评测背景
Meta 发布 Muse Wonder 和 Muse Wonder Full，面向个人与专业场景中的 Agent 任务。除了编程能力，官方重点介绍了 Active Memory 和 Active Focus：前者强调跨对话保留重要信息，并在相关任务中调取；后者强调持续推进目标、处理阻碍，并随新信息调整行动。
本轮评测暂未完整复现跨会话长期记忆场景，因此我们不直接评价官方定义中的 Active Memory，而是聚焦于连续多轮对话：观察模型能否正确处理新旧信息、保留未变化内容，并在后续相关任务里调用已有信息。
本轮设置 6 个任务，覆盖 3D 魔方、割草机游戏、个人主页、品牌网站、地铁运行看板和科幻小说。
我们观察复杂交互能否运行、多轮信息能否正确更新、新增功能后旧要求是否保留，以及功能、状态和篇幅等约束能否逐项落实。
评测说明
本轮评测共 6 个 Case，均按照相同流程调用 Muse Wonder；每个 Case 的首轮调用均成功返回，多轮任务则按后续指令继续追加。
评测结合原始 Prompt、模型回复与交付文件，检查具体要求的完成情况，记录生成耗时与 Token 消耗。
评测侧重内容质量、约束遵循与功能实现：前端题关注关键交互、状态切换和布局适配；多轮对话任务检查信息更新、干扰处理与功能保留；小说创作则检查叙事组织、技术自洽性和字数约束。
Case 实测结果
一、3D 魔方：转动之后，状态有没有跟上
**任务概述：**用 HTML 制作可操作的 3D 魔方，支持整体旋转、面层转动、状态追踪、打乱与重置。
**生成耗时：**307.15 秒｜Token 用量：33,800
关键要求：
-
交互：使用 Three.js，能调整整个魔方的视角，点击面可以转动对应层。
-
状态：转动后持续追踪色块状态，提供打乱和重置按钮。
-
呈现与交付：单个 HTML，暗色背景，具有光照和阴影；几何程序化生成，不使用外部素材。
3D 魔方：转动之后，状态有没有跟上
验收观察：
转层、整体视角和打乱三项交互都已实现，状态展示也能随操作更新。连续转层后，步数由 0 增至 10，六面展开图和操作记录同步变化；打乱后各面呈现混色，调整视角仍能观察同一个打乱状态。
每次 90 度转动后更新小方块的位置与朝向，再从该状态生成 54 格状态串和展开图，三维显示与状态记录共用数据来源。魔方几何与表面色块均由代码生成，未使用外部图片或三维模型素材；页面通过 CDN 加载 Three.js 程序库。
圆角色块、层间缝隙和光影让各层容易辨认，暗色背景要求也已落实。操作按钮位于底部，展开图与记录分布在两侧，转动时可以同时核对状态变化。
主要不足：
没有发现明确功能异常，转层、视角调整和打乱均能正常响应。重置与撤销已有代码实现，但实际效果及长序列操作后的状态一致性，仍需进一步验证。
综合评价：
六面展开图和操作记录，让状态追踪成为用户可直接核对的对象：一次转动改变了什么、打乱是否生效，都有对应的可见反馈。这个处理降低了验证三维交互的难度，也为后续定位状态错误提供了入口。
二、割草机模拟器：动作能触发，画面拖了后腿
**任务概述：**制作可在浏览器驾驶的第一人称割草机游戏，能割草，并在驾驶中喝啤酒、抽雪茄。
**生成耗时：**235.46 秒｜Token 用量：26,853
关键要求：
-
游戏：第一人称驾驶、割草及碰撞，包含驾驶舱、草地、树木和天空。
-
动作：驾驶中可以喝啤酒和抽雪茄。
-
画面：达到 3A 游戏质感。
-
交付：单文件 HTML，可独立运行。
割草机模拟器：动作能触发，画面拖了后腿
验收观察：
