刚刚，小扎发布神秘“西瓜”模型，跑分媲美Opus5.5，口碑却一言难尽

本文来自微信公众号： APPSO ，作者：发现明日产品的，原文标题：《刚刚，小扎发布神秘「西瓜」模型，跑分媲美 Opus 5.5，口碑却一言难尽》 去年，扎克伯格挥舞支票满世界招揽AI人才，部分薪酬方案高达上亿美元，手笔之大，堪比NBA球星转会。如今，高价组建的团队终于交出了一份更接近预期的成绩单。 就在刚刚，Meta发布新模型Muse Wonder系列模型（内部代号西瓜），包括Muse Wonder和Muse Wonder Full，主攻个人与专业智能体任务，重点提升跨对话记忆、长时间执行任务和编程能力。 扎克伯格在接受采访时表示，Meta已经抵达AI技术的最前沿。 按照Meta公布的评测，Muse Wonder Full新模型至少在部分基准测试上，已能与GPT-6 Astra和Claude Fable 5.1掰手腕。 第三方机构Artificial Analysis的测试也显示，Wonder Full较上一代脱胎换骨，在多项智能体和专业工作评测中跻身前三甲。 花大价钱攒起来的队伍，让Meta重新有了跟领先模型叫板的底气，也让Meta Muse的Personal Agent之路能走得更顺畅些。 更强的记忆和执行力，能否让AI善始善终 Meta此次发布，延续了一年多来对AI业务的重整。 2025年4月，Llama 4马失前蹄，扎克伯格随即加大人才和算力投入，招揽Scale AI创始人Alexandr Wang，重组研究团队。今年4月，重组后的团队推出Muse Spark，但与竞争对手相比仍差着一口气。 按照Meta的说法，过去14个月里，团队推倒重来，从底层重建技术体系，并持续扩大预训练和强化学习的规模。此次Wonder系列在吉瓦级Prometheus数据中心完成训练，成为这轮豪赌交出的最新筹码。 扎克伯格想回答的问题也很简单：AI已经能解奥数级的数学题，却未必接得住一通客服电话；一个理想的个人助理，得有应付柴米油盐的常识和执行力。 Muse Wonder围绕两个方向动刀，分别是Active Memory和Active Focus。 Active Memory负责跨对话保留重要信息，并在新任务需要时主动找回相关内容。用户此前提过的偏好、限制和个人情况，可以成为后续任务的参考，减少每次对话都重新交代背景的麻烦。 Wang向Axios表示，个人智能体需要让重要信息在数天、数周乃至数月的交流中延续下来。 向左滑动查看更多内容 Active Focus则针对任务执行到一半停下来的问题。现实中的操作会遇到页面变化、信息缺失或预订失败，模型需要尝试其他方法，根据新信息调整计划，并持续推进任务。Meta表示，模型仍会在必要时询问用户，并在重要操作前征求确认。 扎克伯格在最新访谈中将这一思路概括为「模型就是产品」，能力和性格等产品特征都得进训练过程。Wang补充，智能体何时主动、如何与用户交流，也属于需要专门设计的产品行为。 Wang向CNBC举了预订餐厅的例子。智能体查询空位时可能遭遇各种障碍，训练的目标之一，就是让它尝试其他路径，减少一遇到问题便停下来向用户求助的情况。 编程是检验这些能力的试金石。 一个持续开发的软件项目，要求模型做到心中有数：记住需求、读懂已有代码、改动多个文件、反复测试修正。Meta表示，两款模型都接受过多种长时间任务的训练，以提高持续作战的能力。 官方展示还包括「看图做菜」，根据图片生成可玩的3D厨房游戏，以及结合个人偏好、调动浏览器和多个应用安排跑步计划。 面向专业工作，Meta列出了法律、金融和健康相关评测，其中Harvey的Legal Agent Benchmark要求模型依据原始材料和详细指令生成法律工作成果。 Artificial Analysis的评测显示，Wonder系列综合能力明显提升，Full版十项测试有六项杀入前三。在最高推理强度下，Muse Code搭配Wonder Full的编程智能体成绩与Claude Code搭配Sonnet 5.5平分秋色，还略胜搭配Opus 5.5一筹。 社交平台上的早期体验，则是有人欢喜有人愁。 用户Chetaslua展示了一段包含《龙珠》角色的动画，称画面完全由代码生成，并对Muse的响应速度竖起大拇指。他同时注明，配音来自ElevenLabs，音乐由Suno制作。 另一位用户Max Blade则给Muse Wonder Full和Opus 5.5出了同一道题：制作一款可以边喝啤酒、边抽雪茄的「3A级割草机模拟器」。 从他发布的对比画面看，Opus版本的草地、树木和光影纤毫毕现，Muse版本的场景与人物手部则明显粗枝大叶。他认为，Muse在此类3D游戏任务上仍欠火候。 用户Bhavy分享的火箭场景对比也有类似反馈。他表示，Muse Wonder的效果不如Kimi K3，自己记录的花费却达到14.3美元，而Kimi约为6.9美元，堪称事倍功半。 