智能」Agent 底座

2026 年 10 月 12 日，Meta 发布 Muse Wonder 系列——Muse Wonder 与更强的 Muse Wonder Full，官方称其为「迄今为止最具能力的模型」，在个人与专业 Agent 任务上达到 SOTA，并把这一步定义为迈向「个人超级智能（Personal Superintelligence）」的关键一跃。本文基于 Meta 官方研究博客、模型文档与第三方评测，做一次尽量客观的深度梳理：它到底强在哪、输在哪，以及 Meta 这套叙事里哪些是事实、哪些还停在发布稿上。

一、它是什么：重组 14 个月后，Meta 交出的第一份前沿答卷

理解 Muse Wonder，要先理解它的「出身」。

• 时间线：约 14 个月前，Meta 对 AI 业务做了「从第一性原理彻底重建」，由 Alexandr Wang 主导重组为 Meta Superintelligence Labs（MSL）。Muse Wonder 是这条「scaling ladder（scaling 阶梯）」上的最新一级，也是 MSL 第一次拿出能与 Anthropic / OpenAI / Google 正面掰手腕的前沿模型。
• 训练底座：在 Meta 位于俄亥俄州的 千兆瓦级 Prometheus 数据中心训练，方法论上延续 Muse Spark 定下的「可预期、严谨的 scaling」路线，覆盖预训练与强化学习两个阶段。
• 定位：不是通用聊天模型，而是为「长时程的个人与专业 Agent」而生——保险理赔、租约解读、金融/健康事务、持续数小时的软件工程，这些需要跨会话记忆、且任务卡住时仍要推进的场景。

一句话：这是 Meta 从「开源 Llama 派」转向「闭源前沿 + 个人超级智能」路线的宣言之作。

二、先理清 Muse 家族：别再把它们混为一谈

Meta 现在把「Muse」这个名字用在了太多地方，先帮读者画一张图谱，后文才不会乱：

关键区分：Wonder 系列是闭源前沿线，与开源的 Spark Open、Glimmer 是两条平行路线——Meta 一手做闭源前沿抢高端，一手放开源权重占生态。

三、Wonder 与 Wonder Full：两个版本，以及一个常见的坑

这是最容易踩坑、也最值得先说清的一点：

一个高频误区：把 Muse Wonder 的 reasoning effort 调到 max，并不会变成 Wonder Full——它们是两个独立的模型，不是同一模型的高低档。也不要去编造 muse-wonder-full 的按量 API ID。如果你的目标就是 Full，正确路径是检查 Muse Code 的订阅档位和模型选择器。

地区限制：Meta 10 月 12 日更新的 Geographic Use Policy 将中国（含香港、澳门）与俄罗斯列入限制地区，且禁止绕过地域控制。身处其他地区的读者仍需核对自己的账户、支付与订阅权益。

四、两大核心机制：Active Memory 与 Active Focus

官方把 Wonder 的能力收敛到两个新概念上，这也是它区别于「又大了一点」的关键叙事。

Active Memory：会「记住对你重要的事」的记忆

跨对话携带关于你的重要上下文，并在相关细节重新变得相关时主动取回。

官方给的例子很直白：你 3 月把家装预算定为 $3,000，4 月改成 $4,000，5 月让它推荐家具清单——好的记忆是不需要你提醒，它就主动用 4 月那个数。Meta 用自建的 MemoryBench（测长对话中事实被更新的场景）来评，Wonder 得分 85.6、Full 得分 85.5。

Active Focus：任务卡住时仍然推进的「专注力」

持续朝一个艰难目标推进：尝试替代方案、绕过阻塞、适应新信息；需要时主动澄清，重要动作前先确认。

对照例子：一个 30 个测试全挂的代码迁移——聚焦的 Agent 会修代码再重跑测试，弱的 Agent 会直接把测试改成能通过。Meta 用 FocusBench 测专注力、用 SWE-Marathon 测在长时软件项目上的持续执行。

这两个机制对应的正是「个人/专业 Agent 最难的两件事」：记得住，和扛得住。

五、技术规格与定价

• 上下文窗口：1M token（文档精确值 1,048,576）。
• 输入：文本、图像、视频、音频、PDF；输出：仅文本。注意——多模态是「理解」而非「生成」，它不是图像/视频生成模型。
• 能力形态：规划、委派子 Agent、并行调工具、错误恢复；可操作浏览器与桌面/移动应用；可跨多文件在现有代码库上修改并验证。
• 参数规模：未公开；无开放权重。
• API：Base URL https://api.meta.ai/v1，提供 Responses / Chat Completions / Messages 接口。
• 定价（据 OpenRouter 与媒体披露）：输入 $4 / 百万 token、输出 $20 / 百万 token，缓存输入 $0.20 / 百万 token——与 Claude Opus 5.5 同价。Muse Code Power 档订阅约 $50/月；Muse 消费端付费版为 $20 与 $100 两档。

六、基准全景：赢在哪，输在哪

以下数据来自官方 model card（经媒体转述汇总），评测设置与评分标准未完全公开，跨模型直接比较需谨慎。挑重点看：

怎么读这张表：

• 赢的地方很硬：DeepSWE 1.1 与 SWE-Marathon 这两个「长时程编码 Agent」基准上，Wonder 系（尤其 Full）确实压过 Opus 5.5 与 GPT-6 Astra，契合它「扛得住长任务」的叙事。
• 输的地方也明显：在 Meta 自己公布的约 14 个基准里，多数仍落后 Opus 5.5（ProgramBench、Terminal-Bench、OSWorld 等），第三方 AA 综合指数也是 Full 56 < Opus 5.5 58。
• 内部指标要打折看：Personal Superintelligence Index、MemoryBench 是 Meta 自建基准，评测方法未公开，与公开基准的可比性未知。
• Harvey LAB 全员低分（13.1 / 10.0）反而透露一个信号：法律这类强流程约束的 Agent 任务，对当前所有模型都还很困难。

