Muse Wonder Full mendapatkan skor 56 pada Artificial Analysis Intelligence Index dan Muse Wonder mendapatkan 52, dibandingkan 58 untuk Claude Opus 5.5, 56 untuk Claude Sonnet 5.5, dan 53 masing-masing untuk GPT-6 Astra, Gemini 4 Argon, dan Claude Fable 5.1. Model card Meta sendiri menceritakan kisah yang lebih kuat: memimpin dalam coding jangka panjang, pekerjaan hukum, otomasi bisnis, dan memori. Keduanya benar karena mengukur hal yang berbeda, dan kesenjangan di antaranya adalah fakta paling berguna dalam pos ini.
Berikut setiap angka yang dipublikasikan, dari Meta dan independen, beserta apa yang diuji masing-masing, di mana Wonder unggul, di mana tertinggal, dan angka mana yang tidak dapat direproduksi siapa pun di luar Meta. Untuk modelnya sendiri, lihat penjelasan Muse Wonder.
Tabel model card Meta
Meta membandingkan Muse Wonder Full, Muse Wonder, GPT-6 Astra, dan Claude Opus 5.5 pada upaya penalaran maksimum. Baris-barisnya, melalui laporan VentureBeat tentang card tersebut:
| Benchmark | Apa yang diukur | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | Komposit sepuluh evaluasi | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | Tugas agen hukum | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | Otomasi proses bisnis | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | Pekerjaan profesional | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | Rekayasa perangkat lunak | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | Eksekusi coding berdurasi panjang | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0>60.5 | 65.3 | 65.6 |
Bacanya secara horizontal dan polanya jelas. Wonder Full menang saat tugas panjang dan agentik: SWE-Marathon unggul 11 poin atas Opus 5.5, DeepSWE unggul lima poin, dan hukum unggul tiga kali lipat. Ia kalah pada pekerjaan terminal, kesehatan, dan indeks komposit. Bahkan pada tabel Meta sendiri, Opus 5.5 tetap model yang lebih cerdas secara keseluruhan; Wonder Full lebih gigih.
Meta sendiri menyatakan dua peringatan. Eksekusi kompetitor dilakukan best-effort, dengan setelan yang mungkin tidak optimal untuk model tersebut. Sebagian perbandingan coding juga memakai tooling berbeda, sehingga baris itu kurang terkontrol dibanding lainnya.
Benchmark internal Meta: memori dan fokus
Tiga angka dalam materi peluncuran Meta berasal dari pengujian yang hanya dapat dijalankan Meta.
| 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 menyembunyikan fakta dalam percakapan 64K hingga 100K token, menambah distraktor, dan mengubah sebagian fakta di tengah jalan; model harus mengingat versi terkini. Ini menjadi bukti fitur Active Memory. FocusBench mengukur apakah model terus mengejar tujuan melalui hambatan, sesuai fitur Active Focus. Perhatikan bahwa Wonder yang lebih kecil skor di bawah Astra dan Opus pada FocusBench; hanya Full yang memimpin. Angka internal ketiga, Personal Superintelligence Index, tidak memiliki perbandingan kompetitor yang dipublikasikan.
Ini adalah pengujian masuk akal untuk perilaku nyata, sekaligus perilau persis yang dilatihkan Meta. Sampai pihak luar Meta dapat menjalankannya, perlakukan ini sebagai deskripsi target pelatihan.
Skor independen: Artificial Analysis
Artificial Analysis menjalankan kedua model melalui Intelligence Index v4.3 pada upaya maksimum. Komposit dan komponennya:
| Evaluasi | Wonder Full | Wonder | Muse Spark 1.3 | Perbandingan penting |
|---|---|---|---|---|
| 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 | Pesaing terdekat 31 hingga 32% |
| GDP.pdf | 33%, #1 | n/a | n/a | Pesaing terdekat 31 hingga 32% |
| SciCode | 63%, #3 | n/a | n/a | |
| AA-Omniscience (pengetahuan) | 30 | 25 | 25 | Opus 5.5 46, Astra 43, Argon 42, Sonnet 5.5 32 |
| Tingkat halusinasi | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Claude Code dengan Sonnet 5.5 68, Opus 5.5 66 |
Tiga hal menonjol.
Lompatan dari Spark nyata.Delapan poin pada komposit dalam enam minggu, dan Terminal-Bench hampir dua kali lipat. Artificial Analysis menyebutnya lompatan material dalam kecerdasan dibanding model Meta sebelumnya.
