Meta 发布了 Muse Wonder 和 Muse Wonder Full 两款模型，两者均支持 1M token 上下文窗口。Muse Wonder Full 在 Meta 内部使用的 Personal Superintelligence Index 得到 59.1 分，Muse Wonder 为 54.3 分，作为对比，Claude Opus 5.5 在该指标上得分 55.2，Claude Fable 5.1 为 49.9，GPT-6 Astra 为 54.5。
编程任务表现
在 DeepSWE 1.1 基准上，Muse Wonder Full 得分 79.0，Muse Wonder 为 78.8，Claude Opus 5.5 为 74.2，GPT-6 Astra 为 74.1，Claude Fable 5.1 为 67.4。在 ProgramBench 测试中，Muse Wonder Full 得分 59.0，Muse Wonder 为 50.0，低于 Claude Opus 5.5 的 70.5。
在需要长期规划的 SWE-Marathon 任务中，Muse Wonder Full 得分 57.5（标注为 xhigh 难度），Muse Wonder 为 53.1，Claude Opus 5.5 为 46.3，Claude Fable 5.1 为 45.6，GPT-6 Astra 为 42.5。
智能体与自动化能力
在命令行操作基准 Terminal-Bench 4.0-AA 上，Muse Wonder Full 得分 57.1，Muse Wonder 为 52.0，Claude Opus 5.5 为 59.6。在操作系统级任务 OSWorld V2.1（部分测试）中，Muse Wonder Full 得分 78.4，Muse Wonder 为 72.6，Claude Opus 5.5 为 81.8。
在 AutomationBench-AA 测试中，Muse Wonder Full 得分 45.4，Muse Wonder 为 39.1。在金融智能体基准 Vals Finance Agent V2 上，Muse Wonder Full 得分 59.1，Muse Wonder 为 56.6。在法律任务基准 Harvey LAB-AA 中，Muse Wonder Full 得分 13.1，Muse Wonder 为 10.0。
记忆与综合指标
两款模型在 Meta 内部的 MemoryBench 得分接近，Muse Wonder Full 为 85.5，Muse Wonder 为 85.6。在 AA Intelligence Index v4.3 综合评估中，Muse Wonder Full 得分 56，Muse Wonder 为 52，Claude Opus 5.5 为 58。
上述所有基准的测试设置和评分标准未公开，不同来源的得分可能使用不同版本或配置，因此各模型之间的直接比较需谨慎解读。Personal Superintelligence Index 和 MemoryBench 标注为内部基准，其评估方法和公开基准的可比性尚不清楚。
原文地址：tools.wflynn.cn/aitools/tre...
关注公众号「YourTools」，每天推送 GitHub 趋势与开源工具速报：
