Meta 发布 Muse Wonder 系列模型，长上下文智能体任务表现接近主流竞品

Meta 发布了 Muse Wonder 和 Muse Wonder Full 两款模型两者均支持 1M token 上下文窗口。Muse Wonder Full 在 Meta 内部使用的 Personal Superintelligence Index 得到 59.1 分Muse Wonder 为 54.3 分作为对比Claude Opus 5.5 在该指标上得分 55.2Claude Fable 5.1 为 49.9GPT-6 Astra 为 54.5。编程任务表现在 DeepSWE 1.1 基准上Muse Wonder Full 得分 79.0Muse Wonder 为 78.8Claude Opus 5.5 为 74.2GPT-6 Astra 为 74.1Claude Fable 5.1 为 67.4。在 ProgramBench 测试中Muse Wonder Full 得分 59.0Muse Wonder 为 50.0低于 Claude Opus 5.5 的 70.5。在需要长期规划的 SWE-Marathon 任务中Muse Wonder Full 得分 57.5标注为 xhigh 难度Muse Wonder 为 53.1Claude Opus 5.5 为 46.3Claude Fable 5.1 为 45.6GPT-6 Astra 为 42.5。智能体与自动化能力在命令行操作基准 Terminal-Bench 4.0-AA 上Muse Wonder Full 得分 57.1Muse Wonder 为 52.0Claude Opus 5.5 为 59.6。在操作系统级任务 OSWorld V2.1部分测试中Muse Wonder Full 得分 78.4Muse Wonder 为 72.6Claude Opus 5.5 为 81.8。在 AutomationBench-AA 测试中Muse Wonder Full 得分 45.4Muse Wonder 为 39.1。在金融智能体基准 Vals Finance Agent V2 上Muse Wonder Full 得分 59.1Muse Wonder 为 56.6。在法律任务基准 Harvey LAB-AA 中Muse Wonder Full 得分 13.1Muse Wonder 为 10.0。记忆与综合指标两款模型在 Meta 内部的 MemoryBench 得分接近Muse Wonder Full 为 85.5Muse Wonder 为 85.6。在 AA Intelligence Index v4.3 综合评估中Muse Wonder Full 得分 56Muse Wonder 为 52Claude Opus 5.5 为 58。上述所有基准的测试设置和评分标准未公开不同来源的得分可能使用不同版本或配置因此各模型之间的直接比较需谨慎解读。Personal Superintelligence Index 和 MemoryBench 标注为内部基准其评估方法和公开基准的可比性尚不清楚。