Muse Wonder FullはArtificial Analysis Intelligence Indexで56、Muse Wonderは52を獲得しています。一方、Claude Opus 5.5は58、Claude Sonnet 5.5は56、GPT-6 Astra・Gemini 4 Argon・Claude Fable 5.1はそれぞれ53です。Meta自身のモデルカードはさらに有力な物語を語っています。長時間のコーディング、法務業務、ビジネス自動化、メモリでリードしています。どちらも真実です。測定しているものが異なるからであり、その差こそがこの記事で最も有用な事実です。
ここでは、Metaと独立機関によって公開されたすべての数値を、各テストの内容、Wonderがリードする場面、劣る場面、そしてMeta外部の誰も再現できない数値とともに示します。モデル自体については、Muse Wonder解説記事を参照してください。
Metaのモデルカード表
MetaはMuse Wonder Full、Muse Wonder、GPT-6 Astra、Claude Opus 5.5を最大推論努力で比較しました。モデルカードを報じたVentureBeatの記事経由の各行は以下の通りです。
| ベンチマーク | 測定内容 | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | 10評価の複合スコア | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | 法務エージェントタスク | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | ビジネスプロセス自動化 | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | 専門業務 | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | ソフトウェアエンジニアリング | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | 長時間のコーディング実行 | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | ターミナルエージェントタスク | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | 健康に関する質問 | 62.3 | 60.5 | 65.3 | 65.6 |
横方向に読むと傾向は明確です。Wonder Fullは長くエージェント的なタスクで勝っています。SWE-MarathonではOpus 5.5を11点上回り、DeepSWEでは5点、法務では3倍の差です。ターミナル作業、健康、複合インデックスでは劣ります。Meta自身の表でも、総合的にはOpus 5.5の方が知能的に優れており、Wonder Fullはより持続的なモデルです。
Meta自身が述べている2つの注意点があります。競合モデルの実行は最善努力であり、それらのモデルに最適でなかった可能性がある設定で行われました。また、一部のコーディング比較では異なるツールが使われたため、それらの行は他よりも管理が弱くなっています。
Metaの内部ベンチマーク：メモリと集中
Metaの発表資料にある3つの数値は、Metaだけが実行できるテストに基づいています。
| ベンチマーク | 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は、64Kから100Kトークンの会話の中に事実を隠し、妨害要素を追加し、途中で一部の事実を変更します。モデルは現在有効なバージョンを想起しなければなりません。これがActive Memory機能の根拠です。FocusBenchは、障害があってもモデルが目標を追い続けられるかを測定し、Active Focus機能に関連します。小型のWonderはFocusBenchでAstraとOpusを下回る点に注意してください。リードしているのはFullだけです。3つ目の内部数値であるPersonal Superintelligence Indexには、公開された競合比較がありません。
これらは実際の行動を測る妥当なテストであると同時に、Metaが訓練対象としたまさにその行動でもあります。Meta外部の誰かが実行できるようになるまでは、訓練目標の説明として扱うべきです。
独立機関のスコア：Artificial Analysis
Artificial Analysisは、両モデルを最大努力でIntelligence Index v4.3に通しました。複合スコアと内訳は次の通りです。
| 評価 | Wonder Full | Wonder | Muse Spark 1.3 | 注目すべき比較 |
|---|---|---|---|---|
| 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 | 該当なし | 1681 | Opus 5.5 1866、Sonnet 5.5 1838 |
| AA-Briefcase（Elo） | 1729、#3 | 該当なし | 1581 | |
| CritPt | 33%、#1 | 該当なし | 該当なし | 最接近する競合は31から32% |
| GDP.pdf | 33%、#1 | 該当なし | 該当なし | 最接近する競合は31から32% |
| SciCode | 63%、#3 | 該当なし | 該当なし | |
