Meta发布首款前沿模型Muse Wonder，押注长期记忆与智能体能力

导语

Meta终于把模型产品线向前沿能力市场推进了一步。Meta Superintelligence Lab发布Muse Wonder与Muse Wonder Full，前者面向API开放，后者主要服务Muse Code订阅用户。与追求低延迟和低成本的Muse Spark不同，这一系列更强调复杂任务表现、长期信息处理和智能体应用。

核心要点

• 定位从轻量模型转向前沿模型。 Meta称，Wonder系列在规模和能力上都高于Muse Spark，在编码等复杂任务中取得更好的结果。公司测试显示，Wonder与Wonder Full的基准成绩可与Fable 5.1、GPT-6 Astra相当。不过，现有材料没有披露完整测试设置、数据集范围或第三方复核结果，因此这些比较更适合作为厂商发布信息理解。
• 两款模型采用不同的产品策略。 Wonder可通过Meta Model API调用，输入价格为每百万令牌4美元，输出价格为每百万令牌20美元，整体成本约与GPT-6 Sol或Opus 5.5相当。Wonder Full暂不通过API提供，只向Muse Code订阅者开放，显示Meta正在把更强模型与自有产品订阅结合起来。
• “主动记忆”成为主要卖点。 Meta特别强调模型能够保留并综合用户在数天、数周乃至更长时间内提供的信息，并将这一能力称为active memory。按照Meta自己的测试，Muse Wonder在MemoryBench上的得分高于Fable、Opus和Astra。该基准关注持续学习和记忆构建，方向上更贴近个人助理的长期使用场景。
• 模型将直接驱动Muse智能体。 Wonder系列不仅是API产品，也会用于Muse agent。对需要持续规划、读取历史信息并执行多步任务的智能体而言，模型的上下文管理和信息召回能力，可能与单次问答能力同样重要。

意义与影响

这是Meta在去年由Scale AI创始人Alexandr Wang重组AI业务后，首次推出定位为前沿模型的产品。过去一段时间，Meta主要发布Muse Spark和Muse agent，并没有频繁参与OpenAI、Anthropic式的顶级模型竞争。Wonder的出现，说明Meta开始把训练规模、模型能力和产品生态放在同一条路线中推进。模型在Meta位于俄亥俄州中部的Prometheus数据中心训练完成，也反映出公司正在把算力基础设施投入转化为更高端的模型产品。

不过，真正的竞争结果仍取决于独立评测、实际调用成本、稳定性以及记忆功能的可控程度。长期记忆可以让助手更贴合用户，但也会带来信息选择、更新、遗忘和隐私管理等问题。若Meta能够把Wonder的能力稳定地嵌入Muse agent和编码产品，其优势可能不只体现在基准分数，而在于形成持续使用的个人AI体验。

来源：TechCrunch AI