Meta 推出 Muse Wonder 前沿系列模型:主动记忆,遇阻换方法继续推进,Agent 编程媲美 Opus 5.5
原文链接: https://research.meta.ai/blog/muse-wonder 来源: Meta Superintelligence Labs 发现于: 小互 · AI 解读站 · 2026/10/13 说明: 本文由 AIHot 自动聚合(原文即中文,未翻译)。正文取自小互 AI 解读
已核对Meta Superintelligence Labs10-13 · 约 10 分钟
Meta 推出了 Muse Wonder 前沿系列模型。本次发布包含 Muse Wonder 与能力更强的 Muse Wonder Full 两款主力模型。两款模型拥有 100 万 token 的推理上下文窗口,支持文本、图像、音频与视频的多模态输入,输出则为纯文本,并在千兆瓦级规模的 Prometheus 数据中心完成训练。
主要功能特点包括:
- Active Memory(主动记忆):跨会话保留重要背景,新任务中找回相关信息,并识别事实更新。
- Active Focus(持续推进):遇到阻碍调整方案,跟进多步骤任务,必要时提问、重要操作前确认。
- 专业领域知识(Domain Expertise):结合合同、财报和健康资料,分析问题并起草供审阅的文件。
- 持续软件开发(Frontier Coding):跟踪需求、跨文件修改代码,反复测试和修错,支持长期项目。
Meta 将它定位为迈向“个人超级智能”的一步:让 AI 结合个人背景,持续完成生活事务和专业工作。
研究员介绍:主动记忆与持续推进
两个版本,现在分别在哪里用?
- 现在:Muse Wonder 可通过 Meta Model API 和 Muse Code 使用;Full 仅向 Muse Code 订阅用户开放。
- 后续:Wonder 将接入 Muse,订阅用户优先,用于生成交互应用等需要更强智能的功能。Meta 还计划基于它开发面向全体 Muse 用户的专用模型。
延伸阅读 · Muse 的运行环境 Meta 推出个人 AI Agent Muse:每人一台云端电脑,可持续在后台推进任务 了解模型如何与云端电脑、后台任务和独立权限系统配合。 阅读介绍文章 →
四项能力,分别解决什么问题?
长期任务需要把前面的背景、执行中的变化和最后的结果连起来。记住要求只是起点,过程中还要调整做法,交付前再检查是否做对。
1. 主动记忆:记住背景,按新要求更新
每次办新事情都重新交代背景,会让助理很难用。Active Memory 会跨会话保留重要信息,在相关任务出现时主动找回,并识别更新。例如,规划出差时沿用你说过的出行偏好,要求改变后采用新条件。
100 万 token 上下文对应一次推理能处理的材料量。跨会话记忆还要把有用背景带到后续会话,在需要时调取。
Meta 内部的 MemoryBench 用 64K–100K token 的长对话,加入无关谈话、冲突事实和后续更正,再由大模型按加权标准评分,检验模型能否从混杂信息中找回有效细节、识别事实更新。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| MemoryBench:记忆加权得分(%) | 85.5 | 85.6 | 81.5 | 81.4 | 79.0 |
两款模型得分接近,且都高于所列对照,长对话记忆是共同强项。

MemoryBench:长对话记忆得分
2. 持续推进:遇到阻碍,换方法接着做
任务做到一半,工具可能报错,资料可能缺失,用户也可能改变要求。Active Focus 会围绕目标尝试替代方案,根据新信息调整后续步骤;关键条件不明确时向用户提问,重要操作前先确认。计划需要随着执行结果更新,才能把任务继续推进。
FocusBench 是 Meta 内部的动态场景测试,覆盖住房、旅行、IT、金融等领域,考察受阻后的坚持与调整。AutomationBench-AA 则在模拟业务应用中检查最终状态,所有检查都通过才算一次成功。前者看能否应对变化,后者看整个流程是否做对。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| FocusBench:持续推进得分(%) | 54.2 | 44.9 | 45.8 | 47.7 | 36.6 |
| AutomationBench-AA:完整流程通过率(%) | 45.4 | 39.1 | 41.2 | 41.6 | 32.1 |
Full 在两项中领先所列对照,比普通版分别高出 9.3 和 6.3 个百分点;普通版低于 Astra 和 Opus。与记忆得分接近相比,持续执行是 Full 更明显的提升所在。但 AutomationBench 的完整通过率仍为 45.4%,未达到半数。

