Muse Wonder Full obtient 56 à l’Artificial Analysis Intelligence Index et Muse Wonder obtient 52, contre 58 pour Claude Opus 5.5, 56 pour Claude Sonnet 5.5 et 53 chacun pour GPT-6 Astra, Gemini 4 Argon et Claude Fable 5.1. La propre fiche modèle de Meta raconte une histoire plus forte : elle domine en programmation longue, travail juridique, automatisation des entreprises et mémoire. Les deux sont vrais parce qu’ils mesurent des choses différentes, et l’écart entre eux est le fait le plus utile de cet article.
Voici tous les chiffres publiés, ceux de Meta et indépendants, avec ce que chacun teste, où Wonder domine, où il est en retrait et quels résultats personne en dehors de Meta ne peut reproduire. Pour le modèle lui-même, voir l’explicatif Muse Wonder.
Le tableau de la fiche modèle de Meta
Meta a comparé Muse Wonder Full, Muse Wonder, GPT-6 Astra et Claude Opus 5.5 à effort de raisonnement maximal. Les lignes, via le rapport de VentureBeat sur la fiche :
| Benchmark | Ce qu’il mesure | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | Composite de dix évaluations | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | Tâches d’agent juridique | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | Automatisation des processus métier | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | Travail professionnel | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | Ingénierie logicielle | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | Exécutions de code longues | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | Tâches d’agent dans le terminal | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | Questions de santé | 62.3 | 60.5 | 65.3 | 65.6 |
Lis horizontalement et la forme est claire. Wonder Full gagne quand une tâche est longue et agentique : SWE-Marathon avec 11 points d’avance sur Opus 5.5, DeepSWE avec cinq et le juridique par un facteur trois. Il perd sur le travail terminal, la santé et l’indice composite. Même dans le tableau de Meta, Opus 5.5 reste le modèle le plus intelligent en agrégé ; Wonder Full est le plus persévérant.
Meta évoque elle-même deux réserves. Les exécutions concurrentes ont été faites au mieux, avec des réglages peut-être non optimaux pour ces modèles. Certaines comparaisons de code ont aussi utilisé des outils différents, donc ces lignes sont moins contrôlées que les autres.
Les benchmarks internes de Meta : mémoire et concentration
Trois chiffres du matériel de lancement de Meta proviennent de tests que seul Meta peut exécuter.
| 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 cache des faits dans des conversations de 64K à 100K tokens, ajoute des distracteurs et modifie certains faits en cours de route ; le modèle doit rappeler la version actuelle. C’est la preuve de la fonction Active Memory. FocusBench mesure si un modèle continue de poursuivre un objectif malgré les blocages, la fonction Active Focus. Note que le plus petit Wonder scores sous Astra et Opus sur FocusBench ; seul Full domine. Un troisième chiffre interne, le Personal Superintelligence Index, n’a aucune comparaison concurrentielle publiée.
Ce sont des tests plausibles de comportements réels, et aussi exactement les comportements pour lesquels Meta s’est entraîné. Jusqu’à ce que quelqu’un hors de Meta puisse les exécuter, traite-les comme une description de l’objectif d’entraînement.
Les scores indépendants : Artificial Analysis
Artificial Analysis a fait passer les deux modèles dans son Intelligence Index v4.3 à effort maximal. Le composite et les composantes :
| Évaluation | Wonder Full | Wonder | Muse Spark 1.3 | Comparaison notable |
|---|---|---|---|---|
| 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/d | 1681 | Opus 5.5 1866, Sonnet 5.5 1838 |
| AA-Briefcase (Elo) | 1729, #3 | n/d | 1581 | |
| CritPt | 33%, #1 | n/d | n/d | Rivaux les plus proches 31 à 32% |
| GDP.pdf | 33%, #1 | n/d | n/d | Rivaux les plus proches 31 à 32% |
| SciCode | 63%, #3 | n/d | n/d | |
| AA-Omniscience (connaissances) | 30 | 25 | 25 | Opus 5.5 46, Astra 43, Argon 42, Sonnet 5.5 32 |
| Taux d’hallucination | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Claude Code avec Sonnet 5.5 68, Opus 5.5 66 |
Trois éléments ressortent.
Le saut depuis Spark est réel.Huit points sur le composite en six semaines, et Terminal-Bench a presque doublé. Artificial Analysis l’a qualifié de progrès matériel en intelligence par rapport aux précédents modèles de Meta.