驾驶与割草能够正常联动，车辆移动时小地图同步更新，割草操作会推进任务进度，主要玩法已经实现。代码中也包含刹车与碰撞边界处理，为驾驶提供了基础规则。
喝啤酒和抽雪茄可以在驾驶过程中操作，满足了题目对同时操作的要求。喝啤酒会触发抬手动作、减少剩余酒量并改变醉酒状态；抽雪茄则有用量消耗与吐烟反馈，两项功能都具有可辨认的操作效果。
交付为单个 HTML，采用原生 WebGL，未使用 Three.js。场景、控制和音效所需代码均包含在文件内，无需加载外部资源即可运行，满足单文件独立运行的要求。
主要不足：
驾驶舱下半部持续被大块黑色多边形遮挡，转向后也未消失，影响对道路和障碍物的判断。至少在视野稳定性和场景可读性上，未达到原题期待的 3A 呈现。
综合评价：
最主要的问题在于，喝啤酒、抽雪茄等附加玩法做得比较细致，核心的主驾驶视野却没有保持清晰。对第一人称驾驶游戏而言，视野直接决定转向和避障是否可判断，因此这个问题足以让整份交付可玩性变弱。
三、个人主页：记住新信息，也保留没变的内容
**任务概述：**测试模型在多轮对话中的信息保持与更新能力。通过 8 轮连续对话提供并更新个人信息，穿插技术问答和旅行规划，最终要求生成沐辰的个人主页，检查模型能否采用最新信息、保留未变内容，并在相关任务中调用对话中出现的个人偏好。
**生成耗时：**174.89 秒｜Token 用量：31,130
关键要求：
-
信息：采用最新职位、住址和孩子就学信息，保留未变更的家庭资料。
-
内容：包含姓名与工作、家庭介绍、住址、过敏提醒及爱好。
-
样式：以偏好的深蓝色为主。
-
交付：单文件 HTML，直接依据对话生成，不再追问信息。
-
页脚：使用"© 2026 沐辰的个人空间"。
验收观察：
最终主页落实了最后一轮列出的 5 项要求。8 轮对话夹杂技术问答与旅行规划，职位、住址和孩子就学信息先后改动；主页最后采用了更新后的职位、住址和孩子就学信息，同时保留了未发生变化的家庭资料，能够用新信息替换旧信息，而不丢失仍然有效的内容。
芒果严重过敏、海鲜限制、跑步和摄影进入信息卡，没有混入无关技术问答。页面按要求采用深蓝配色，将工作、家庭和生活提醒分区呈现，主色与页脚均符合指定要求，模型也直接交付了单文件 HTML。
这些信息还参与了后续的东京旅行规划：模型结合家庭情况和孩子年级安排行程，为跑步、摄影留出时间，并提醒避开芒果、减少海鲜。对话中的信息由此转化为具体的行程安排和饮食约束。这说明相关信息不只被存进页面，也能在新的相关任务中被调用。
主要不足：
页面以常规信息卡片为主，视觉层次较基础；在内容与配色之外，个性化设计表达有限。
综合评价：
这项测试更接近对多轮上下文信息管理的考察：模型需要在连续对话中区分新旧信息，使用最新版本，并保留未被更新的内容。本轮较好地处理了新旧信息的优先关系。若要进一步验证官方所说的 Active Memory，还需要把信息提供、信息更新和后续调用拆到不同会话中，观察模型是否仍能稳定保留并正确调用。
四、品牌网站：五轮加需求，旧功能留住了吗
**任务概述：**观察模型在多轮需求变更中的承接能力与已有功能保留情况。通过 5 轮连续指令搭建星环 AI 手环网站，逐步完善产品发布页的配色与滚动动效，新增 Instagram 风格的社交展示页，设置从产品发布页跳转至社交展示页的入口，最后调整两个页面的手机布局。重点检查模型能否承接新增要求，同时保留此前已完成的功能。
**生成耗时：**363.23 秒｜Token 用量：121,483
关键要求：
-
产品发布页：含毛玻璃导航、标题与 slogan、双按钮、CSS 手环及 ¥1299 价格；支持黑橙紫三色平滑切换，以及健康、运动、睡眠三个章节滚动动画。
-