FocusBench:持续推进得分

AutomationBench-AA:完整流程通过率
实际操作软件,还需要看 OSWorld 2.1。模型在 Ubuntu 桌面虚拟机中,通过截图、点击、输入和滚动完成 108 项工作流,分别报告部分得分与完整完成率。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| OSWorld 2.1:桌面任务部分得分(%) | 78.4 | 72.6 | 81.8 | 75.8 | 80.7 |
| OSWorld 2.1:桌面任务完整完成率(%) | 39.4 | 34.3 | — | 34.3 | 43.1 |
部分做对也能得到分数,完整完成率只算整个任务达标。Full 的两项成绩分别为 78.4% 和 39.4%;Opus、Fable 的部分得分更高,Fable 的完整完成率也更高。
3. 专业知识:读懂材料,完成专业任务
Domain Expertise 用于处理合同、财报和健康资料:结合原始文件找依据,再按要求分析或起草成果。法律、金融和健康任务的要求不同,评测也分别进行。
法律:Harvey LAB-AA 1.1。 模型根据案件材料生成法律成果,评审系统逐项检查任务要求与编造信息问题,全部达标才算成功。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| Harvey LAB-AA:法律文件全部达标率(%) | 13.1 | 10.0 | 4.2 | 8.6 | 6.4 |
两款模型领先所列对照,但 Full 的通过率仍是 13.1%,大多数成果未同时满足全部标准。

Harvey LAB-AA:法律文书通过率
金融:Vals Finance Agent V2。 模型结合财报和市场资料完成分析,在 Vals AI 私有测试集上计算准确率。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| Vals Finance Agent V2:金融准确率(%) | 59.1 | 56.6 | 58.6 | 53.5 | 58.9 |
Full 比 Fable 高 0.2 个百分点,与 Opus 的成绩也接近,优势很小。普通版的成绩低于这三款模型。

Vals Finance Agent V2:金融分析准确率
健康:HealthBench Pro。 模型不调用外部工具,回答 525 道专业健康问题,由大模型按医生制定的标准评分,并按回答长度调整。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| HealthBench Pro:健康回答加权得分(%) | 62.3 | 60.5 | 65.6 | 65.3 | 62.1 |
两款 Wonder 都低于 Opus 和 Astra,健康问答尚未领先。
4. Agent 编程:跨文件修改,反复测试和修错
软件开发需要持续跟踪需求,理解代码库,修改相互依赖的文件,再用测试检查新功能和已有行为,根据报错继续修复。Frontier Coding 将记忆、专业知识和持续推进用到这一过程。Meta 用多样、长期开发任务训练两款模型,支持从小应用到复杂软件的持续开发。
DeepSWE 1.1 覆盖 91 个仓库、5 种语言的 113 个任务,用功能和回归测试判断一次尝试是否成功。SWE-Marathon 则让模型完成较大的软件项目,再运行项目测试检查成果。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| DeepSWE 1.1:开发任务通过率(%) | 79.0 | 78.8 | 74.2 | 74.1 | 67.4 |
| SWE-Marathon:长期项目通过率(%) | 57.5 | 53.1 | 46.3 | 42.5 | 45.6 |
两款模型在这两项长期项目评测中,得分均高于 Opus 5.5 和 Astra。DeepSWE 上两者只差 0.2 个百分点,SWE-Marathon 上 Full 高出普通版 4.4 个百分点。
SWE-Marathon 中,Full 使用 xhigh 推理档位,Astra 和 Fable 分别使用 Codex、Claude Code 等 Agent 环境。多数其他结果采用 max 推理档位。

