Muse Wonder Full ได้ 56 คะแนนบน Artificial Analysis Intelligence Index และ Muse Wonder ได้ 52 เทียบกับ 58 ของ Claude Opus 5.5, 56 ของ Claude Sonnet 5.5 และ 53 ของ GPT-6 Astra, Gemini 4 Argon และ Claude Fable 5.1 ตามลำดับ ส่วนโมเดลการ์ดของ Meta เองเล่าเรื่องที่น่าสนใจกว่า คือนำในงานเขียนโค้ดระยะยาว งานกฎหมาย ระบบอัตโนมัติทางธุรกิจ และหน่วยความจำ ทั้งสองข้อเป็นความจริง เพราะวัดคนละสิ่ง และช่องว่างระหว่างผลลัพธ์คือข้อเท็จจริงที่มีประโยชน์ที่สุดในบทความนี้
นี่คือทุกตัวเลขที่เผยแพร่ ทั้งจาก Meta แ Meta ทำซ้ำได้ สำหรับตมเดลการ์ดของ Meta
Meta เปรียบเทียบ Muse Wonder Full, Muse Wonder, GPT-6 Astra และ Claude Opus 5.5 ที่ระดับความพยายามในการใช้เหตุผลสูงสุด แถวต่าง ๆ ตามรายงานของ VentureBeatเกี่ยวกับการ์ด:
สิ่งที่วัด Wonder Full Wonder GPT-6 Astra Claude Opus 5.5 Artificial Analysis Intelligence Index ดัชนีรวมจากสิบการประเมินจ 45.4 39. 74.2 SWE-Marathon งานเขียนโค้ดที่ใช้เวลานาน 57.5 53.1 42.5 46.3 Terminal-Bench 4.0-AA งานเอเจนต์บนเทอร์มินัล HealthBench Pro คำถามด้านสุขภาพ 62.3 60.5 65.3 65.6
| Benchmark | Wonder Full | Wonder | GPT-6 Astra | Claude Op | 85.5 | 85.6 | 81.4 | 81.5 | 79.0 |
|---|---|---|---|---|---|---|---|---|---|
| FocusBench | 54.2 | 44.9 | 47.7 | 45.8 | 36.6 |
MemoryBench ซ่อนข้อลต้องจำเวอร์ชันปัจจุบันได้ นี่คือหลักฐานของฟีเจอร์ Active Memory ส่วน FocusBench วัดว่าโมเดลไล่ตามเป้าหมายต่อไปหล่านี้สมเหตุผลสำหรับพฤติกรรมจริง และก็เป็นพฤติกรรมที่ Meta ฝึกโมเดลให้ทำโดยตรง ก่อนใครนอก Meta จ> Elo)
| การประเมิน | Wonder Full | Wonder | Muse Spark 1.3 | การเปรียบเทียบที่น่าสนใจ | |
|---|---|---|---|---|---|
| Intelligence Index | 56 | ||||
| Terminal-Bench 4.0 | 57% | 1729, #3 | ไม่มี | 1581 | |
| CritPt | 33%, #1 | 43, Argon 42, Sonnet 5.5 32 | |||
| อัตราการ.5 68, Opus 5.5 66 |
สามประเด็นเด่นชัด
การก้าวกระโดดจาก Spark เป็นจริงเพิสัปดาห์ และ Terminal-Bench เพิ่มขึ้นเกือบสองเท่า Artificial Analysis เรียกว่าเป็นการเพิ่มขึiscience 30 เทียบกับ 46 ของ Opus 5.5 หมายความว่า Wonder รู้ข้อเท็จจริงน้อยกว่า แต่อัตราการสร้างข้อมูลเท็จต่ำทำให้มีโอกาสน้อยกว่าที่จะแต่งขึ้น สำหรับผลิตภัณฑ์ที่พึ่งพาการดึงข้อมูลมาก ควรใช้การกราวด์ด้วยการค้นหาหรือเองแทนการพึ่งความจำ