社交展示页：顶部使用紫粉橙渐变色，展示用 CSS 绘制的手机样机，手机内至少三屏可切换的产品内容；下方设置模仿社交平台动态入口的圆形头像（Stories）。
-
页面衔接：产品发布页含可用入口，可跳转至社交展示页。
-
连续修改：连续五轮增加要求，修正手机布局并保留已有内容。
品牌网站：五轮加需求，旧功能留住了吗
验收观察：
新增健康、运动、睡眠章节后，产品发布页原有的导航、按钮和价格仍被保留。三个章节里的手环沿用同一套配色控制，切换颜色时会一起变化。新增的文字渐显、手环随滚动放大效果，也保留了原有的漂浮动画。社交展示页的轮播和圆形头像入口则已确认能够操作。
社交展示页采用紫粉橙渐变首屏与白底内容区，纯 CSS 绘制的手机样机内部呈现手环社媒帖子。左右箭头能在经典黑、活力橙、星云紫三屏间切换，帖子内容、配色与页码同时更新，满足了可切换轮播的要求。
点击健康、运动和睡眠 Stories，页面会滚回手机区域并切换对应内容，已看过的圆环变为灰色，其他头像显示"即将上线"。这些操作既能定位到对应内容，也保留了是否已读状态。
社交展示页在手机端同样能完整显示手机样机，未再出现超出屏幕的问题，样机宽度的修复要求已落实。
主要不足：
模型通过完整页面与增量修改说明交付两页网站，需要按指定文件名保存，并应用后续补丁。当前交付未完整组装两页，因此页面跳转和第五轮响应式修复的最终效果仍需补验。
综合评价：
这表明，在本次连续对话中，模型能够承接新增需求，并保留多项已有功能；本轮尚不足以验证遇阻恢复和长流程自主执行能力。
五、地铁指挥中心：模块齐全，状态提示出了差错
**任务概述：**制作无需联网即可打开的中文地铁运行看板，模拟五条线路并支持数据刷新。页面还要能手动模拟断网、超时等异常，给出中文提示，并在获取不到新数据时展示上次正常保存的数据。
**生成耗时：**293.38 秒｜Token 用量：40,726
关键要求：
-
模块：四项总览指标、五线路与站点详情、两张图表、线路列表和告警。
-
刷新：默认每 10 秒自动刷新，支持手动刷新。
-
异常：加载、超时、服务异常、空数据、字段缺失、断网、恢复正常均有中文反馈，并支持缓存降级。
-
数据：线路、站点资料，各类状态对应的中文说明，以及模拟数据的生成规则，统一放在代码开头，便于查找和修改。
-
交付：离线单 HTML，无第三方库或外链，禁用 eval/new Function；支持手机、键盘及图表 aria-label，状态不只靠颜色。
地铁指挥中心：模块齐全，状态提示出了差错
验收观察：
五类展示模块均已实现，站点查询和手动刷新能够操作，还额外提供了暂停与继续自动刷新的功能。点击站点后，名称、途经线路、拥挤度和等待时间一并更新；手动刷新先出现加载提示，再更新总览数据。
线路状态同时使用颜色、文字和符号，拥挤度柱形也标出百分比与等级，实现了不能只靠颜色表达的要求。
地图和图表均由代码绘制，页面没有外链或第三方库，满足离线单文件交付条件。代码也加入了键盘操作和图表辅助朗读所需的设置。
异常处理已通过基础操作验证。超时、服务异常或断网时，页面会给出对应的中文提示，并保留上次正常保存的数据。没有数据时，总览和图表切换为无数据展示；部分字段缺失时，仅对应项目显示"暂无数据"，其余内容仍然保留。恢复正常并刷新后，新数据能够重新保存，再次断网时也能正确读取，完成了异常提示、旧数据保留和恢复更新的基本流程。
主要不足：
正常数据下仍出现"部分数据不可用"。代码已设置隐藏条件，但标签的显示样式与隐藏属性发生冲突，导致提示未按预期隐藏。问题出在状态与界面显示的衔接，容易让用户误判数据完整性。线路状态与告警又分别随机生成，缺少一致性校验，仍可能给出相互矛盾的信息。
