北京时间10月13日凌晨（美东时间12日），Meta把内部代号「西瓜」的新一代旗舰端上了桌：Muse Wonder与更强的Muse Wonder Full，官方称两者在代码编写、金融与法律问题处理上可与头部模型同处一档。 官方对比表显示，旗舰版在考察超长流程软件工程任务的SWE-Marathon评测中取得57.5%的通过率，高于Claude Opus 5.5的46.3%与GPT-6 Astra的42.5%。 在第三方机构Artificial Analysis的综合能力榜单中，两款模型分别拿下52分和56分，与第一梯队仅差一步。微博财联社智东西
跑分确实漂亮，社区却明显不买账：科技媒体为这次发布做的测评视频，标题直接追问「刷榜嫌疑这辈子能消除吗」？ 有海外用户在小红书发帖直言「我对 Muse Wonder 彻底失望了」。 难服众的从来不是分数本身，而是分数的出处——自家榜单、旗舰不开API、实测口碑分化，这三件事叠在Llama 4刷榜旧账上，让一次模型发布变成了一场关于「跑分还值不值得信」的全行业投票。哔哩哔哩小红书
成绩单上，第三方那一格很小，「主场」那一格很大
把流传的数字逐条拆开，真正属于第三方独立测量的只有Artificial Analysis综合指数一项，其余亮点大多出自Meta的对比表与内部口径。被反复转引的记忆成绩即是如此：在Meta内部的MemoryBench评测中，Muse Wonder得分85.6，高于GPT-6 Astra的81.4和Opus 5.5的81.5，该测试要求模型从长达6.4万至10万token的多轮对话里找回关键信息，同时应对干扰与前后冲突的内容。 官方表格也不回避落后：Terminal-Bench和ProgramBench两项，Claude Opus 5.5仍有优势。 更关键的是验证渠道：更强的Muse Wonder Full目前只能通过Muse Code订阅使用，暂不开放API，第三方想按同一口径复测旗舰，连入口都难找。财联社Z的AI情报局智东西
难服众的根子：Llama 4的旧账还没翻完
社区给Meta的跑分打折，是因为这份信誉预支过。2025年4月Llama 4发布后不久即曝出针对性刷榜争议，今年1月，前首席科学家杨立昆在离职之际向《金融时报》证实，Llama 4的基准测试结果「被稍微美化了一点」。 那次事件甚至改写了榜单机制：为防止Llama4那样的刷榜事件重演，LMArena排行榜默认开启StyleControl，统一回答风格以压缩投机空间。 所以这一次，首席AI官Alexandr Wang回应质疑的方式不是补数字，而是请用户自己上手评判。微博LMArena渡势行
实测与跑分，是两个「西瓜」
争议的另一半来自真实使用。网易科技的综述概括得很直白：多项编程评测成绩亮眼，但开发者实测反馈分化，标准版表现偏弱，上线初期还出现额度统计故障。 一位测试者给出的坐标更刺眼：按他的实测，这款模型表现低于 Opus 4.8，成本却高达 Opus 5.5 的水平。 B站评论区里，有用户跑了四个前端基准测试，第四个还没跑完就撞上50美元档位的五小时用量限制。 另一条评论的总结是「只比上一代Muse Spark 1.3强一点点，还不如Opus 5」——这些一手体感与表格上57.5%的距离，正是「难服众」的实体。网易科技小红书哔哩哔哩
趋势一：尺子从「会答题」换成「能干活」
把争议放回行业坐标，第一个信号是「强模型」的定义正在被改写。Meta这次主推的能力完全以干活为导向，官方对Active Focus的定义是遇到困难时尝试其他方法、恢复错误，并继续推进任务。 规格也围着长任务重排：原生支持100万token超长上下文与文本、图像、视频、音频全模态输入。 全行业动作同向：OpenAI发布常驻智能体Dots、谷歌云推出通用工作智能体，竞争的计价单位正从「模型能做什么」转向「智能体能替你做完什么」。 跑分竞赛没有结束，只是换了赛道；新赛道上，可信度本身就是第一个瓶颈。智东西新智元渡势行
趋势二：广告之外的第二张牌，叫订阅
这份前沿成绩单同时也是昂贵成绩单：彭博社报道称，扎克伯格过去14个月重注AI研发，通过对Scale AI约140亿美元的投资挖来Alexandr Wang，由其负责领导新的AI团队。 定价也不再像当年的「开源搅局者」：Wonder API每百万token输入4美元、输出20美元、缓存输入0.2美元，与Claude Opus 5.5持平，并不是低价路线。 最强的Full版干脆收进订阅，Muse Code的Power Usage与Maximum Usage两档分别为50美元、200美元每月，对应基础档20倍、80倍用量。渡势行AIGCLINK新智元
消费端同步换打法：在Muse个人助手里使用新模型需订阅每月20美元或100美元。 这是Meta第一次把AI写进广告之外的订阅收入线，押注方向也很明确：长期执行任务、调用工具、保持上下文的个人Agent场景。 对行业而言，这标志着前沿模型正从技术竞赛转入变现竞赛——模型能力开始直接折算成每月账单。渡势行Z的AI情报局
趋势三：放缓声里，竞赛反而提速
最值得玩味的是时间点：就在Anthropic、OpenAI接连呼吁业界放缓前沿AI大模型开发之际，Meta宣布推出新模型，称其能力已达到业界前沿水平。 扎克伯格公开表示Meta已经在人工智能的「前沿领域」追上竞争对手，承诺继续大规模投入，同时淡化技术可能失控的风险警示。 资本投票比争论更快：发布后Meta股价一度上涨4.7%。 前沿供给不再由两三家垄断、「多强并立」之下议价权向应用方转移，可能比任何单项跑分都更接近这次发布的真实意义。财联社IT之家微博
接下来值得盯的是三件事：Wonder Full的API与独立评测何时跟上、订阅档位在额度故障之后能否留住续费、以及这轮「记忆+专注」的Agent军备赛会不会把行业的评价体系整体换轨。「西瓜」的成绩单已经交上，服众与否，只能交给接下来几个月的一线使用去回答。
