Meta发布最强旗舰Muse Wonder，智能水平仅落后Opus 5.5两分

就在今天凌晨，Meta 正式发布新一代旗舰模型家族 Muse Wonder，一次推出 Muse Wonder 和 Muse Wonder Full 两款模型，目标直指“个人超级智能”。Meta 称这是其迄今能力最强的模型系列，在个人与专业级 Agent 任务、长期记忆和编程等关键评测中取得业界领先成绩。扎克伯格表示，Meta 超级智能实验室成立仅一年多，已从 Muse Spark 推进至规模更大、能力更强的 Muse Wonder。Meta 首席 AI 官 Alexandr Wang 称，该模型已具备与业界顶级大模型正面竞争的实力。

Muse Wonder 引入两项核心能力：Active Memory（主动记忆）和 Active Focus（主动专注）。前者让 AI 跨对话记住用户重要信息并在需要时主动调用；后者让 AI 持续推进复杂任务，遇阻时尝试其他办法，并根据新信息调整行动。Meta 还强调泛化能力：相比 Muse Spark 1.3，Muse Wonder Full 在未被专门训练的陌生任务上表现更好，能力有望延伸至更多真实场景。目前，Muse Wonder 已通过 Meta Model API 和 Muse Code 开放使用，Muse Wonder Full 面向 Muse Code 订阅用户推出，未来将逐步接入 Muse 个人 AI Agent 产品。

14 个月前，Meta 开始从底层全面改造 AI 研发体系。根据 Artificial Analysis 智能指数，Muse Wonder Full 拿下 56 分，仅落后 Claude Opus 5.5 两分，位居第二，超过 GPT-6 Astra、Gemini 4 Argon 等旗舰模型。Muse Wonder 达 52 分，与 GPT-6.1 Sol 持平。Meta 自身进步显著：Muse Spark 最初仅 31 分，Spark 1.1、1.2、1.3 分别提高到 34、40 和 48 分，Muse Wonder Full 推高至 56 分。新模型延续可预测、严谨的规模化扩展路线，在预训练和强化学习两阶段进一步扩展，使用 Meta 千兆瓦级 Prometheus 数据中心训练，汇集多个团队研究成果。

在 Meta 内部 Personal Superintelligence Index 中，Muse Wonder Full 以 59.1 分位居五款参评模型第一，超过 Claude Opus 5.5 的 55.2 分和 GPT-6 Astra 的 54.5 分。专业 Agent 方面，Muse Wonder Full 在 Harvey 法律 Agent 评测中拿到 13.1 分，超过 Claude Opus 5.5 的 4.2 分；在 AutomationBench-AA 中以 45.4 分领先。编程方面，SWE-Marathon 获 57.5 分，领先 Claude Opus 5.5 达 11.2 分；DeepSWE 1.1 以 79.0 分位居第一。不过，Terminal-Bench 4.0-AA 和 ProgramBench 中 Claude Opus 5.5 仍占优；HealthBench Pro 中 Muse Wonder Full 落后于 Claude Opus 5.5 和 GPT-6 Astra。整体来看，Meta 此次突破尤其体现在 Agent 执行能力和长周期任务上。

Muse Wonder 系列能将专业知识应用于法律、金融和健康等实际任务，例如理解租赁合同条款、分析财务信息或帮助用户看懂健康资料。Harvey 法律 Agent 基准要求模型阅读原始文件、遵循详细指令并完成实际法律文档。Active Memory 让模型跨对话保留重要上下文，并在执行任务时主动检索所需信息，避免用户反复交代。Active Focus 则让模型围绕复杂目标持续工作，遇困难尝试不同方法，遇障碍寻找解决路径，获取新信息后调整行动，必要时主动提问澄清，并在重要操作前征求确认。Meta 通过 FocusBench 评估专注能力，用 SWE-Marathon 测试持续执行任务表现。

编程任务考验模型多项能力，开发软件需持续跟踪需求、在多处修改代码并经历多轮测试修复。Muse Wonder 和 Muse Wonder Full 在编程方面达到前沿水平，支持从小型应用到复杂软件项目开发。Meta 使用不同类型、执行周期较长的任务训练模型，使其能在反复测试、修改和验证中持续推进。

Meta 还研究了模型面对陌生任务能否举一反三。主流基准测试通常只覆盖少数领域，难以完整衡量模型在各种陌生任务中的能力。Meta 对比 Muse Spark 1.3 和 Muse Wonder Full 发现，随着测试时计算量增加，两个模型在分布外任务上的表现都会提升且趋势相近，但在分布内任务表现相当时，Muse Wonder Full 在陌生任务上的成绩明显更优。