DeepSWE:长期开发任务通过率

SWE-Marathon:长期项目通过率
其他工程任务的表现有所不同。Terminal-Bench 4.0 在隔离终端中检查最终环境状态;ProgramBench 要模型在不能联网的环境中重建完整程序,每次尝试通过至少 95% 的隐藏行为测试才算达标。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| Terminal-Bench 4.0:终端任务准确率(%) | 57.1 | 52.0 | 59.6 | 59.1 | 52.0 |
| ProgramBench:程序重建达标率(%) | 59.0 | 50.0 | 70.5 | 52.5 | 55.5 |
终端任务中,Opus 和 Astra 高于 Full;程序重建中,Opus 的 70.5% 明显高于 Full 的 59.0%。
官方厨房演示把这种开发能力用到了一个小应用:根据可定制的图片输入,编写代码,生成可游玩的 3D 厨房小游戏。模型原生输出是文本,游戏由生成的代码交给运行环境执行。
3D 厨房游戏 · 打开原始演示 ↗
综合评测:两种指标为什么排名不同?
综合指标把多项任务的表现汇总起来。Meta 内部的 Personal Superintelligence Index(PSI) 包含 7 项个人与知识工作评测,涵盖持续执行、业务流程、职业任务、浏览和研究。第三方 Artificial Analysis 综合智能指数 则汇集另一组工作、编程、科学与通用推理测试。
| 评测与指标 | Full | Wonder | Opus 5.5 | Astra | Fable 5.1 |
|---|---|---|---|---|---|
| PSI:个人与知识工作综合指标 | 59.1 | 54.3 | 55.2 | 54.5 | 49.9 |
| AA 综合智能指数(分) | 56 | 52 | 58 | 53 | 53 |
Full 在 PSI 中领先,在 AA 综合指数中低于 Opus。两种排名并不矛盾:任务选取和汇总方式不同,衡量的侧重点也不同。

PSI:个人任务综合指标

AA 综合智能指数

官方评测总表
遇到陌生任务,能否灵活应对?
固定测试覆盖有限任务,现实中的目标、工具和要求却不断变化。两个模型的常用测试分数接近,遇到陌生任务时仍可能表现不同。“Benchmaxxing”讨论的正是这种差距:针对固定测试优化,未必能带来同样的现实适应能力。
Meta 对比 Muse Spark 1.3 与 Wonder Full,增加推理时的计算投入,观察它们在后训练未专门针对的任务上表现如何。
怎样看这两条线?
深蓝是 Wonder Full,浅蓝是 Spark 1.3。原图比较两款模型在不同任务上的表现。

圆点代表不同推理投入,虚线表示趋势。
选择上方按钮,看横轴、纵轴和两条线的差距。
图中横轴是后训练重点优化的任务成绩,纵轴是后训练未专门针对的任务成绩,每个点对应一种推理投入。两条轨迹都随投入增加而上升;横轴成绩相近时,Wonder Full 的纵轴更高,即它在这组未针对任务上表现更好。
Meta 将提升归因于更大、更强的基础模型,使后训练获得的能力更容易迁移。
个人 Agent 会遇到不同日程、偏好、工具和临时变化形成的新组合,训练无法逐一预设,需要把已有能力用到这些组合中,处理新的需求。
应用演示:从个人资料到具体结果
官方演示让模型调取个人资料,通过浏览器与应用交付路线、订单、座位图或跟进邮件。任务中的偏好、约束和变化,分别用到了前面的记忆、执行与专业理解能力。
跑步:结合健康习惯和日程规划路线
规划周六长跑时,模型从日历和健康记录中找到三项要求:长跑每周增加 1 公里、走平路保护膝盖、10 点前到图书馆。它据此安排 8 点出发的 15.1 公里路线,在基于 OpenStreetMap 数据的地图上每隔 5 公里加标记,生成分享链接,再把带链接的跑步安排写入日历。
跑步规划:结合日程与健康记录
礼品:用猫的照片设计 T 恤并下单
用户想给猫 Coco 做生日 T 恤。模型浏览 Coco 的 Instagram 主页,选取真实照片,按偏好设计带金色“COCO”字样的复古乐队风 T 恤,再进入结算、完成订单确认。
定制礼品:从照片到生日 T 恤
婚礼:按宾客要求排座,逐项检查
用户提供 47 位宾客名单,备注无障碍需求、过敏情况和哪些人要分开。模型查看场地布局,把备注转成规则,按这些规则在规划工具里逐桌安排,最后重新对照原始要求逐项检查并导出座位图。
婚礼排座:按宾客要求生成方案
保险:从核对账单到邮件跟进
用户上传门诊账单和保险卡正反面照片。模型对照材料,解释收费问题及保险为何未被应用,提出方案并拟好与诊所账单部门沟通的电话要点。用户希望改用文字跟进,它便调整为起草并发送邮件,最终由诊所账单部门向保险公司提交理赔。
保险账单:识别问题并跟进理赔
健康:把旅行与症状线索联系起来
模型从日历、消息和邮件中找旅行与症状线索,在连接 Withings、HealthEx 等健康服务前请求许可,再联系海拔和症状出现的时间,帮助用户理解情况。
旅途中的健康资料辅助 · 打开原始演示 ↗
能代办,也要管好权限
个人 Agent 处理邮件、日程和私密资料时,可能读到夹带恶意指令的外部内容。在 Meta 测试中,Full 的个人信息处理违规率为 2.2%,诱导越权执行代码的攻击成功率为 10.7%。付款、外发信息、修改或删除数据等操作,仍需要系统权限限制与必要确认。