Les connaissances sont le point faible.Un score Omniscience de 30 contre 46 pour Opus 5.5 signifie que Wonder connaît moins de faits, même si son faible taux d’hallucination rend moins probable qu’il les invente. Pour les produits très dépendants de la recherche d’information, cela plaide pour un ancrage via la recherche ou vos propres documents plutôt que pour la mémoire du modèle.
Plusieurs avances sont étroites.CritPt et GDP.pdf précèdent le champ d’un à deux points, et l’avance de GDPval sur Sonnet 5.5 se situe dans les intervalles de confiance. L’égalité au Coding Agents Index avec Claude Code sur Sonnet 5.5 est le chiffre le plus pertinent pour quiconque choisit un runtime d’agents, et elle appartient à Full, pas au modèle API.
La ligne où Meta et Artificial Analysis divergent
La fiche modèle de Meta indique Wonder Full à 59.0 sur une ligne de l’Artificial Analysis Intelligence Index. Artificial Analysis publie 56. La différence vient probablement des versions d’indice, des dates d’exécution ou du propre harnais d’évaluation de Meta, et aucun des deux ne l’a expliqué publiquement. Quand tu vois 59 cité, c’est le chiffre de Meta ; quand tu vois 56, c’est l’indépendant. Le même écart apparaît sur AutomationBench : le tableau de Meta contient 45.4 et 39.1, tandis qu’Artificial Analysis rapporte 71% et 68% sur ce qui semble être une version différente du test. Cite la source avec le chiffre.
Tokens et coût derrière les scores
Les scores à effort maximal s’accompagnent d’une facture de tokens. Artificial Analysis a mesuré environ 54 000 tokens de sortie par tâche pour les deux modèles Wonder, contre 62 000 pour Argon, 78 000 pour Fable 5.1 et 27 000 pour GPT-6 Astra. En entrée, Wonder a utilisé 7,69 millions de tokens sur l’indice et Full 6,44 millions, soit deux à sept fois plus que les modèles d’OpenAI et de Google. C’est pourquoi le coût par tâche de Wonder s’est établi à 4,52 $, sous les 5,98 $ d’Opus 5.5 mais au-dessus des 3,26 $ d’Astra malgré un prix catalogue 2,5 fois supérieur pour Astra. L’article sur les tarifs détaille ce que cela signifie pour une charge réelle.
Ce que tester toi-même
Les benchmarks indiquent où regarder, pas ce qu’il faut livrer. Pour les forces agentiques revendiquées par Meta, le bon test est ta propre tâche longue : un refactoring en 30 étapes, une revue multidocument ou une boucle d’outils avec pannes délibérément injectées. Dans Apidog, configure les mêmes prompts et définitions d’outils pour Muse Wonder, Opus 5.5 et ta solution actuelle, vérifie la sortie structurée et compare usage à chaque fois. Le harnais de test d’appels d’outils et le guide de test des agents non déterministes couvrent la configuration. Télécharge Apidog pour exécuter les trois côte à côte.
Rappelle-toi que l’API sert Wonder, pas Full. Tout titre de benchmark sur le modèle de frontière de Meta décrit probablement celui que tu ne peux pas appeler.
Questions fréquentes
Muse Wonder est-il le meilleur modèle disponible ?Pas sur le composite indépendant. Opus 5.5 obtient 58 contre 56 pour Full et 52 pour Wonder. Wonder Full domine des benchmarks agentiques précis : SWE-Marathon, DeepSWE, Harvey LAB et FocusBench.
Quels benchmarks peuvent être crus ?Les exécutions d’Artificial Analysis sont reproductibles et tierces. Le tableau intermodèles de Meta est exécuté par Meta avec des réglages concurrents au mieux. MemoryBench, FocusBench et le Personal Superintelligence Index sont réservés à Meta.
Comment se compare-t-il à Gemini 4 Argon ?Argon obtient 53 à l’indice contre 52 pour Wonder à moitié prix, égale Full sur Terminal-Bench à 57% et hallucine moins (15% contre 27%). Notre article sur les benchmarks d’Argon contient son tableau complet.
L’effort maximal change-t-il le modèle ?Non. L’effort change la durée de raisonnement de Wonder ; il ne transforme jamais muse-wonder-1.0 en Muse Wonder Full.
Prochaine étape
Choisis le benchmark le plus proche de ta charge de travail, SWE-Marathon pour les longues exécutions de code ou Omniscience pour le rappel factuel, et laisse-le décider si Wonder mérite un essai. Le nombre composite ne le fera pas.