Muse Wonder Full, Artificial Analysis Intelligence Index'te 56 puan alıyor; Muse Wonder ise 52 puan alıyor. Buna karşılık Claude Opus 5.5 58, Claude Sonnet 5.5 56, GPT-6 Astra, Gemini 4 Argon ve Claude Fable 5.1 ise 53'er puan aldı. Meta'nın kendi model kartı daha güçlü bir hikâye anlatıyor: uzun süreli kodlama, hukuk işi, iş otomasyonu ve bellekte lider. İkisi de doğru, çünkü farklı şeyleri ölçüyorlar ve aralarındaki fark bu yazının en kullanışlı gerçeği.
Burada Meta'dan ve bağımsız kaynaklardan yayınlanmış her sayı, her birinin neyi test ettiği, Wonder'ın nerede önde olduğu, nerede geride kaldığı ve Meta dışındaki kimsenin yeniden üretemediği rakamlarla birlikte yer alıyor. Modelin kendisi için Muse Wonder açıklamasına bakın.
Meta'nın model kartı tablosu
Meta, Muse Wonder Full, Muse Wonder, GPT-6 Astra ve Claude Opus 5.5'i en yüksek akıl yürütme çabasında karşılaştırdı. Kart hakkındaki VentureBeat raporuna göre satırlar:
| Benchmark | Ne ölçtüğü | Wonder Full | Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Artificial Analysis Intelligence Index | On değerlendirmeli bileşik puan | 56 | 52 | 53 | 58 |
| Harvey LAB-AA | Hukuk ajanı görevleri | 13.1 | 10.0 | 8.6 | 4.2 |
| AutomationBench-AA | İş süreci otomasyonu | 45.4 | 39.1 | 41.6 | 41.2 |
| JobBench | Profesyonel iş | 75.3 | 70.5 | 66.1 | 75.4 |
| DeepSWE 1.1 | Yazılım mühendisliği | 79.0 | 78.8 | 74.1 | 74.2 |
| SWE-Marathon | Uzun süreli kodlama çalışmaları | 57.5 | 53.1 | 42.5 | 46.3 |
| Terminal-Bench 4.0-AA | Terminal ajan görevleri | 57.1 | 52.0 | 59.1 | 59.6 |
| HealthBench Pro | Sağlık soruları | 62.3 | 60.5 | 65.3 | 65.6 |
Yatay okuduğunuzda tablo netleşiyor. Wonder Full, görev uzun ve ajan odaklı olduğunda kazanıyor: SWE-Marathon'ta Opus 5.5'in 11 puan önünde, DeepSWE'de beş puan önünde, hukukta ise üç kat önde. Terminal işi, sağlık ve bileşik endekste kaybediyor. Meta'nın kendi tablosunda bile Opus 5.5 genel olarak daha zeki model; Wonder Full ise daha sebatkâr olan.
Meta'nın kendi belirttiği iki uyarı var. Rakip çalışmaları en iyi çaba yaklaşımıyla yapıldı ve bu modeller için optimal olmayabilecek ayarlar kullanıldı. Bazı kodlama karşılaştırmalarında ise farklı araçlar kullanıldığından bu satırlar diğerlerinden daha az kontrollü.
Meta'nın iç benchmarkları: bellek ve odak
Meta'nın lansman materyalindeki üç sayı yalnızca Meta'nın çalıştırabildiği testlerden geliyor.
| 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, bilgileri 64K ile 100K token arası konuşmaların içine gizliyor, dikkat dağıtıcılar ekliyor ve bazı bilgileri yarı yolda değiştiriyor; model güncel sürümü hatırlamak zorunda. Bu, Active Memory özelliğinin kanıtı. FocusBench, bir modelin engellere rağmen hedefin peşini bırakıp bırakmadığını ölçüyor; Active Focus özelliği. Daha küçük Wonder'ın FocusBench'te Astra ve Opus'un altında kaldığına dikkat edin; yalnızca Full önde. Üçüncü iç sayı olan Personal Superintelligence Index için yayınlanmış bir rakip karşılaştırması yok.
Bunlar gerçek davranışlar için makul testler ve aynı zamanda Meta'nın tam olarak eğitim verdiği davranışlar. Meta dışındaki biri bunları çalıştırana kadar bunları bir eğitim hedefinin tanımı olarak değerlendirin.
Bağımsız puanlar: Artificial Analysis
Artificial Analysis, her iki modeli de en yüksek çabayla Intelligence Index v4.3'ten geçirdi. Bileşik puan ve bileşenler:
| Değerlendirme | Wonder Full | Wonder | Muse Spark 1.3 | Öne çıkan karşılaştırma |
|---|---|---|---|---|
| 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 | yok | 1681 | Opus 5.5 1866, Sonnet 5.5 1838 |
| AA-Briefcase (Elo) | 1729, #3 | yok | 1581 | |
| CritPt | 33%, #1 | yok | yok | En yakın rakipler 31 ile 32% |
| GDP.pdf | 33%, #1 | yok | yok | En yakın rakipler 31 ile 32% |
| SciCode | 63%, #3 | yok | yok | |
| AA-Omniscience (bilgi) | 30 | 25 | 25 | Opus 5.5 46, Astra 43, Argon 42, Sonnet 5.5 32 |
| Halüsinasyon oranı | 23% | 27% | 33% | Gemini 4 Argon 15% |
| Coding Agents Index | 68 | 63 | 54 | Sonnet 5.5 ile Claude Code 68, Opus 5.5 66 |
Üç şey öne çıkıyor.
