Meta 超级智能实验室发布 Muse Wonder 模型家族，含 Muse Wonder 和 Muse Wonder Full 两个版本

原创 你说的完全正确 2026-10-13 06:00 江苏

↑阅读之前记得关注+星标⭐️，😄，每天才能第一时间接收到更新

小扎重金挖人成立超级智能实验室一周年时间节点终于开花结果了

Meta超级智能实验室刚刚发布了全新前沿模型家族Muse Wonder，跑分来看直接达到了fable 5.1和opus 5.5 的级别

新模型在个人智能体、专业智能体、长程记忆以及代码编写任务上，拿下了多项顶尖水平的测试成绩。

14个月前，Meta彻底重构了内部的AI研发体系。

这次发布的模型有两个版本。

一个是主打快速响应与前沿性能的Muse Wonder。

另一个是性能拉满的完整版本Muse Wonder Full。

训练这两个模型的底层基础设施，是Meta吉瓦级别的Prometheus数据中心。

双A测试Muse Wonder Full智能只落后opus 5.5 2分

核心能力主要集中在四个维度。

第一项是专业领域处理。

无论是看懂一份复杂的租房合同，还是梳理晦涩的财务或健康数据，模型都能准确理解。

在法律评测测试中，它能直接阅读原始卷宗，按照细致要求生成合格的专业法律文件。

第二项是主动记忆。

这是打造实用智能体最关键的一环。

Muse Wonder可以跨越多次对话，持续记住与你相关的核心信息。
在处理当下任务时，它会自动调取之前沉淀的关键细节，不需要用户一遍遍重复背景。

第三项是主动专注。

面对复杂的目标，模型具备持续推进的能力。

遇到阻碍它会尝试换一种解法，接收到新情况也能动态修正路线。

执行期间，遇到不确定的环节它会主动向你提问，在采取重大操作之前也会提前和你确认。

相关基准测试显示，它在需要长期持续运转的复杂项目中，展现出了极高的执行稳定性。

第四项是前沿编程。

软件开发是对各项能力的综合检验。

从跟踪需求、跨代码库修改，到反复运行测试和排错，Muse Wonder全程都能胜任。

无论是做个简单的小应用，还是推进庞大的软件工程，模型都可以提供连贯的支持。

除了这四项核心能力，Meta这次还正面回应了一个行业普遍痛点：跑分虚高。

很多模型在基准测试上的分数相差无几，但真到了实际场景，处理陌生任务的差距却极大。

这就是测试集刷分与大模型真实泛化能力之间的脱节。

为了摸清这个规律，团队对比了模型在训练定向任务和陌生任务上的表现。
测试数据证明，随着推理阶段计算量的增加，Muse Wonder Full在完全没定向训练过的陌生任务上，得分大幅拉开，表现远超预期。

带来这种跨越的核心原因，在于更大的底座模型。

一个足够扎实的基础底座，才能把后训练阶段获得的推理能力，有效迁移到未知场景里。

这对于个人智能体非常关键，因为现实生活中的需求五花八门，在训练时根本无法提前预测所有可能。

目前这两款模型已经正式上线。

Muse Wonder即日起开放给Meta模型API和编程工具Muse Code。

完整版的Muse Wonder Full则同步提供给Muse Code的订阅用户。

随后，Muse Wonder会接入个人智能体Muse的核心体验，优先面向订阅用户推送，负责生成复杂内容和处理高难度流程。

--end--

最后记得⭐️我，每天都在更新：如果觉得文章还不错的话可以点赞转发推荐评论

/...@作者：你说的完全正确（YAR师）

跳转微信打开