两个新名字指向同一个老问题2026 年 10 月 12 日Meta 发布 Muse Wonder 与 Muse Wonder Full。这是 Meta Superintelligence Labs负责人 Alexandr Wang在 14 个月前重组 AI 业务后第一次把模型摆到与 OpenAI、Anthropic 同级的位置。模型在俄亥俄州中部的 Prometheus 数据中心训练方法上延续 4 月 Muse Spark 的预训练 强化学习路线内部代号「Watermelon」。规格层面1,048,576 token 上下文输入支持文本、图像、视频、音频、PDF输出只有文本API 定价每百万 token 输入 4 美元、输出 20 美元、缓存读取 0.20 美元。Muse Wonder Full 只对 Muse Code 订阅者开放50 美元/月 Power、200 美元/月 Maximum 两档不进 API。OpenRouter 的模型卡描述它「规划、委派子智能体、并行调用工具、从错误中恢复」并能操作浏览器与桌面/移动应用——全部是厂商自述。比规格更值得拆的是两个功能名Active Memory 和 Active Focus。它们不是新模态也不是新推理范式而是对长任务两个具体失败模式的定向补丁。Active Memory记忆被拆成写、存、取三段Active Memory 的定义是跨对话保留对用户重要的信息并在新任务需要时主动调出相关细节。关键在「主动」二字——不是把历史对话做摘要后常驻 prompt而是判断此刻是否相关。Meta 用内部 MemoryBench 展示效果Muse Wonder 85.6、Wonder Full 85.5对比 Claude Opus 5.5 的 81.5、GPT-6 Astra 的 81.4、Claude Fable 5.1 的 79.0。这个基准的形态值得注意要求模型从 6.4 万到 10 万 token 的多轮对话里找回关键信息同时面对无关内容干扰以及前后冲突或后来被更新的信息。换句话说它考的不是「记得住」而是「冲突时取哪一条、被推翻后能不能改口」。Meta 没有公开实现细节但从能力描述可以反推至少需要三套策略写入门控什么值得长期留、检索触发什么条件下取、取多少、冲突消解新旧矛盾时以谁为准。研究科学家 Kavya Kopparapu 的说法是团队在「跨数天、数周、数月乃至更久地记住重要信息」上投入了大量精力。与已有方案相比取舍很清楚。现在多数团队在 harness 层做记忆把要点写进文件或向量库每轮塞进上下文。区别不在存储而在写与取的决策权归谁。如果模型本身在 RL 里被奖励「在合适的时机调用记忆工具」它就从「被喂上下文」变成「主动查上下文」代价是记忆相关的失败模式也随之内化进模型排查难度上升。Active Focus长任务的头号杀手是提前收工要理解 Active Focus 为什么值得单列先看另一个基准。SWE-Marathon 是 20 个超长程软件工程任务构成的评测arXiv 2606.07682NeurIPS 2026 Datasets Evaluations Track单次 agent 尝试平均消耗 2720 万 token。论文给出的结论是当前前沿编码 agent 解决率不到 30%而失败主要来自自验证能力差、自报「这个任务不可行」、以及过早终止。也就是说长任务的死亡率大部分落在「它自己停下了」这一步上而不是「它不会做」。Active Focus 针对的正是这个卡住时换方法、从错误中恢复、信息不足时反问用户、重要动作前先确认。Meta 公布的 SWE-Marathon 成绩是 Wonder Full 57.5%xhigh 档、Wonder 53.1%max 档对比 Opus 5.5 的 46.3%、GPT-6 Astra 的 42.5%、Fable 5.1 的 45.6%。但有一句 Meta 自己写在模型卡里的限定SWE-Marathon 的数字不是受控对比——对手模型的分数由 Codex / Claude Code 产出Meta 模型跑在 xhigh 推理档提示词与工具也未必针对对手模型调优。这类跨厂商对比对模型版本、采样设置、推理预算都高度敏感读数字时要把这句话一起读进去。独立指数与开发者实测都在打折Artificial Analysis 的 Intelligence Index 上Wonder Full 56 分、Wonder 52 分落后 Opus 5.5 两分58高于 GPT-6 Astra53上一代 Muse Spark 1.3 只有 48。独立口径里它是第二不是第一。Harvey 的法律 agent 基准上 Wonder Full 拿到 13.1% 的通过率每项标准全过、且通过幻觉检查才算交付GPT-6 Astra 8.6%但 HealthBench Pro、OSWorld V2.1 计算机操作两个方向上Opus 5.5 仍然领先。发布形式本身也值得注意Meta 研究博客的主索引里没有对应条目最新一篇还是 7 月 9 日的 Muse Spark 1.1发布走的是扎克伯格的 Threads 帖。没有论文没有第三方复现所有性能主张目前都可追溯到 Meta 内部测试。开发者反馈更直接。有开发者把 Full 与 Opus 5.5 排在同一档同时提醒通过 API 拿到的标准版 Wonder 明显更弱并顺带吐槽了命名和 Full 只能订阅获取的安排。另一位测试者给出分类评价agentic 任务突出、编程有竞争力、写邮件不错但前端设计和其他写作/创意任务不理想Muse Code 的使用体验也被点名。有人做图生 HTML 的对比结论是明显不如 Opus 5.5更接近 Sonnet / Haiku 档位怀疑视觉部分还没成熟。也有人反馈 Muse Code 沙箱在 Mac 和 Linux 上都没能正常跑起来。一个反直觉的发现system prompt 也是能力的一部分最有信息量的一条反馈来自 Cline他们把 Muse Code 的系统提示词抽出来移植进自己的 harness同一个模型、同一类任务结果是 2.7 倍更少的 token、2 倍更快、2.4 倍更便宜。被移植的规则包括「以源码为准而不是以用户描述为准」「不要只改不验证」。这对做长任务的团队是个实用信号很长一段「Active Focus」可能并不在权重里而在脚手架的指令与循环里。这也解释了为什么同一个模型换 harness分数会大幅波动——能力是模型和脚手架共同产出的。怎么落地三个可迁移的设计即使不用 Meta 的模型它的拆法也可以抄。可迁移的部分有三块。第一记忆分层 写入门控。只写「决策、偏好、约束、实体、未完成事项」不写闲聊条目带来源与时间戳便于冲突时判断谁更新。第二检索触发条件要显式写成规则而不是靠语义相似度兜底。例如当新任务出现与历史条目相同的项目名、人名、文件路径时才检索检索到的条目必须标注「这是 N 天前的偏好可能已过期」。第三focus loop 要显式处理失败。