Spark'tan sıçrama gerçek.Altı haftada bileşik puanda sekiz puan artış var ve Terminal-Bench neredeyse ikiye katlandı. Artificial Analysis bunu, önceki Meta modellerine kıyasla bilgide maddi bir sıçrama olarak niteledi.
Bilgi zayıf nokta.Opus 5.5'in 46'sına karşı 30'luk bir Omniscience puanı, Wonder'ın daha az bilgi bildiği anlamına geliyor; ancak düşük halüsinasyon oranı bu bilgileri uydurma olasılığını azaltıyor. Alma yoğun ürünlerde bu, hatırlamaya güvenmek yerine arama veya kendi belgelerinizle zemileme lehine bir argüman.
Birkaç liderlik dar.CritPt ve GDP.pdf alanın yalnızca bir ila iki puan önünde; GDPval'in Sonnet 5.5 karşısındaki farkı ise güven aralıklarının içinde. Sonnet 5.5 kullanan Claude Code ile Coding Agents Index'te eşitlik, ajan çalışma zamanı seçen herkes için en ilgili sayı ve bu sayı Full'e ait, API modeline değil.
Meta ile Artificial Analysis'ın ayrıştığı satır
Meta'nın model kartı, Artificial Analysis Intelligence Index satırında Wonder Full için 59.0 listeliyor. Artificial Analysis ise 56 yayınlıyor. Fark muhtemelen endeks sürümlerinden, çalışma tarihlerinden veya Meta'nın kendi değerlendirme düzeninden geliyor ve taraflar bunu kamuya açık olarak açıklamadı. 59 alıntılandığında bu Meta'nın sayısıdır; 56 görüldüğünde ise bağımsız olandır. Aynı fark AutomationBench'te de var: Meta'nın tablosunda 45.4 ve 39.1, Artificial Analysis'te ise testin farklı görünen bir sürümünde 71% ve 68% yer alıyor. Sayıyla birlikte kaynağı da belirtin.
Puanların ardındaki tokenlar ve maliyet
En yüksek çabadaki puanlar bir token faturası getiriyor. Artificial Analysis, her iki Wonder modeli için görev başına yaklaşık 54.000 çıktı tokenı ölçtü; Argon için 62.000, Fable 5.1 için 78.000 ve GPT-6 Astra için 27.000. Girdi tarafında Wonder endeks boyunca 7,69 milyon token, Full ise 6,44 milyon token kullandı; bu, OpenAI ve Google modellerinden iki ila yedi kat fazla. Bu yüzden Wonder'ın görev başına maliyeti 4,52 dolara geldi; Opus 5.5'in 5,98 dolarının altında ama Astra'nın liste fiyatı 2,5 kat yüksek olmasına rağmen 3,26 dolarının üzerinde. Gerçek bir iş yükünde bunun ne anlama geldiğini fiyatlandırma yazısı ayrıntılı olarak inceliyor.
Kendinizin test etmesi gerekenler
Benchmarklar nereye bakacağınızı söyler, neyi yayına alacağınızı değil. Meta'nın iddia ettiği ajan odaklı güçler için doğru test kendi uzun görevinizdir: 30 adımlı bir refactor, çok belgeli bir inceleme veya bilerek hata yerleştirilmiş bir araç döngüsü. Apidog'da Muse Wonder, Opus 5.5 ve bugün kullandığınız modele aynı prompt ve araç tanımlarını kurun, yapılandırılmış çıktıyı doğrulayın ve her birindeki usage değerini karşılaştırın. Kurulumu araç çağrısı test düzeneği ve deterministik olmayan ajan test rehberi anlatıyor. Üçünü yan yana çalıştırmak için Apidog'u indirin.
API'nin sunduğunun Full değil Wonder olduğunu unutmayın. Meta'nın sınır modeliyle ilgili okuduğunuz benchmark başlıkları muhtemelen çağıramayacağınız modeli anlatıyor.
Sık sorulan sorular
Muse Wonder mevcut en iyi model mi?Bağımsız bileşik puanda değil. Opus 5.5 58 alırken Full 56 ve Wonder 52 aldı. Wonder Full belirli ajan benchmarklarında önde: SWE-Marathon, DeepSWE, Harvey LAB ve FocusBench.
Hangi benchmarklara güvenebilirim?Artificial Analysis çalışmaları yeniden üretilebilir ve üçüncü taraf. Meta'nın modeller arası tablosu, rakip ayarları en iyi çabayla Meta tarafından çalıştırılıyor. MemoryBench, FocusBench ve Personal Superintelligence Index yalnızca Meta'ya ait.
Gemini 4 Argon ile karşılaştırması nasıl?Argon, yarısı fiyata Wonder'ın 52'sine karşı endekste 53 alıyor, Terminal-Bench'te Full ile 57%'de eşitleşiyor ve daha az halüsinasyon yapıyor (15%'e karşı 27%). Tam tablo Argon benchmarklar yazımızda var.
En yüksek çaba modeli değiştirir mi?Hayır. Çaba Wonder'ın ne kadar akıl yürüttüğünü değiştirir; muse-wonder-1.0'ı asla Muse Wonder Full'a dönüştürmez.
Sonraki adım
İş yükünüze en yakın benchmark'ı seçin: uzun kodlama çalışmaları için SWE-Marathon, bilgi hatırlama için Omniscience. Onun Wonder'ın bir denemeyi hak edip etmediğine karar vermesine izin verin. Bileşik sayı bunu yapmayacak.