个人信息处理违规率

越权执行代码的攻击成功率
Meta 强化了对化学、生物、放射性、核风险及网络滥用请求的拒答,也保留合规网络防御能力。Full 在 BioTIER 英文测试中的高风险生物请求拒答率为 98.7%,合规网络防御任务配合率为 93.3%,分别衡量拒绝危险用途和帮助正当防御。

BioTIER:生物高风险请求拒答率

恶意网络请求拒答率

合规网络防御请求配合率
依据 Meta 的超级智能扩展框架,未采取缓解措施时,无法排除 Full 在化学与生物领域达到高风险阈值;加入安全后训练和系统级分类器后,Meta 将各领域的剩余风险评为“中度或更低”。
概念视频:持续推进个人目标
来源Muse Wonder: A Frontier Model For Personal & Professional AI AgentsMeta Superintelligence Labs·查看主材料延伸Muse Wonder Model Card
Meta Muse Wonder 深度解读
Meta 推出 Muse Wonder 前沿系列模型:主动记忆,遇阻换方法继续推进,Agent 编程媲美 Opus 5.5
涵盖基础版 Wonder 与能力更强的 Full。两款模型具备 100 万 token 推理窗口与多模态输入,长对话记忆得分接近;Full 版更明显的提升在于遭遇阻碍时持续推进任务与长流程 Agent 编程。
**规格:**100万 token 推理窗口 **模态:**文本/图像/音频/视频输入,纯文本输出 **训练:**千兆瓦级 Prometheus 数据中心 **入口:**API / Muse Code(Full 需订阅);后续接入 Muse
核心对照:长对话记忆接近,Full 在遇阻推进上拉开显著差距
100 万 token 是一次推理能处理的材料量。Active Memory 会跨会话保留重要背景,在新任务中找回相关信息并识别更新。MemoryBench 用 64K–100K token 长对话、干扰与事实更正来检验信息使用;两款模型在记忆测试中的成绩接近。
| 评测场景与考察重点 | Full | Wonder | Opus 5.5 |
|---|---|---|---|
| MemoryBench(长对话加权记忆) | 85.5% | 85.6% | 81.5% |
| FocusBench(受阻调整与坚持) | 54.2% | 44.9% | 45.8% |
| AutomationBench-AA(业务终态全通过) | 45.4% | 39.1% | 41.2% |
| OSWorld 2.1(桌面端虚拟机操作) | 78.4% / 39.4% | 72.6% / 34.3% | 81.8% / — |
Active Focus 围绕目标尝试替代方案,根据新信息调整步骤;缺少关键条件时提问,重要操作前确认。Full 比普通版在 FocusBench 高 9.3 个百分点、AutomationBench 高 6.3 个百分点,后者要求全部终态检查通过,Full 的通过率仍为 45.4%。OSWorld 两个数依次为部分得分与完整完成率;Fable 为 80.7% / 43.1%,均高于 Full。
Agent 编程评测:对标 Opus 5.5 Frontier Coding
跟踪需求、跨文件修改代码,反复运行测试并按报错修复。
DeepSWE 1.1(长流程开发通过率) Full 79.0% / Wonder 78.8% (Opus 74.2%)
SWE-Marathon(大型长期项目) Full 57.5% / Wonder 53.1% (Opus 46.3%)
Terminal-Bench 4.0(隔离终端准确率) Full 57.1% < Opus 59.6% (Wonder 52.0%)
