Meta「最强」模型跑分碾压Opus 5.5，实测却连3D游戏都搞不定｜千亿豪赌下的刷榜疑云
深夜，Meta 官宣了两颗新模型：Muse Wonder 和 Muse Wonder Full。前者主打快速前沿性能，后者是完整版本。小扎的说法是，超级智能实验室组建一年多，Muse Spark 是第一个系列，Wonder 是更大、更先进的一代，正式踏进了「前沿」梯队。
跑分图一出确实惊艳。多个榜单上，Muse Wonder 的分数直接压过 Astra 和 Fable 5.1，甚至领先 Opus 5.5。舆论一片「Meta 发了 Astra/Fable 级别模型」的声音，还有人觉得 Meta 在长周期软件工程上正式超越 OpenAI，护城河彻底蒸发。Artificial Analysis 的测试里，Muse Wonder Full（Max）也挤进了多项前三。
开放 API 之后，涌进去的开发者很快发现了不对。
同一个提示词、最高推理档位下，Muse Wonder 和其他模型的输出差异极大——评分明明高于 Astra 和 Fable 5.1，实际测试表现却比两者差得多。有人直言这是「连 Gemini 看了都要甘拜下风的极致刷分」。在一个 RocketLeagueBench 的 3D 游戏测试里，结果惨不忍睹，开发者说自 Opus 4.8 以来几乎所有主要模型在这个榜单上都比它好。
面对质疑，Meta 首席 AI 官 Alexandr Wang 回应得挺坦诚：「整个团队现在觉得自己很蠢，但这是事实，我们确实没有明确地在 3D 演示游戏上训练过模型……但不后悔，请大家在实际的编码工作中试试它。」
替 Meta 辩护的人说，3D 游戏演示很酷，但完全不代表真实代码工作，Wonder 是难以置信的代码模型。反驳的人也戳得直接：首先，这说明它泛化能力绝对糟糕；其次，视频游戏演示本身也是通过代码做出来的。
官方博客这次是真有备而来，万字雄文直接对着 OpenAI 的 GPT-6 Astra 和 Anthropic 的 Claude Opus 5.5 开火。
几个核心卖点都甩了硬数据。在自己的「个人超级智能指数」里，Muse Wonder Full 拿下 59.1 分，压过 Opus 5.5 的 55.2 和 Astra 的 54.5。整条业务流的 AutomationBench 测试 45.4 分，力压最高只有 41.6 的对手。独家绝技是「主动记忆（Active Memory）」和「主动专注（Active Focus）」——MemoryBench 拿 85.5 对 Opus 5.5 的 81.5，能自己判断哪些旧信息对当前任务有用并主动调取。官方演示里，它甚至能在浏览器和多个 App 之间自己操作，结合现实情况排出一份周末跑步计划。
长周期代码是它最得意的战场。SWE-Marathon 拿下 57.5 分，最强对手最高才 46.3；DeepSWE 也是 79.0 对 74.2。按官方说法，要让 AI 花几天维护一个庞大、枯燥、复杂的企业级代码仓库，Muse Wonder 目前是无冕之王。垂直领域也有斩获，Harvey 法律智能体测试里 13.1 分大幅领先对手最高的 8.6 分。
针对「Benchmaxxing（刷榜）」的质疑，官方博客丢出一张「测试时计算扩展」图表，证明随着测试时计算增加，Muse Wonder 在没有专门训练过的陌生任务（OOD）上相比上一代 Muse Spark 有向上跃升，以此说明它不是应试机器，基础模型底座真变聪明了。
博客也没回避输掉的项目。终端编程 Terminal-Bench 上 57.1 输给 Opus 5.5 的 59.6；从零写完整程序的 ProgramBench 59.0 惨败给 Opus 的 70.5；操作电脑 OSWorld 78.4 对 81.8；专业文档 GDP.pdf 33.2 输给 Astra 的 34.2。综合知识和某些编码场景上，双王依然能打。
更让开发者膈应的还有三件事。
官方博客里拳打 ASTRA 脚踢 OPUS 的那个，是完整版 Muse Wonder Full，但完整版目前只开放给 Muse Code 的付费订阅用户。开发者今天通过 API 能调用的，只是主打速度的基础版 Muse Wonder。Artificial Analysis 评测显示，基础版综合评分仅 52 分，实际上还略低于 GPT-6 Astra 和 Gemini 4 Argon。最风光的那版，藏在付费墙后面。
API 也贵。虽然有 100 万 Token 的大上下文窗口，但基础版定价是每百万输入 4 美元、输出 20 美元，第三方估算完成一项测试任务成本高达 4.52 美元，比 Astra 的 3.26 美元和 Gemini 都贵得多。
普通用户还得等，而且这次不开源。普通用户用的 AI 助手 Muse 要等官方「逐步」接入；曾经把 Llama 开源造福全人类的小扎，这次在模型卡里只写了「采取安全计划保护模型权重」，对开源只字未提。
小扎的野心在播客《Cheeky Pint》里摊得很开。他说前沿 AI 模型完全反直觉，「你必须在知道模型到底能不能用之前，就砸下 1000 亿到 2000 亿美元」，这种赌徒心理造就了背后吉瓦级的 Prometheus 数据中心。他判断未来软件界面会无限变薄，真正区分产品的是 AI 的行为、个性、可靠性、记忆力和工具能力，模型本身就是产品。他描绘的终极形态是 AI 代理的 B2B 时代——你的个人代理直接去和商家的代理谈判下单，说自己以前一年用两次买菜软件，现在一周用两次。
跑分上超越 Astra 和 Fable 5.1 确实惊艳，但一个开放 API 就翻车、最猛版本锁在付费墙后、基础版实测不如 Astra 的模型，距离它嘴上那个「无冕之王」还有一段路。接下来得看更多用户实际编码里的反馈，才能判断这 1000 亿到底烧出了真本事，还是只烧出了一张漂亮的榜单。