O Muse Wonder Full pontua 56 no Artificial Analysis Intelligence Index e o Muse Wonder pontua 52, contra 58 do Claude Opus 5.5, 56 do Claude Sonnet 5.5 e 53 cada para GPT-6 Astra, Gemini 4 Argon e Claude Fable 5.1. O próprio model card da Meta conta uma história mais forte: lidera em programação de longa duração, trabalho jurídico, automação de negócios e memória. Os dois são verdadeiros porque medem coisas diferentes, e a diferença entre eles é o fato mais útil deste artigo.
Aqui estão todos os números publicados, da Meta e independentes, com o que cada um testa, onde o Wonder lidera, onde fica atrás e quais números ninguém fora da Meta consegue reproduzir. Para o modelo em si, veja o explicador do Muse Wonder.
A tabela do model card da Meta
A Meta comparou Muse Wonder Full, Muse Wonder, GPT-6 Astra e Claude Opus 5.5 com esforço máximo de raciocínio. As linhas, conforme o relatório da VentureBeat sobre o card:
| Benchmark | O que mede | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | Composto de dez avaliações | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | Tarefas de agente jurídico | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | Automação de processos de negócio | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | Trabalho profissional | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | Engenharia de software | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | Execuções longas de código | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | Tarefas de agente em terminal | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | Perguntas de saúde | 62.3 | 60.5 | 65.3 | 65.6 |
Leia na horizontal e o formato fica claro. O Wonder Full ganha quando a tarefa é longa e agêntica: SWE-Marathon por 11 pontos sobre o Opus 5.5, DeepSWE por cinco e jurídico por um fator de três. Perde em trabalho de terminal, saúde e no índice composto. Mesmo na tabela da Meta, o Opus 5.5 é o modelo mais inteligente no agregado; o Wonder Full é o mais persistente.
A própria Meta cita duas ressalvas. As execuções dos concorrentes usaram melhor esforço, com configurações que podem não ter sido ideais para esses modelos. E algumas comparações de código usaram ferramentas diferentes, então essas linhas são menos controladas que as demais.
Benchmarks internos da Meta: memória e foco
Três números do material de lançamento da Meta vêm de testes que só a Meta pode executar.
| 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 |
O MemoryBench esconde fatos em conversas de 64K a 100K tokens, adiciona distratores e muda alguns fatos no meio do caminho; o modelo precisa lembrar a versão atual. É a evidência do recurso Active Memory. O FocusBench mede se um modelo continua perseguindo um objetivo diante de bloqueios, o recurso Active Focus. Note que o Wonder menor pontua abaixo de Astra e Opus no FocusBench; apenas o Full lidera. Um terceiro número interno, o Personal Superintelligence Index, não tem comparação publicada com concorrentes.
São testes plausíveis de comportamentos reais e também exatamente os comportamentos para os quais a Meta treinou. Até que alguém fora da Meta possa executá-los, trate-os como uma descrição do objetivo de treinamento.
As pontuações independentes: Artificial Analysis
A Artificial Analysis submeteu ambos os modelos ao Intelligence Index v4.3 com esforço máximo. O composto e as partes:
| Avaliação | Wonder Full | Wonder | Muse Spark 1.3 | Comparação relevante |
|---|---|---|---|---|
| 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 | Rivais mais próximos 31 a 32% |
| GDP.pdf | 33%, #1 | n/d | n/d | Rivais mais próximos 31 a 32% |
| SciCode | 63%, #3 | n/d | n/d | |
| AA-Omniscience (conhecimento) | 30 | 25 | 25 | Opus 5.5 46, Astra 43, Argon 42, Sonnet 5.5 32 |
| Taxa de alucinação | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Claude Code com Sonnet 5.5 68, Opus 5.5 66 |
Três coisas se destacam.
O salto a partir do Spark é real.Oito pontos no composto em seis semanas, e o Terminal-Bench quase dobrou. A Artificial Analysis chamou isso de um salto material de inteligência em relação aos modelos anteriores da Meta.