一个最小可用的骨架大致是这样defrun_long_task(goal,max_steps200,token_budget5_000_000):plan,spentplan_for(goal),0forstepinrange(max_steps):ifspenttoken_budget:returnescalate(goal,state,预算耗尽)# 不要静默停下actnext_action(plan)ifis_irreversible(act):# 付款、发邮件、删数据ifnotask_user_approval(act):planreplan(plan,reason用户否决);continueresult,costexecute(act);spentcostiffailed(result):kindclassify(result)# 环境错 / 需求错 / 方法错ifkindneed_info:planreplan(plan,user_hintask_user(goal,result))elifkindmethod:planreplan(plan,avoidact)# 换一条路别重试同一条else:planreplan(plan,fix_envresult)checkpoint(goal,plan,state)# 每 N 步落盘防上下文爆掉后重来returninspect(goal,state)三个细节比循环本身重要失败要分类再决定重试还是换路「救不回来」要显式上报而不是静默停下不可逆动作要有闸门。成本意识同样关键。SWE-Marathon 单次尝试均值 2720 万 token按 4/20 美元每百万 token 计纯堆 token 跑长任务很容易失控缓存读取 0.20 美元/百万 token 是输入价的 1/20把稳定不变的系统提示词、工具定义、项目背景放在可缓存前缀里是长任务成本控制的基本功。取舍与适合谁Meta 这次最大的结构变化不是基准分而是供给方式。此前 Meta 的标签是开放权重Llama 系列以及 8 月发布、MIT 风格许可的 Muse Glimmer 30B定价 0.30/1.20 美元两周前扎克伯格还在抨击闭源对手。如今最强能力档闭源、权重不公开开放只保留在 30B 端侧档。任何以「Meta 开放权重」为选型前提的团队在前沿档这个前提已经失效。其次是能力档位错配榜单上的高分多来自 Wonder Full而 API 里只有标准版 WonderMuse Code 订阅目前也仅限北美。再者是隐私与合规成本——Meta 自测的个人信息违规率为 2.2%但面向非技术用户的个人助理产品任何非零违规率都会被放大审视作为对照Amazon 在 Muse 上线约两周后开始向用户弹出提示称未授权 AI 代理的持续访问违反其服务条款。适合谁用需要「跨天跨周持续推进」的个人助理型产品可以借鉴它的记忆分层与触发式检索设计未必非用它不可做编码 agent 的团队建议先把 SWE-Marathon 这类超长程任务挑 2–3 个在自己的仓库上做 A/B再决定是否换栈。不适合谁需要把最强版本跑在自己基础设施里的团队Full 不进 API以及把开放权重当作硬性选型条件的团队。一句话总结Active Memory 与 Active Focus 的真正含义是把「上下文管理」和「不放弃」从应用层的补丁升格为模型级目标这个方向是对的。但在没有论文、没有独立复现、最强版本只走订阅之前它更像一份设计蓝图而不是一个已经验证过的换代结论。参考链接SiliconANGLE,Meta releases Muse Wonder AI models built to run personal and professional agents, 2026-10-12 — https://siliconangle.com/2026/10/12/meta-releases-muse-wonder-ai-models-built-to-run-personal-and-professional-agents/Engadget,Meta says it’s caught up to the frontier with its latest Wonder AI models— https://www.engadget.com/2284478/meta-says-its-caught-up-to-the-frontier-with-its-latest-wonder-ai-models/Forkast / Yahoo Tech,Meta Ships Muse Wonder, Its First Frontier Model — and Leaves the Research Blog Empty— https://forkast.news/meta-ships-muse-wonder-its-first-frontier-model-and-leaves-the-research-blog-empty/AlphaSignal,Meta’s Muse Wonder Beats Claude on Long-Running Agent Tasks— https://alphasignal.ai/news/meta-s-muse-wonder-beats-claude-on-long-running-agent-tasksICARIFIED,Meta Launches Muse Wonder AI Models With Improved Memory and Coding含 MemoryBench / SWE-Marathon 数值 — https://www.iclarified.com/102756/meta-launches-muse-wonder-ai-models-with-improved-memory-and-codingSWE-Marathon 论文与仓库, arXiv:2606.07682 / abundant-ai/swe-marathon — https://arxiv.org/abs/2606.07682 https://github.com/abundant-ai/swe-marathonHacker News 讨论串,Muse Wonder— https://news.ycombinator.com/item?id50059115Dev.to,Don’t Trust Anyone’s Muse Wonder Benchmark. Race It Against Opus 5.5 on Your Repo— https://dev.to/gabrielanhaia/dont-trust-anyones-muse-wonder-benchmark-race-it-against-opus-55-on-your-repo-hcb创作说明本文在资料整理与成文中使用了 AI 辅助DeepSeek经作者审阅后发布作者对内容负责。