Muse Wonder Full erreicht 56 im Artificial Analysis Intelligence Index und Muse Wonder erreicht 52, gegenüber 58 für Claude Opus 5.5, 56 für Claude Sonnet 5.5 und je 53 für GPT-6 Astra, Gemini 4 Argon und Claude Fable 5.1. Metas eigene Model Card erzählt eine stärkere Geschichte: Führung bei langlaufender Programmierung, Juristikaufgaben, Geschäft automatisierung und Gedächtnis. Beides stimmt, weil sie unterschiedliche Dinge messen, und die Lücke zwischen beiden ist die nützlichste Tatsache in diesem Beitrag.
Hier sind alle veröffentlichten Zahlen, von Meta und unabhängig, mit dem, was jede misst, wo Wonder führt, wo es zurückliegt und welche Zahlen niemand außerhalb von Meta reproduzieren kann. Für das Modell selbst sieh die Muse-Wonder-Erklärung.
Metas Model-Card-Tabelle
Meta verglich Muse Wonder Full, Muse Wonder, GPT-6 Astra und Claude Opus 5.5 bei maximalem Reasoning-Aufwand. Die Zeilen laut VentureBeats Bericht zur Card:
| Benchmark | Was er misst | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | Zehn-Evaluations-Composite | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | Juristische Agentenaufgaben | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | Automatisierung von Geschäftsprozessen | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | Professionelle Arbeit | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | Software Engineering | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | Langlaufende Code-Ausführungen | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | Terminal-Agentenaufgaben | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | Gesundheitsfragen | 62.3 | 60.5 | 65.3 | 65.6 |
Lies quer, und die Form ist klar. Wonder Full gewinnt, wenn eine Aufgabe lang und agentisch ist: SWE-Marathon mit 11 Punkten vor Opus 5.5, DeepSWE mit fünf und Juristik um den Faktor drei. Es verliert bei Terminalarbeit, Gesundheit und im Composite-Index. Selbst in Metas Tabelle ist Opus 5.5 aggregiert das intelligentere Modell; Wonder Full ist das beharrlichere.
Meta selbst nennt zwei Einschränkungen. Konkurrenzläufe erfolgten nach Best Effort, mit Einstellungen, die für diese Modelle möglicherweise nicht optimal waren. Und einige Code-Vergleiche nutzten anderes Tooling, sodass diese Zeilen weniger kontrolliert sind als der Rest.
Metas interne Benchmarks: Memory und Fokus
Drei Zahlen in Metas Launch-Material stammen aus Tests, die nur Meta ausführen kann.
| Benchmark | 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 |
MemoryBench versteckt Fakten in Gesprächen von 64K bis 100K Tokens, fügt Distraktoren hinzu und ändert einige Fakten auf halbem Weg; das Modell muss die aktuelle Version abrufen. Das ist der Beleg für die Active-Memory-Funktion. FocusBench misst, ob ein Modell ein Ziel trotz Blockern weiterverfolgt, die Active-Focus-Funktion. Beachte, dass das kleinere Wonder bei FocusBench unter Astra und Opus liegt; nur Full führt. Eine dritte interne Zahl, der Personal Superintelligence Index, hat keinen veröffentlichten Konkurrenzvergleich.
Dies sind plausible Tests realer Verhaltensweisen und zugleich genau die Verhaltensweisen, für die Meta trainiert hat. Bis jemand außerhalb von Meta sie ausführen kann, behandle sie als Beschreibung des Trainingsziels.
Die unabhängigen Scores: Artificial Analysis
Artificial Analysis ließ beide Modelle bei maximalem Aufwand durch seinen Intelligence Index v4.3 laufen. Das Composite und die Teile:
| Evaluation | Wonder Full | Wonder | Muse Spark 1.3 | Beachtenswerter Vergleich |
|---|---|---|---|---|
| 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 | n/a | 1681 | Opus 5.5 1866, Sonnet 5.5 1838 |
| AA-Briefcase (Elo) | 1729, #3 | n/a | 1581 | |
| CritPt | 33%, #1 | n/a | n/a | Nächste Rivalen 31 bis 32% |
| GDP.pdf | 33%, #1 | n/a | n/a | Nächste Rivalen 31 bis 32% |
| SciCode | 63%, #3 | n/a | n/a | |
| AA-Omniscience (Wissen) | 30 | 25 | 25 | Opus 5.5 46, Astra 43, Argon 42, Sonnet 5.5 32 |
| Halluzinationsrate | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Claude Code mit Sonnet 5.5 68, Opus 5.5 66 |
Drei Dinge stechen heraus.
Der Sprung von Spark ist real.Acht Punkte im Composite in sechs Wochen und Terminal-Bench hat sich fast verdoppelt. Artificial Analysis nannte es einen materiellen Intelligenzsprung gegenüber früheren Meta-Modellen.