Conhecimento é o ponto fraco.Uma pontuação Omniscience de 30 contra 46 do Opus 5.5 significa que o Wonder conhece menos fatos, embora sua baixa taxa de alucinação deixe menos provável que ele os invente. Para produtos intensivos em recuperação, isso argumenta a favor de fundamentação com busca ou seus próprios documentos em vez de confiar na lembrança.
Várias lideranças são estreitas.CritPt e GDP.pdf estão um a dois pontos à frente do campo, e a liderança do GDPval sobre o Sonnet 5.5 está dentro dos intervalos de confiança. O empate no Coding Agents Index com o Claude Code usando Sonnet 5.5 é o número mais relevante para quem escolhe um runtime de agentes, e pertence ao Full, não ao modelo de API.
A linha em que Meta e Artificial Analysis divergem
O model card da Meta lista o Wonder Full em 59.0 em uma linha do Artificial Analysis Intelligence Index. A Artificial Analysis publica 56. A diferença provavelmente vem de versões do índice, datas de execução ou o próprio harness de avaliação da Meta, e nenhum dos lados explicou publicamente. Quando vir 59 citado, é o número da Meta; quando vir 56, é o independente. A mesma lacuna aparece no AutomationBench: a tabela da Meta tem 45.4 e 39.1, enquanto a Artificial Analysis reporta 71% e 68% no que parece ser uma versão diferente do teste. Cite a fonte junto com o número.
Tokens e custo por trás das pontuações
Pontuações com esforço máximo trazem uma fatura de tokens. A Artificial Analysis mediu cerca de 54.000 tokens de saída por tarefa para ambos os modelos Wonder, contra 62.000 do Argon, 78.000 do Fable 5.1 e 27.000 do GPT-6 Astra. Na entrada, o Wonder usou 7,69 milhões de tokens no índice e o Full 6,44 milhões, de duas a sete vezes mais que os modelos da OpenAI e do Google. Por isso, o custo por tarefa do Wonder ficou em US$ 4,52, abaixo do Opus 5.5 em US$ 5,98, mas acima do Astra em US$ 3,26 apesar do preço de tabela 2,5 vezes maior do Astra. O artigo sobre preços detalha o que isso significa em uma carga real.
O que testar por conta própria
Benchmarks mostram onde olhar, não o que enviar para produção. Para as forças agênticas que a Meta alega, o teste certo é a sua própria tarefa longa: uma refatoração de 30 passos, uma revisão multidocumentos ou um loop de ferramentas com falhas deliberadas. No Apidog, configure os mesmos prompts e definições de ferramentas para Muse Wonder, Opus 5.5 e o que você usa hoje, valide a saída estruturada e compare usage em cada um. O harness de testes para chamadas de ferramentas e o guia de testes de agentes não determinísticos cobrem a configuração. Baixe o Apidog para executar os três lado a lado.
Lembre-se de que a API serve o Wonder, não o Full. Qualquer manchete de benchmark sobre o modelo de fronteira da Meta provavelmente descreve aquele que você não pode chamar.
Perguntas frequentes
O Muse Wonder é o melhor modelo disponível?Não no composto independente. O Opus 5.5 pontua 58 contra 56 do Full e 52 do Wonder. O Wonder Full lidera benchmarks agênticos específicos: SWE-Marathon, DeepSWE, Harvey LAB e FocusBench.
Quais benchmarks posso confiar?As execuções da Artificial Analysis são reproduzíveis e de terceiros. A tabela cruzada da Meta é executada pela Meta com configurações de melhor esforço para concorrentes. MemoryBench, FocusBench e Personal Superintelligence Index são exclusivos da Meta.
Como ele se compara ao Gemini 4 Argon?O Argon pontua 53 no índice contra 52 do Wonder pela metade do preço, empata com o Full no Terminal-Bench em 57% e alucina menos (15% contra 27%). Nosso artigo de benchmarks do Argon tem a tabela completa.
O esforço máximo muda o modelo?Não. O esforço muda por quanto tempo o Wonder raciocina; ele nunca transforma muse-wonder-1.0 em Muse Wonder Full.
Próximo passo
Escolha o benchmark mais próximo da sua carga de trabalho, SWE-Marathon para execuções longas de código ou Omniscience para recuperação factual, e deixe ele decidir se o Wonder merece um teste. O número composto não vai decidir.