Muse Wonder Full obtiene 56 en el Artificial Analysis Intelligence Index y Muse Wonder obtiene 52, frente a 58 para Claude Opus 5.5, 56 para Claude Sonnet 5.5 y 53 para GPT-6 Astra, Gemini 4 Argon y Claude Fable 5.1. La propia ficha de modelo de Meta cuenta una historia más fuerte: lidera en programación prolongada, trabajo legal, automatización empresarial y memoria. Ambas cosas son ciertas porque miden aspectos distintos, y la diferencia entre ellas es el dato más útil de este artículo.
Aquí están todas las cifras publicadas, las de Meta y las independientes, con qué evalúa cada una, dónde lidera Wonder, dónde se queda atrás y qué resultados nadie fuera de Meta puede reproducir. Para el modelo en sí, consulta el artículo explicativo de Muse Wonder.
La tabla de la ficha de modelo de Meta
Meta comparó Muse Wonder Full, Muse Wonder, GPT-6 Astra y Claude Opus 5.5 con el máximo nivel de esfuerzo de razonamiento. Las filas, según el informe de VentureBeat sobre la ficha:
| Benchmark | Qué mide | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | Compuesto de diez evaluaciones | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | Tareas de agente legal | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | Automatización de procesos empresariales | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | Trabajo profesional | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | Ingeniería de software | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | Ejecuciones prolongadas de código | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | Tareas de agente en terminal | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | Preguntas de salud | 62.3 | 60.5 | 65.3 | 65.6 |
Lee la tabla horizontalmente y la forma es clara. Wonder Full gana donde la tarea es larga y agéntica: SWE-Marathon por 11 puntos sobre Opus 5.5, DeepSWE por cinco y legal por un factor de tres. Pierde en trabajo con terminal, en salud y en el índice compuesto. Incluso en la tabla de Meta, Opus 5.5 es el modelo más inteligente en conjunto; Wonder Full es el más persistente.
Meta señala dos advertencias. Las ejecuciones de la competencia se hicieron con el mejor esfuerzo posible y con configuraciones que quizá no eran óptimas para esos modelos. Además, algunas comparaciones de código usaron herramientas distintas, por lo que esas filas están menos controladas que el resto.
Los benchmarks internos de Meta: memoria y enfoque
Tres cifras del material de lanzamiento de Meta provienen de pruebas que solo Meta puede ejecutar.
| 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 oculta hechos dentro de conversaciones de 64K a 100K tokens, añade distractores y cambia algunos hechos a mitad de camino; el modelo debe recordar la versión actual. Es la evidencia de la función Active Memory. FocusBench mide si un modelo sigue persiguiendo un objetivo pese a los obstáculos, la función Active Focus. Ten en cuenta que el Wonder más pequeño puntúa por debajo de Astra y Opus en FocusBench; solo lidera Full. Una tercera cifra interna, el Personal Superintelligence Index, no tiene comparación pública con competidores.
Son pruebas plausibles de comportamientos reales y también exactamente los comportamientos para los que Meta entrenó. Hasta que alguien fuera de Meta pueda ejecutarlas, trátalas como una descripción del objetivo de entrenamiento.
Las puntuaciones independientes: Artificial Analysis
Artificial Analysis ejecutó ambos modelos en su Intelligence Index v4.3 con esfuerzo máximo. El compuesto y sus componentes:
| Evaluación | Wonder Full | Wonder | Muse Spark 1.3 | Comparación destacada |
|---|---|---|---|---|
| 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 | Rivales más cercanos 31 a 32% |
| GDP.pdf | 33%, #1 | n/a | n/a | Rivales más cercanos 31 a 32% |
| SciCode | 63%, #3 | n/a | n/a | |
| AA-Omniscience (conocimiento) | 30 | 25 | 25 | Opus 5.5 46, Astra 43, Argon 42, Sonnet 5.5 32 |
| Tasa de alucinación | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Claude Code con Sonnet 5.5 68, Opus 5.5 66 |
Tres cosas destacan.
El salto desde Spark es real.Ocho puntos en el compuesto en seis semanas, y Terminal-Bench casi se duplicó. Artificial Analysis lo llamó un salto material en inteligencia respecto a modelos anteriores de Meta.
