Meta发布Muse Wonder双模型：支持多模态长上下文的AI智能体基座

Muse Wonder系列正式上线

Meta已正式发布Muse Wonder与Muse Wonder Full两款模型，称其为目前能力最强的AI模型。二者定位为面向个人与专业级AI智能体（AI agents）的前沿基座模型，专为长时间运行的智能体任务设计，涵盖编程、法律、金融分析及跨应用计算机操作等复杂场景。Muse Wonder已开放使用，可通过Meta Model API及Muse Code平台调用；Muse Wonder Full则仅限订阅付费版Muse Code用户访问。

核心技术规格与部署方式

Muse Wonder系列支持高达100万token的上下文长度，输入模态覆盖文本、图像、视频与音频，输出为纯文本。模型仅在Meta自有云基础设施上运行，不提供本地部署或开源权重，亦无推理硬件适配说明。开发者可通过Meta Model API或Muse Code命令行工具（支持macOS、Linux与Windows）接入，暂未开放网页端直接交互界面。

性能表现：多项领先，部分短板明显

Meta在其公开基准测试表中对比了Muse Wonder、Muse Wonder Full与Claude Fable 5.1、Claude Opus 5.5、GPT-6 Astra三款竞品模型。所有分数均基于最大推理努力（max reasoning effort）设定，部分评测引用第三方机构（如Artificial Analysis、Vals AI、Datacurve）数据。内部指标包括Personal Superintelligence Index（PSI）、MemoryBench与FocusBench。

在14项评测中，Muse Wonder Full在6项中排名第一，但整体呈“偏科”态势：其在MemoryBench中以85.6分位居榜首（Muse Wonder为85.5分），大幅领先其余模型；而在ProgramBench中仅获50.0分，显著低于Claude Opus 5.5的70.5分。此外，在OSWorld V2.1（部分任务）与DeepSWE 1.1中表现稳健，但在Harvey LAB-AA与Terminal-Bench-AA等偏重底层系统交互的评测中得分偏低。

值得注意的是，Meta明确说明竞品模型的测试结果属“尽力而为”（best-effort），未做针对性调优；SWE-Marathon对比中，对手模型使用Codex与Claude Code运行，非统一评测框架，结果不可直接横向比较。

智能体原生能力设计

Muse Wonder继承自前代Muse Spark，训练于Meta“普罗米修斯”（Prometheus）数据中心，强化了预训练与强化学习阶段。Meta强调其更大规模的基础模型提升了对陌生任务的泛化能力。该模型内建两大关键行为机制：

• Active Memory（主动记忆）：跨会话持续维护用户上下文，并按需精准提取任务所需细节；
• Active Focus（主动聚焦）：面对复杂任务时保持专注、尝试多种解法，并在关键操作前主动确认。

对开发者而言，Muse Wonder可自主规划长周期任务、调度子智能体，并直接操作浏览器、桌面及移动端应用程序，体现强工作流编排与工具调用能力。

使用路径与商业化安排

新用户可通过七步快速上手：1）访问dev.meta.ai注册并登录；2）选择模型版本（Muse Wonder按$4/百万token输入、$20/百万token输出计费；Muse Wonder Full需订阅Muse Code Power（$50/月）或Maximum（$200/月）计划）；3）绑定Meta账户并接受API条款；4）添加支付方式后生成API密钥；5）在Playground中选择muse-wonder-1.0模型进行交互测试；6）复制curl或Python代码片段，调用`https://api.meta.ai/v1/responses`接口——该API兼容OpenAI SDK，仅需更换base_url；7）或通过终端安装Muse Code CLI（Mac/Linux用bash脚本，Windows用PowerShell），在项目目录中运行`muse`启动本地智能体环境。

编者观点

Muse Wonder系列标志着Meta从通用大模型向智能体原生架构的战略深化，其主动记忆与聚焦机制直指当前AI智能体落地的核心瓶颈。对中国AI企业而言，该发布凸显了“模型即智能体运行时”的新范式——能力不再仅由参数量定义，更取决于上下文持久性、多模态感知深度与工具调用可靠性。国内厂商在推进Agent产品化时，或需同步加强长程状态管理与跨应用自动化能力的工程闭环。