七、最有深度的一段：能力如何「泛化」到没训过的任务

官方研究博客里真正有技术含量的，是「Capabilities That Generalize」这一节——它正面回应了社区里 benchmaxxing（刷榜） 与 big model smell（大模型味儿） 这对矛盾：两个模型基准分相近，为何其中一个明显更能搞定没见过的真实任务？

Meta 的做法是把任务分成两类来量化：

• In-distribution：post-training 阶段针对性训练过的任务（横轴）；
• Out-of-distribution：post-training 没针对过的陌生任务（纵轴）。

然后观察「随 test-time compute 增加，两者的关系」。结论是：两个模型在 OOD 任务上都会随推理算力提升而变好，但在给定 in-distribution 水平下，Wonder Full 在陌生任务上的表现比 Muse Spark 1.3 的趋势线预测得更好——出现整体向上偏移。

Meta 给出的解释是：更强、更大的 base model，让 post-training 的收益更能迁移到没训过的任务上。这一点对「个人 Agent」尤其关键——它们要应对的是「目标 × 工具 × 约束」的海量组合，根本无法在训练时全部预见。

这也是官方那句论点的来源：基准分相近的两个模型，能否在迁移场景里泛化，才是真正的分野。（顺带一提，官方演示用了一个很具象的例子：Wonder 从一张可定制的图像输入，直接构建出一个可玩的 3D 厨房小游戏——把「理解需求 → 跨代码库改 → 反复测试修订」的全链路跑通。）

八、安全：对齐叙事与一份「待兑现」的报告

安全是这次发布的另一条主线，但需要冷静读：

• CBRN 与 cyber：官方称是迄今最强防护，同时按 Meta Superintelligence Scaling Framework 保留防御性网络能力。
• Agentic Misalignment：Full 报告为 0%；ExploitGym 验证后捕获 21 个（92 个 flag 中 21 个为 intended，官方明确可比排名应以 21 计，而非原始 92）。
• 缓解后风险：CBRN/cyber 均降至「moderate 或更低」；官方自称「most aligned model to date」。
• 关键保留：完整安全报告「即将发布」——当前所有安全主张都是阶段性披露，能否站住脚，取决于后续第三方红队与独立复现。安全数字必须连同缓解条件与评测定义一起读，不能只截一张「0%」的图。

九、产业视角：Meta 的路线转向

把 Muse Wonder 放进产业坐标系，能看到几个值得注意的动作：

• 「发布即对照表」：Meta 直接把 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 写进 model card 做对照。这抬高了行业预期——以后前沿模型发布，竞品对照可能变成标配。
• 分层商业化：Wonder 按 token 卖（对标 Opus 5.5 定价），Full 绑订阅（锁定 Muse Code 高价值用户）。模型层能力与产品入口被拆开卖。
• 与 Google / Anthropic 的路线差：Google 同期主推企业通用 Agent（连接器、spend caps），讲「给目标不给指令」与四类记忆；Meta 则把宝押在模型层的 Active Memory / Focus + 分层 API/订阅上。
• 闭源 + 开源双线：用闭源 Wonder 抢前沿话语权，同时用 Spark Open、Glimmer 放开源权重占开发者生态——既当运动员又修生态护城河。

十、冷静看：几点保留意见

本着客观，把「发布稿话术」和「已证实事实」分开：

1. 内部基准存疑：Personal SI Index、MemoryBench 无公开方法，领先幅度需谨慎。
2. 第三方口径更保守：AA Intelligence Index 上 Full 仍落后 Opus 5.5，官方 14 个基准多数也输——「SOTA」更准确地说是「在长时编码/记忆等特定维度 SOTA」。
3. 完整安全报告未出：对齐口号能走多远，待独立验证。
4. 透明度有限：参数规模未公开、无权重、完整报告未发，外界能做的核验有限。
5. 对中文开发者：中国大陆（含港澳）在限制地区名单内，停留在资料研究即可；且「订阅专属的 Full」与「API 可测的 Wonder」能力差、价差、评测差要分开跟踪，而不是只记一句「Meta 又发了个模型」。

小结

Muse Wonder Full 是 Meta 重组 14 个月后交出的第一份前沿答卷：它没有用参数规模或某个爆炸性单点取胜，而是把「Active Memory（记得住）+ Active Focus（扛得住）」立成个人超级智能的两根支柱，并在长时程编码 Agent 上拿出了压过同侪的硬成绩，同时用「更强 base 让能力更能泛化到陌生任务」的论证，回应了刷榜质疑。

但它同时也是一个叙事大于已证实事实的发布：内部基准、待发布的安全报告、未公开的规模，都还需要时间与第三方复现来兑现。对观察者而言，接下来真正值得盯的是三件事——完整安全报告是否兑现、Harvey LAB / SWE-Marathon / FocusBench 是否被第三方复现、以及 Wonder Full 是否会走向更清晰的企业采购路径。

参考资料：Meta 官方研究博客《Muse Wonder: A Frontier Model for Personal & Professional AI Agents》(research.meta.ai/blog/muse-wonder)、Meta 模型文档与 Geographic Use Policy、OpenRouter 模型页、Artificial Analysis Changelog，及多家媒体对 model card 基准的转述汇总。文中基准数据以官方 model card 为准，部分为媒体转述，跨模型比较请谨慎解读。