El conocimiento es el punto débil.Un Omniscience de 30 frente a 46 para Opus 5.5 significa que Wonder conoce menos hechos, aunque su baja tasa de alucinación implica que es menos probable que los invente. Para productos muy dependientes de recuperación, esto aboga por basarse en búsqueda o en tus propios documentos en lugar de confiar en la memoria del modelo.
Varias ventajas son estrechas.CritPt y GDP.pdf superan al resto por uno o dos puntos, y la ventaja de GDPval sobre Sonnet 5.5 está dentro de los intervalos de confianza. El empate en Coding Agents Index con Claude Code usando Sonnet 5.5 es el número más relevante para quien elige un runtime de agentes, y pertenece a Full, no al modelo disponible por API.
La fila donde Meta y Artificial Analysis discrepan
La ficha de modelo de Meta sitúa Wonder Full en 59.0 en una fila del Artificial Analysis Intelligence Index. Artificial Analysis publica 56. La diferencia probablemente proviene de versiones del índice, fechas de ejecución o el propio arnés de evaluación de Meta, y ninguna parte lo ha explicado públicamente. Cuando veas 59 citado, es la cifra de Meta; cuando veas 56, es la independiente. La misma brecha aparece en AutomationBench: la tabla de Meta tiene 45.4 y 39.1, mientras Artificial Analysis reporta 71% y 68% en lo que parece ser una versión distinta de la prueba. Cita la fuente junto con el número.
Tokens y coste detrás de las puntuaciones
Las puntuaciones con esfuerzo máximo traen una factura de tokens. Artificial Analysis midió unos 54.000 tokens de salida por tarea para ambos modelos Wonder, frente a 62.000 para Argon, 78.000 para Fable 5.1 y 27.000 para GPT-6 Astra. En entrada, Wonder usó 7,69 millones de tokens en el índice y Full 6,44 millones, entre dos y siete veces más que los modelos de OpenAI y Google. Por eso el coste por tarea de Wonder quedó en 4,52 dólares, por debajo de los 5,98 de Opus 5.5 pero por encima de los 3,26 de Astra a pesar del precio de lista 2,5 veces mayor de Astra. La publicación sobre precios analiza qué significa esto en una carga real.
Qué probar por tu cuenta
Los benchmarks indican dónde mirar, no qué enviar a producción. Para las fortalezas agénticas que Meta afirma, la prueba correcta es tu propia tarea larga: una refactorización de 30 pasos, una revisión multidocumento o un bucle de herramientas con fallos deliberados. En Apidog, configura los mismos prompts y definiciones de herramientas para Muse Wonder, Opus 5.5 y lo que uses hoy, valida la salida estructurada y compara usage en cada uno. El arnés de pruebas para llamadas a herramientas y la guía de pruebas de agentes no deterministas cubren la configuración. Descarga Apidog para ejecutar los tres en paralelo.
Recuerda que la API sirve Wonder, no Full. Cualquier titular de benchmark que leas sobre el modelo frontera de Meta probablemente describa el que no puedes invocar.
Preguntas frecuentes
¿Es Muse Wonder el mejor modelo disponible?No en el compuesto independiente. Opus 5.5 obtiene 58 frente a 56 de Full y 52 de Wonder. Wonder Full lidera benchmarks agénticos específicos: SWE-Marathon, DeepSWE, Harvey LAB y FocusBench.
¿Qué benchmarks puedo creer?Las ejecuciones de Artificial Analysis son reproducibles y de terceros. La tabla cruzada de Meta la ejecuta Meta con configuraciones de mejor esfuerzo para la competencia. MemoryBench, FocusBench y el Personal Superintelligence Index son exclusivos de Meta.
¿Cómo se compara con Gemini 4 Argon?Argon obtiene 53 en el índice frente a 52 de Wonder a mitad de precio, empata con Full en Terminal-Bench con 57% y alucina menos (15% frente a 27%). Nuestra publicación de benchmarks de Argon tiene su tabla completa.
¿El esfuerzo máximo cambia el modelo?No. El esfuerzo cambia cuánto razona Wonder; nunca convierte muse-wonder-1.0 en Muse Wonder Full.
Siguiente paso
Elige el benchmark más cercano a tu carga de trabajo, SWE-Marathon para ejecuciones largas de código u Omniscience para recuperación de hechos, y deja que decida si Wonder merece una prueba. El número compuesto no lo hará.