يحصل Muse Wonder Full على 56 في Artificial Analysis Intelligence Index ويحصل Muse Wonder على 52، مقابل 58 لـ Claude Opus 5.5 و56 لـ Claude Sonnet 5.5 و53 لكل من GPT-6 Astra وGemini 4 Argon وClaude Fable 5.1. بطاقة النموذج الخاصة بـ Meta نفسها تحكي قصة أقوى: الصدارة في البرمجة طويلة الأمد والعمل القانوني وأتمتة الأعمال والذاكرة. كلا الأمرين صحيح لأنهما يقيسان أشياء مختلفة، والفجوة بينهما هي الحقيقة الأكثر فائدة في هذا المنشور.
هنا كل رقم منشور، من Meta ومن الجهات المستقلة، مع ما يختبره كل رقم، وأين يتفوق Wonder، وأين يتأخر، وأي الأرقام لا يستطيع أحد خارج Meta إعادة إنتاجها. لمعرفة النموذج نفسه، راجع شرح Muse Wonder.
جدول بطاقة نموذج Meta
قارنت Meta بين Muse Wonder Full وMuse Wonder وGPT-6 Astra وClaude Opus 5.5 عند أقصى جهد استدلالي. الصفوف، وفقًا لـ تقرير VentureBeat عن البطاقة:
| الاختبار المرجعي | ما يقيسه | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | مؤشر مركب من عشرة تقييمات | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | مهام وكيل قانوني | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | أتمتة عمليات الأعمال | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | العمل المهني | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | هندسة البرمجيات | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | جلسات برمجة طويلة الأمد | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | مهام وكيل في الطرفية | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | أسئلة صحية | 62.3 | 60.5 | 65.3 | 65.6 |
اقرأ الجدول أفقيًا وستتضح الصورة. يفوز Wonder Full حيث تكون المهمة طويلة ووكيلة: SWE-Marathon بفارق 11 نقطة على Opus 5.5، وDeepSWE بفارق خمس نقاط، والاختبار القانوني بمعامل ثلاثة. يخسر في عمل الطرفية والصحة والمؤشر المركب. حتى في جدول Meta نفسه، يظل Opus 5.5 النموذج الأكثر ذكاءً في المجمل؛ أما Wonder Full فهو الأكثر استمرارية.
تشير Meta نفسها إلى تحفظين. كانت تشغيلات المنافسين بأفضل جهد ممكن، وبإعدادات ربما لم تكن مثالية لتلك النماذج. كما استخدمت بعض مقارنات البرمجة أدوات مختلفة، لذا فإن تلك الصفوف أقل تحكمًا من غيرها.
اختبارات Meta الداخلية: الذاكرة والتركيز
ثلاثة أرقام في مواد إطلاق Meta تأتي من اختبارات لا تستطيع Meta وحدها تشغيلها.
| الاختبار المرجعي | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 | Claude Fable 5.1 |
|---|---|---|---|---|---|
| MemoryBench | 85.5 | 85.6 | 81.4 | 81.5 | 79.0 |
| FocusBench | 54.2 | 44.9 | 47.7 | 45.8 | 36.6 |
يخفي MemoryBench حقائق داخل محادثات تتراوح بين 64K و100K رمز، ويضيف عوامل تشتيت، ويغير بعض الحقائق في المنتصف؛ يجب على النموذج تذكر النسخة الحالية. هذا هو الدليل على ميزة Active Memory. يقيس FocusBench ما إذا كان النموذج يستمر في السعي نحو هدف رغم العوائق، وهي ميزة Active Focus. لاحظ أن Wonder الأصغر يحصل على نتيجة أدنى من Astra وOpus في FocusBench؛ Only Full هو المتصدر. الرقم الداخلي الثالث، Personal Superintelligence Index، لا يحتوي على مقارنة منشورة مع المنافسين.
هذه اختبارات معقولة لسلوكيات حقيقية، وهي أيضًا بالضبط السلوكيات التي دربت Meta النموذج عليها. إلى أن يتمكن طرف خارج Meta من تشغيلها، تعامل معها كوصف لهدف التدريب.