Meta AI负责人Alexandr Wang在社交平台回应用户时也承认，新模型的编程能力还不如Opus 5.5，团队正在排查多个bug。 对于部分用户不满意的3D游戏演示效果，Wang解释，团队没有专门针对这类演示进行训练，希望用户把模型用到真刀真枪的编程工作中。他表示，团队依据Muse用户的实际需求选择训练方向，同时承认可以在演示场景上多下功夫。 Meta在官方博客中还试图回答另一个问题：模型的进步能否举一反三，迁移到训练时没有重点覆盖的任务。 团队比较了Muse Spark 1.3与Muse Wonder Full在「熟题」和「生题」上的表现。按照Meta的解释，随着推理计算量加码，两款模型都在进步，但Wonder Full在陌生任务上的表现，仍高出按Spark趋势推演的预期一截。 Meta将其归因于底子厚：更大、更强的基础模型，让后训练的红利能够触类旁通。 对于需要处理不同目标、工具和限制的个人智能体，这种迁移力尤其重要。不过，这部分结论出自Meta的「自家答卷」，具体能覆盖哪些真实场景，还得让子弹再飞一会儿。 榜单之外，Meta还要说服用户长期掏腰包 模型能力升级的同时，Meta也在趁热打铁推动收费。 发布时，Muse Wonder已通过Meta Model API和Muse Code开放，能力更强的Wonder Full则仅向Muse Code订阅用户提供。 普通用户使用的Muse个人助理应用，将在后续接入Wonder，并优先向订阅用户开放。 Muse没有模型选择器，也没有推理强度选项。Wang认为，普通用户不该为了用AI而啃技术说明书，付费升级后也不必手动挑模型，讲究一个开箱即用。 在API方面，Muse Wonder价格为每百万输入token 4美元、每百万缓存输入token 0.20美元，以及每百万输出token 20美元。两款模型均支持100万token上下文，可接收文本、图像、视频和音频输入，输出形式为文本。 而按照Artificial Analysis的Intelligence Index测试，Muse Wonder在最高推理强度下，每项任务成本约为4.52美元，低于同次比较中的Claude Fable 5.1、Opus 5.5和Sonnet 5.5，却高于GPT-6 Astra的3.26美元、Gemini 4 Argon的1.99美元，以及GPT-6.1 Sol的0.72美元。 Artificial Analysis指出，Wonder虽然比上一代省输出token，但较高的输入消耗与API定价仍然推高了总账。用户最终要算的，还包括完成同一项工作要烧多少token，以及中途要返工几次。 订阅额度的消耗也引来了一些用户的不满。 在前述割草机模拟器测试中，Max Blade为Muse Wonder Full和Opus 5.5标注的「API等效成本」分别为4.11美元和99.43美元，但他称，Muse胃口太大，已耗尽自己50美元套餐的可用额度，迫使他升级到200美元套餐才跑完任务。 当然，作为开源模型的老大哥，此次发布也让Meta的「开源人设」再次受到审视。尽管Muse Wonder采取闭源模式，但Wang表示Meta初心不改，仍然支持开源，并提到此前已开放Muse Glimmer的权重，以及将Muse智能体部署到硬件上的相关技术。 相比此前以开放换朋友圈的路线，Wonder让Meta更直接地下场，在订阅、API和企业客户市场贴身肉搏。CNBC指出，Meta正尝试在核心广告业务之外，再开一条财路。 但智能体能否长成摇钱树，还取决于模型之外的变量。 最近，一些用户在社交平台投诉Muse未经授权访问个人消息，Meta对此则提出异议，称部分情况可能是用户在较早的对话中授过权，转头忘了；团队正在跟踪这些问题，并帮助用户弄清授权是如何生效的。 双方各执一词，但Personal Agent的产品设计必须面对一个现实：用户可能在很久之前点过头，模型却会在后续任务中拿旧账当令箭，授权范围和有效时间因此需要一目了然。 Meta表示，Wonder系列加强了抵御恶意指令、处理私人信息，以及防范网络和生物领域滥用的能力，后续还将发布更完整的安全报告。 扎克伯格则提到尚未推出的Muse Confidential VM，称该方案计划让用户数据和与智能体的对话对Meta自身也密不透风。 有趣的是，在接受《金融时报》采访时，扎克伯格拒绝了给AI发展「踩刹车」的主张，认为各家实验室应通过技术措施和负责任的开发来保障安全。他还透露，Meta已在研发下一阶段的模型，并预计之后的进展会更快。 持续提升的模型能力，最终还是要支撑起扎克伯格设想中的Personal Agent，让AI能够处理个人日常事务。用最前沿的技术订餐、安排行程、处理邮件，听起来有些大材小用，但这些任务都要面对不断变化的信息和各不相同的个人要求。 Muse Wonder选择的方向，也让模型进步有了更具体的衡量方式。AI的能力可以由最难的题目来检验，个人智能体的价值，则要由那些每天重复、又总得有人操心的小事来证明。