ProgramBench(离线完整程序重建) Full 59.0% < Opus 70.5% (Wonder 50.0%)
两款在长期项目(DeepSWE 与 SWE-Marathon)上均高于 Opus 5.5;但在终端操作与程序重建任务中 Opus 仍具明显优势。(SWE-Marathon 中 Full 采用 xhigh 档位,各对照 Agent 环境略有不同)。
法律、金融和健康评测 Domain Expertise
Harvey LAB-AA 1.1(法律文件全达标) Full 13.1% / Wonder 10.0% (Opus 4.2%)
Vals Finance Agent V2(金融分析) Full 59.1% / Wonder 56.6%,Fable 58.9% (Opus 58.6%)
HealthBench Pro(健康回答加权分) Full 62.3% / Wonder 60.5% < Opus 65.6% (Astra 65.3%)
法律任务在严查与防幻觉下虽领先但通过率仅 13.1%;金融任务对 Fable 与 Opus 仅微弱优势;健康领域问答尚未领先,低于 Opus 与 Astra。
真实落地案例:从个人背景到可交付结果
跑步:日程与健康规划
提取“每周增 1km、走平路保护膝盖、10 点前到图书馆”三项要求,规划 8 点出发的 15.1km 路线,在地图上每 5km 标记并写入日历。
保险:按沟通偏好调整跟进
核对门诊账单和保险卡,解释收费问题;用户希望把电话跟进改为文字,模型转而起草、发送邮件,最终由诊所账单部门提交理赔。
婚礼:47 人约束排座与复核
将无障碍、食物过敏及分开就座等备注转为规划规则,在工具中逐桌安排,最终重新对照原始名单逐项复核后导出座位图。
礼品定制与轻代码小游戏
浏览猫 Coco 的照片定制金色文字复古 T 恤并完成结算下单;根据图片输入生成代码,交由环境运行 3D 厨房小游戏。
健康演示从日历、消息、邮件串联旅行与症状线索,连接 Withings、HealthEx 等健康服务前先请求许可。
陌生任务(OOD)迁移与综合指标解析
Meta 对比 Wonder Full 与 Spark 1.3:在后训练重点优化任务的成绩相近时,Full 在后训练未专门针对的任务上得分更高。Meta 将提升归因于更大、更强的基础模型,更容易迁移已有能力。PSI 汇总 7 项个人与知识工作评测,Full 为 59.1、Opus 为 55.2;AA 综合智能指数中 Full 为 56 分、Opus 为 58 分。排名不同,来自测试组合与汇总方式的差别。
权限底线与系统防线 安全基准
代办任务深度接管邮件、日程与私密数据时易接触夹带恶意指令的外部内容。Meta 评测显示,Full 的个人信息处理违规率为 2.2%,诱导越权执行代码的攻击成功率为 10.7%。付款、外发信息、修改或删除关键数据等操作,需要系统级权限限制与必要确认。在危险用途防御上,Full 在 BioTIER 英文高风险生物请求拒答率达到 98.7%,对恶意网络利用严格拦截,合规网络防御配合率为 93.3%。
↑ 正文结束 ✓ 本篇全文免费开放
会员可复制、下载全文 Markdown,并解锁更多深度内容与播客。 订年卡 $59/年看权益对比 →
📮 新解读第一时间进邮箱
读完觉得有用?留个邮箱,每篇新解读发布就送达,随时退订。
相关解读
产品发布 Meta 发布 Muse Spark 1.1 模型,在多个代理评估中,媲美 GPT-5.5 和 Opus 4.8 07-09 · 10 分钟产品发布 Meta 发布 Muse Image:生图会自己查资料、自己纠错,评分排全球第二 07-08 · 7 分钟深度 SpaceXAI 团队分享构建 Grok Bot 的工程经验:涉及分布式系统设计、操作安全策略与上下文工程取舍 10-12 ·