ความนำหลายรายการค่อนข้างเฉียดCritPt และ GDP.pdf นำหน้ากลุ่มเพียงหนึละความนำของ GDPval เหนือ Sonnet 5.5 อยู่ในช่วงความเชื่อมั่น ผลเสมอ Coding Agents Index กับ Claude Code ที่ใช้ Sonnet 5.5 เป็นตัสำหรับผู้เลือกรันไทม์เอเจนต์ และเป็นผลของ Full ไม่ใช่โมเดล API
โทเคนและต้นทุนเบื้องหลังคะแนน
คะแนนที่ความพยายามสูงสุดมาพร้อมบิลโทเคน Artificial Analysis วัดไงสองโมเดล Wonder เทียบกับ 62,000 ของ Argon, 78,000 ของ Fable 5.1 และ 27,000 ของ GPT-6 Astra ด้านอินพุต Wonder ใช้ 7.69 ล้านโทเคน มากกว่าโมเดลของ OpenAI และ Google สองถึงเจ็ดเท่า จึงทำให้ต้นทุนต่องานะกาศของ Astra จะสูงกว่า 2.5 เท่า 2 id="what-to-test-yourself">สิ่ักชัน สำหรับจุดแข็งแบบเอเจนต์ที่ Meta อ้าง การทดสอบที่เหมาะสมคืองานยาวของคุณเอง เช่น refactor 30 ขั้นตอน การรีวิวหลายเอกสาร หรือลูปเครื่องมือที่ใส่ความล้มเหลวโดยตั้งใจ ใน Apidog ตั้งค่าพรอมป์ดียวกันให้ Muse Wonder, Opus 5.5 และระบบที่คุณใช้ปัจจุบัน ตรวจ structured output และเปรียบเทียบ usage apidog-test-harness">ชุดทดสอบการเรียกเครื่องมือและคู่มือทดบไม่กำหนดผลล่วงหน้าครอบคลุมวิธีตั้งค่า ดาวน์โหลด Apidog เพื่อรันทั้งสามรายการเคียงกดลที่คุณเรียกใช้ไม่ไม่ไม่ใช่ในดัชนีรวมอิสระ Opus 5.5 ได้ 58 เทียบกับ 56 ของ Full และ 52 ของ Wonder แต่ Wonder Full นำ benchmark เอเจนต์เฉพาะทาง ได้แก่ SWE-Marathon, DeepSWE, Harvey LAB และ FocusBench
ควรเชื่อ benchmark ใดการรันของ Artificial Analysis เป็นของบุคคลที่สามและทำซ้ำได้ ตารางข้ามโมเดลของ Meta รันโดย Meta ด้วยการตั้งค่าคู่แข่งแบบพยายามให้ดีที่สุด ส่วน MemoryBench, FocusBench และ Personal Superintelligence Index เป็นของ Meta เท่านั้น
เทียบกับ Gemini 4 Argon อย่างไรArgon ได้ 53 ในดัชนี เทียบกับ 52 ของ Wonder ด้วยราคาครึ่งหนึ่ง เสมอ Full ใน Terminal-Bench ที่ 57% และ hallucinate น้อยกว่า (15% เทียบกับ 27%) บทความ benchmark ของ Argonมีตารางฉบับเต็ม
ความพยายามสูงสุดเปลี่ยนโมเดลหรือไม่ไม่ ความพยายามเปลี่ยนเพียงระยะเวลาที่ Wonder ใช้เหตุผล และจะไม่เปลี่ยน muse-wonder-1.0 ให้กลายเป็น Muse Wonder Full
ก้าวต่อไป
เลือก benchmark ที่ใกล้งานของคุณที่สุดหนึ่งรายการ คือ SWE-Marathon สำหรับงานโค้ดยาว หรือ Omniscience สำหรับการเรียกคืนข้อเท็จจริง แล้วให้ผลนั้นตัดสินว่า Wonder ควรได้ทดลองหรือไม่ ตัวเลขดัชนีรวมทำหน้าที่นี้ไม่ได้