综合评价：
模型已能组织包含多类信息的交互看板，但对状态含义的处理仍不够严谨。用户会依据提示判断当前数据是否可用，因此提示准确性也是核心功能质量的一部分。
六、科幻短篇小说《校验影子》
**任务概述：**创作一篇 2,000---2,500 字的中文硬科幻小说，围绕意识迁移中的异常记忆展开，包含多角色、视角切换、伏笔反转与伦理困境，并附 200 字以内的创作手记。
**生成耗时：**254.97 秒｜Token 用量：21,169
关键要求：
-
篇幅：正文 2,000---2,500 字，按仅统计汉字的口径核对。
-
题材：2147 年，女工程师迁移死者意识时发现非人类记忆，调查遭系统阻止。
-
叙事：至少四名具名角色，含非人类智能体；有明确视角切换、至少两处可回溯伏笔和结尾反转。
-
技术与主题：上传、迁移与记忆编码基本自洽，不以量子万能解释；呈现伦理困境并保留开放性。
-
附件：附 200 字以内创作手记。
科幻短篇小说《校验影子》
验收观察：
时间背景与角色构成两项要求均已满足：小说围绕 2147 年的一起意识存档异常展开，四名主要角色中包含一名非人类智能体，符合背景与角色构成要求。人物基于各自立场形成冲突，并推动调查与处置，多角色设置实际参与了故事发展。
叙事组织也较完整：前文的两处伏笔在身份反转中得到解释，结尾能够呼应已有线索；两次明确的视角切换，则让不同角色的立场得到展开。结尾保留了记忆归属与新意识自主权之间的争议，落实了伦理困境与开放性要求。创作手记为 89 个汉字，符合 200 字以内的要求。
主要不足：
按本次采用的纯汉字统计口径，正文为1,959字，略低于2,000字下限；若计入标点、数字等，非空白字符为2,302。原始题目未明确计数规则，篇幅是否达标存在口径差异。
小说解释了异常记忆的藏匿位置，但未交代沙盒中的临时实例如何获得原档案写入权限。这个连接步骤略显跳跃，削弱了反转的技术说服力。
综合评价：
身份反转把技术调查推进到了"谁有权决定一个新意识命运"的问题。反转因此影响了人物最终的选择，开放结局也来自尚未解决的权利冲突。不过从任务验收看，字数下限和关键技术解释没有完全满足，因此不能只按故事流畅度判定通过。
功能衔接较完整，成品质量仍有落差
这 6 个案例中，Muse Wonder 在交互实现与多轮衔接上表现较好。多数前端作品能够建立操作与状态反馈的对应关系；两项多轮任务在连续对话内能够处理信息更新、承接新增要求，并保留此前内容；小说也形成了围绕异常记忆展开的角色冲突与伦理选择。
具体要求的落实仍不均衡。前端题的问题涉及画面可用性、提示准确性和页面衔接，小说则在篇幅与技术解释上存在缺口。这些问题的影响程度不同，有的妨碍实际使用，有的属于明确约束未通过，需要结合任务用途判断，不能仅凭功能数量或叙事连贯性评价完成度。
生成耗时与 Token 用量并不完全对应。品牌网站两项消耗均最高；个人主页虽然有 8 轮，累计耗时却最短；小说 Token 最少，耗时仍高于割草机。多轮任务还包含反复携带历史的输入开销，因此轮数、输出体量和上下文长度都需要结合考虑。
总结
这 6 份任务的交付显示，Muse Wonder 已能把复合需求转化为具体作品，并支持持续修改。
后续更值得持续观察的是：当任务范围不断扩大、要求逐步叠加时，它能否在保留已有成果的同时，把状态一致性、页面衔接、异常提示、篇幅边界等细节约束落实得同样完整。
注：本轮未设置同题复测与对照模型，也未完整验证跨会话持久记忆。关于 Active Memory 的观察仅限于连续对话中的信息更新与调用，不直接外推为长期记忆能力、稳定成功率、相对排名或长流程自主执行能力。