Pengetahuan adalah titik lemah.Skor Omniscience 30 berbanding 46 untuk Opus 5.5 berarti Wonder tahu lebih sedikit fakta, meski tingkat halusinasinya rendah sehingga lebih kecil kemungkinan mengarangnya. Untuk produk yang sangat bergantung pada retrieval, ini mendukung grounding dengan pencarian atau dokumen sendiri alih-alih mengandalkan ingatan.
Beberapa keunggulan sangat tipis.CritPt dan GDP.pdf hanya unggul satu hingga dua poin, dan keunggulan GDPval atas Sonnet 5.5 berada dalam interval kepercayaan. Hasil seri Coding Agents Index dengan Claude Code memakai Sonnet 5.5 adalah angka paling relevan bagi siapa pun memilih runtime agen, dan itu milik Full, bukan model API.
Baris tempat Meta dan Artificial Analysis berbeda
Model card Meta mencatat Wonder Full di 59.0 pada baris Artificial Analysis Intelligence Index. Artificial Analysis mempublikasikan 56. Perbedaannya kemungkinan berasal dari versi indeks, tanggal eksekusi, atau harness evaluasi Meta sendiri, dan tidak ada pihak yang menjelaskannya secara publik. Jika Anda melihat 59 dikutip, itu angka Meta; jika 56, itu angka independen. Kesenjangan sama muncul pada AutomationBench: tabel Meta memiliki 45.4 dan 39.1, sedangkan Artificial Analysis melaporkan 71% dan 68% pada versi tes yang tampaknya berbeda. Kutip sumbernya bersama angkanya.
Token dan biaya di balik skor
Skor pada upaya maksimum datang dengan tagihan token. Artificial Analysis mengukur sekitar 54.000 token output per tugas untuk kedua model Wonder, dibandingkan 62.000 untuk Argon, 78.000 untuk Fable 5.1, dan 27.000 untuk GPT-6 Astra. Pada input, Wonder memakai 7,69 juta token di seluruh indeks dan Full 6,44 juta, dua hingga tujuh kali lebih banyak daripada model OpenAI dan Google. Karena itu, biaya per tugas Wonder menjadi USD 4,52, di bawah Opus 5.5 pada USD 5,98 tetapi di atas Astra pada USD 3,26 meski harga daftar Astra 2,5 kali lebih tinggi. Pos tentang harga menguraikan artinya untuk beban kerja nyata.
Apa yang perlu Anda uji sendiri
Benchmark memberi tahu ke mana melihat, bukan apa yang harus dirilis. Untuk kekuatan agentik yang diklaim Meta, ujian yang tepat adalah tugas panjang Anda sendiri: refactor 30 langkah, tinjauan multi-dokumen, atau loop alat dengan kegagalan yang sengaja dimasukkan. Di Apidog, atur prompt dan definisi alat yang sama untuk Muse Wonder, Opus 5.5, dan apa pun yang Anda jalankan hari ini, validasi output terstruktur, lalu bandingkan usage pada masing-masing. Harness pengujian tool-call dan panduan pengujian agen non-deterministik membahas setelannya. Unduh Apidog untuk menjalankan ketiganya berdampingan.
Ingat bahwa API menyediakan Wonder, bukan Full. Judul benchmark apa pun tentang model frontier Meta kemungkinan menggambarkan model yang tidak bisa Anda panggil.
Pertanyaan umum
Apakah Muse Wonder model terbaik yang tersedia?Bukan pada komposit independen. Opus 5.5 mendapatkan 58 dibanding 56 untuk Full dan 52 untuk Wonder. Wonder Full memimpin benchmark agentik tertentu: SWE-Marathon, DeepSWE, Harvey LAB, dan FocusBench.
Benchmark mana yang bisa dipercaya?Eksekusi Artificial Analysis dapat direproduksi dan pihak ketiga. Tabel lintas model Meta dijalankan Meta dengan setelan kompetitor best-effort. MemoryBench, FocusBench, dan Personal Superintelligence Index khusus Meta.
Bagaimana dibandingkan dengan Gemini 4 Argon?Argon mendapat 53 pada indeks dibanding 52 untuk Wonder dengan setengah harga, seri dengan Full pada Terminal-Bench di 57%, dan berhalusinasi lebih sedikit (15% vs 27%). Pos benchmark Argon kami memiliki tabel lengkapnya.
Apakah upaya maksimum mengubah model?Tidak. Upaya mengubah durasi penalaran Wonder; upaya tidak pernah mengubah muse-wonder-1.0 menjadi Muse Wonder Full.
Langkah berikutnya
Pilih satu benchmark paling dekat dengan beban kerja Anda, SWE-Marathon untuk eksekusi coding panjang atau Omniscience untuk pengingatan fakta, dan biarkan itu menentukan apakah Wonder layak dicoba. Angka komposit tidak akan menentukannya.