| AA-Omniscience（知識） | 30 | 25 | 25 | Opus 5.5 46、Astra 43、Argon 42、Sonnet 5.5 32 |
| 幻覚率 | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Sonnet 5.5を使ったClaude Code 68、Opus 5.5 66 |
3つの点が目立ちます。
Sparkからの躍進は本物です。6週間で複合スコアが8点上がり、Terminal-Benchはほぼ倍になりました。Artificial Analysisは、以前のMetaモデルより知能が大きく向上したと評価しています。
知識が弱点です。Omniscienceスコアは30で、Opus 5.5は46です。これはWonderが知っている事実が少ないことを意味しますが、幻覚率が低いため事実を捏造する可能性も低くなります。検索-heavyな製品では、想起に頼るのではなく、検索や自社文書によるグラウンディングが望ましいことを示しています。
いくつかのリードは僅差です。CritPtとGDP.pdfは競合より1から2点上にあるだけで、Sonnet 5.5に対するGDPvalのリードは信頼区間内に収まります。エージェントランタイムを選ぶ人にとって最も重要なのは、Sonnet 5.5を使ったClaude CodeとのCoding Agents Index同点です。そしてそれはFullの結果であり、APIモデルの結果ではありません。
MetaとArtificial Analysisが食い違う行
Metaのモデルカードは、Artificial Analysis Intelligence Indexの行でWonder Fullを59.0としています。Artificial Analysisは56を公表しています。この違いは、インデックスのバージョン、実行日、またはMeta自身の評価ハーネスによる可能性が高いですが、どちらの側も公に説明していません。59が引用されていればMetaの数値、56であれば独立機関の数値です。同じずれはAutomationBenchにも現れています。Metaの表は45.4と39.1、Artificial Analysisは71%と68%を報告しており、テストの異なるバージョンと思われます。数値とともに出典を引用してください。
スコアの背後にあるトークンとコスト
最大努力でのスコアにはトークン請求が伴います。Artificial Analysisの計測では、両Wonderモデルの1タスクあたり出力トークンは約54,000でした。Argonは62,000、Fable 5.1は78,000、GPT-6 Astraは27,000です。入力では、Wonderがインデックス全体で769万トークン、Fullが644万トークンを使い、OpenAIとGoogleモデルの2倍から7倍でした。そのため、Wonderの1タスクあたりコストは4.52ドルになりました。Opus 5.5の5.98ドルより低く、Astraの2.5倍という定価にもかかわらずAstraの3.26ドルより高くなっています。実際のワークロードでの意味は、価格解説記事で詳しく説明しています。
自分でテストすべきこと
ベンチマークはどこを見るかを示すものであり、何をリリースするかを決めるものではありません。Metaが主張するエージェント的な強みについては、自分の長時間タスクが適切なテストです。30ステップのリファクタリング、複数文書のレビュー、意図的に障害を混入したツールループなどが該当します。Apidogでは、Muse Wonder、Opus 5.5、現在使っているモデルに同じプロンプトとツール定義を設定し、構造化出力を検証して、それぞれのusageを比較してください。セットアップはツール呼び出しテストハーネスと非決定的エージェントテストガイドで解説しています。Apidogをダウンロードして3つを並べて実行してください。
APIが提供するのはFullではなくWonderであることを忘れないでください。Metaのフロンティアモデルに関するベンチマークの見出しは、おそらく呼び出せないモデルについて述べています。
よくある質問
Muse Wonderは現在利用できる最良のモデルですか？独立系の複合スコアではそうではありません。Opus 5.5は58、Fullは56、Wonderは52です。Wonder Fullは特定のエージェント系ベンチマークでリードしています。SWE-Marathon、DeepSWE、Harvey LAB、FocusBenchです。
どのベンチマークを信頼できますか？Artificial Analysisの実行は再現可能なサードパーティ評価です。Metaのクロスモデル表は、競合設定を最善努力で行ったMeta実行です。MemoryBench、FocusBench、Personal Superintelligence IndexはMeta専用です。
Gemini 4 Argonと比べるとどうですか？Argonはインデックスで53を獲得し、半分の価格でWonderの52を上回っています。Terminal-BenchではFullと57%で同点、幻覚率も低いです（15%対27%）。詳しい表はArgonベンチマーク記事にあります。
最大努力にするとモデルは変わりますか？変わりません。努力設定はWonderが推論する長さを変えるだけで、muse-wonder-1.0がMuse Wonder Fullになることはありません。
次のステップ
自分のワークロードに最も近いベンチマークを1つ選んでください。長時間のコーディングならSWE-Marathon、事実想起ならOmniscienceです。それによってWonderを試すかどうかを判断してください。複合スコアでは判断できません。