Wissen ist die Schwachstelle.Ein Omniscience-Score von 30 gegenüber 46 für Opus 5.5 heißt, dass Wonder weniger Fakten kennt, obwohl seine niedrige Halluzinationsrate es unwahrscheinlicher macht, sie zu erfinden. Für retrieval-lastige Produkte spricht das für Grounding mit Suche oder eigenen Dokumenten statt für Gedächtnis.
Mehrere Führungsränder sind schmal.CritPt und GDP.pdf liegen ein bis zwei Punkte vor dem Feld, und die GDPval-Führung über Sonnet 5.5 liegt innerhalb der Konfidenzintervalle. Das Coding-Agents-Index-Gleichstand mit Claude Code auf Sonnet 5.5 ist die relevanteste Zahl für alle, die eine Agent-Runtime wählen, und sie gehört zu Full, nicht zum API-Modell.
Die Zeile, in der Meta und Artificial Analysis abweichen
Metas Model Card listet Wonder Full mit 59.0 in einer Zeile des Artificial Analysis Intelligence Index. Artificial Analysis veröffentlicht 56. Die Differenz stammt vermutlich aus Indexversionen, Laufdaten oder Metas eigenem Evaluations-Harness, und keine Seite hat sie öffentlich erklärt. Wenn du 59 zitiert siehst, ist es Metas Zahl; bei 56 ist es die unabhängige. Dieselbe Lücke zeigt sich bei AutomationBench: Metas Tabelle hat 45.4 und 39.1, Artificial Analysis meldet 71% und 68% bei offenbar einer anderen Testversion. Zitiere die Quelle mit der Zahl.
Tokens und Kosten hinter den Scores
Scores bei maximalem Aufwand bringen eine Tokenrechnung. Artificial Analysis maß rund 54.000 Output-Tokens pro Aufgabe für beide Wonder-Modelle, gegenüber 62.000 für Argon, 78.000 für Fable 5.1 und 27.000 für GPT-6 Astra. Beim Input nutzte Wonder 7,69 Millionen Tokens über den Index und Full 6,44 Millionen, zwei- bis siebenmal mehr als die OpenAI- und Google-Modelle. Deshalb landete Wonders Kosten pro Aufgabe bei 4,52 US-Dollar, unter Opus 5.5 mit 5,98 US-Dollar, aber über Astra mit 3,26 US-Dollar, obwohl Astras Listenpreis 2,5-mal höher ist. Der Preisbeitrag rechnet durch, was das für eine reale Workload bedeutet.
Was du selbst testen solltest
Benchmarks zeigen, wo du hinschauen solltest, nicht, was du ausliefern solltest. Für die agentischen Stärken, die Meta behauptet, ist der richtige Test deine eigene lange Aufgabe: ein 30-Schritte-Refactor, eine Multi-Dokument-Review oder eine Tool-Schleife mit absichtlich eingebauten Fehlern. Richte in Apidog dieselben Prompts und Tool-Definitionen für Muse Wonder, Opus 5.5 und dein aktuelles System ein, prüfe den strukturierten Output und vergleiche jeweils usage. Der Tool-Call-Test-Harness und der Leitfaden für nichtdeterministische Agententests behandeln das Setup. Lade Apidog herunter, um alle drei nebeneinander auszuführen.
Denke daran, dass die API Wonder liefert, nicht Full. Jede Benchmark-Schlagzeile über Metas Frontier-Modell beschreibt wahrscheinlich das Modell, das du nicht aufrufen kannst.
Häufig gestellte Fragen
Ist Muse Wonder das beste verfügbare Modell?Nicht im unabhängigen Composite. Opus 5.5 erreicht 58 gegenüber 56 für Full und 52 für Wonder. Wonder Full führt bei spezifischen agentischen Benchmarks: SWE-Marathon, DeepSWE, Harvey LAB und FocusBench.
Welchen Benchmarks kann ich vertrauen?Artificial-Analysis-Läufe sind reproduzierbar und unabhängig. Metas modellübergreifende Tabelle wird von Meta mit Best-Effort-Einstellungen für Konkurrenten ausgeführt. MemoryBench, FocusBench und der Personal Superintelligence Index sind Meta-exklusiv.
Wie schneidet es gegen Gemini 4 Argon ab?Argon erreicht 53 im Index gegenüber 52 für Wonder bei halbem Preis, liegt mit Full bei Terminal-Bench gleichauf mit 57% und halluziniert weniger (15% vs. 27%). Unser Argon-Benchmarks-Beitrag hat die vollständige Tabelle.
Verändert maximaler Aufwand das Modell?Nein. Der Aufwand verändert, wie lange Wonder reasoningiert; er verwandelt muse-wonder-1.0 nie in Muse Wonder Full.
Nächster Schritt
Wähle den Benchmark, der deiner Workload am nächsten liegt: SWE-Marathon für lange Code-Läufe oder Omniscience für faktisches Abrufen. Lass ihn entscheiden, ob Wonder einen Test erhält. Die Composite-Zahl wird es nicht.