النتائج المستقلة: Artificial Analysis
أخضعت Artificial Analysis كلا النموذجين لـ Intelligence Index v4.3 عند أقصى جهد. المؤشر المركب ومكوناته:
| التقييم | Wonder Full | Wonder | Muse Spark 1.3 | مقارنة بارزة |
|---|---|---|---|---|
| Intelligence Index | 56 | 52 | 48 | Opus 5.5 58، Sonnet 5.5 56، Astra / Argon / Fable 5.1 53، Grok 4.6 44 |
| Terminal-Bench 4.0 | 57% | 52% | 33% | Gemini 4 Argon 57% |
| GDPval-AA (Elo) | 1857، #2 | غير متاح | 1681 | Opus 5.5 1866، Sonnet 5.5 1838 |
| AA-Briefcase (Elo) | 1729، #3 | غير متاح | 1581 | |
| CritPt | 33%، #1 | غير متاح | غير متاح | أقرب المنافسين 31 إلى 32% |
| GDP.pdf | 33%، #1 | غير متاح | غير متاح | أقرب المنافسين 31 إلى 32% |
| SciCode | 63%، #3 | غير متاح | غير متاح | |
| AA-Omniscience (المعرفة) | 30 | 25 | 25 | Opus 5.5 46، Astra 43، Argon 42، Sonnet 5.5 32 |
| معدل الهلوسة | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Claudeجموعة بنقطة إلى نقطتين فقط، وتفوق GDPval على Sonnet 5.5 يقع داخل فترات الثقة. التعادل في Coding Agents Index مع Claude Code باستخدام Sonnet 5.5 هو الرقم الأكثر صلة لمن يختار بيئة تشغيل وكلاء، وهو ينتمي إلى Full وليس إلى نموذج API.الصف الذي يختلف فيه Meta وArtificial Analysisتذكر بطاقة نموذج Meta أن Wonder Full حصل على 59.0شر أو تواريخ التشغيل أو نظام تقييم Meta نفسه، ولم يشرح أي من الطرفين ذلك علنًا. عندما ترى 59 مستشهدًا به، فهو رقم Meta؛ وعندما ترى 56، فهو الرقم المستقل. تظهر نفس الفجوة في AutomationBench: جدول Meta يحتوي عند أقصى جهد تأتي مع فاتورة رموز. قاست Artificial Analysis نحو 54,000 رمز إخراج لكل مهمة لكلا نموذجي Wonder، مقابل 62,000 لـ Argon و78,000 لـ Fable 5.1 و27,000 لـ GPT-6 Astra. في الإدخال، استخدم Wonder 7.69 مليون رمز عبر المؤشر وFull 6.44 مليون، أي من ضعفين إلى سبعة أضعاف نماذج OpenAI وGoogle. لهذا بلغت تكلفة Wonder لكل مهمة 4.52 دولارًا، أقل من Opus 5.5 عند 5.98 دولارًا لكن أعلى من Astra عند 3.26 دولارًا رغم أن سعر Astra المعلن أعلى بـ2.5 مرة. يحلل منشور التسعير ما يعني ذلك في عبء عمل حقيقي. ما يجب اختباره بنفسكتخبرك الاختبارات المرجعية بمكان النظر، لا بما يجب إطلاقه. بالنسبة لنقاط القوة الوكيلة التي تدعيها Meta، فإن الاختبار الصحيح هو مهمتك الطويلة الخاصة: إعادة هيكلة من 30 خطوة، أو مراجعة متعددة المستندات، أو حلقة أدوات بها أعطال متعمدة. في Apidog، اضبط نفس الأوامر التوضيحية وتعريفات الأدوات مقابل Muse Wonder وOpus 5.5 وما تستخدمه اليوم، وتحقق من المخرجات المهيكلة، وقارن تذكر أن واجهة API تقدم Wonder وليس Full. أي عنوان اختبار مرجعي تقرأه عن نموذج Meta الحدودي يصف على الأرجح النموذج الذي لا يمكنك استدعاؤه. الأسئلة الشائعةهل Muse Wonder هو أفضل نموذج متاح؟ليس في المؤشر المركب المستقل. يحصل Opus 5.5 على 58 مقابل 56 لـ Full و52 لـ Wonder. يتفوق Wonder Full في اختبارات مرجعية وكيلة محددة: SWE-Marathon وDeepSWE وHarvey LAB وFocusBench. ما الاختبارات المرجعية التي يمكن الوثوق بها؟تشغيلات Artificial Analysis قابلة لإعادة الإنتاج ومن طرف ثالث. جدول Meta عبر النماذج تشغله Meta بإعدادات أفضل جهد للمنافسين. MemoryBench وFocusBench وPersonal Superintelligence Index خاصة بـ Meta فقط. كيف يقارن بـ Gemini 4 Argon؟يحصل Argon على 53 في المؤشر مقابل 52 لـ Wonder وبنصف السعر، ويتعادل مع Full في Terminal-Bench عند 57%، ويهلوس أقل (15% مقابل 27%). يحتوي منشور اختبارات Argon على جدوله الكامل. هل يغير أقصى جهد النموذج؟لا. يغير الجهد مدة استدلال Wonder؛ ولا يحول الخطوة التاليةاختر الاختبار المرجعي الأقرب إلى عبء عملك، SWE-Marathon لجلسات البرمجة الطويلة أو Omniscience لاستدعاء الحقائق، ودعه يحدد ما إذا كان Wonder يستحق تجربة. لن يفعل الرقم المركب ذلك. |