Meta发布Muse Wonder系列 个人超级智能新旗舰逼近前沿
近期，科技公司推出了全新的旗舰智能模型系列，包含基础款与性能更强的两款产品，其核心目标是打造真正的个人超级智能。
第三方智能评测机构针对该系列给出了测试结果，性能更强的版本拿到56分，同标准下另一款主流模型的得分为58分，两者差距仅为两分；基础款则获得52分，本次评测采用该机构的智能指数v4.3版本，两款模型均开启了max推理模式。对比上一代同系列产品，其在同一份评测中的得分为48分，而两代模型的发布间隔仅约六周，迭代速度相当可观。
该系列模型的核心设计目标非常明确：既要能够胜任专业工作场景，也要牢牢记住用户的个性化需求，实现任务的持续推进与落地。
短短14个月的技术跃升
官方团队提到，早在14个月前，研发团队就启动了底层技术栈的全面重建工作，从基础设施搭建、预训练流程到强化学习方案都采用了全新的技术路线。首款落地产品只是阶段性成果，而本次推出的新系列则搭载了规模更大、能力更强的基础模型。本次模型的训练工作在千兆瓦级数据中心完成，此前在基础设施上的大规模投入，如今已经在第三方评测榜单上得到了直观的验证。
在自建的内部综合评测中，性能更强的版本拿到了59.1%的得分，高于同榜单中的多款主流模型。该内部指数涵盖了个人任务、专业工作、文献研究与持续执行等七大类评测维度，要求AI代理能够产出具体的落地成果，比如阅读整理材料、调用工具完成工作流、串联多个执行步骤等。
举个具体的例子，法律类评测需要AI从案件文档中生成符合标准的法律工作成果，企业自动化评测则要验证应用最终是否达到预设的运行状态。在相关法律评测结果中，性能更强的版本获得13.1%的得分，而对比模型仅为4.2%，该评测要求交付的成果必须通过全部标准审核，并通过幻觉检测，门槛相当高。
在长程软件工程评测中，该版本拿到57.5%的得分，对比模型为46.3%，另一款主流模型为42.5%，该版本比对比模型高出11.2个百分点。该项评测考察的是整套AI代理在大型软件项目中的整体交付表现。另一项长程编码评测中，该版本的得分为79.0%，同榜单的对比模型为74.2%。
第三方评测机构的编程Agent指数也给出了清晰的对比结果：搭配新系列高性能版本的编程工具获得68分，与另一款主流编程工具组合的得分持平，而上一代组合的得分为54分，所有测试均采用最高性能模式。团队在长任务场景下的进步十分明显，不过在部分细分评测中，对比模型仍保有一定优势，本次升级的核心亮点在于强化了持续执行与专业工作处理能力。
打造真正的个人智能助手：记忆与持续执行能力
官方为新模型的两大核心能力分别命名，分别负责主动记忆与任务持续推进。主动记忆功能能够记录用户此前分享的偏好、目标以及项目背景信息，在后续的对话或任务中自动调用相关细节，同时支持动态更新——如果用户中途调整了要求，后续的执行流程也会同步做出改变。
在相关记忆测试中，测试团队将干扰信息、冲突内容和后续更新混入长对话，验证模型能否准确检索到关键信息，最终基础款与高性能版本的得分分别为85.6和85.5。
任务持续推进能力负责保障任务的连贯执行，当一次搜索无法获得所需结果时，模型会自动切换搜索路径；如果程序测试失败，模型会读取反馈信息并进行修正；当执行过程中条件发生变化，也会及时调整后续行动方案，在需要澄清时主动向用户提问，重要操作前也会进行确认。
官方展示了多个贴合个人使用场景的案例：按照用户的个性化偏好和现实条件制定跑步计划，根据复杂的匹配规则安排婚礼座位，还能通过照片设计并订购定制化商品，这些场景都需要结合用户的具体信息，在浏览器和多个应用之间完成跨平台操作。早期体验相关编程工具的用户反馈称，新模型在代码库中一次性发现了其他AI代理遗漏的真实漏洞，同时对内置的多项实用功能十分满意。
泛化能力：跳出跑分的真实表现
官方在发布内容中提到了两个值得关注的概念，分别是过度追求跑分以及大模型真实质感。得分相近的两款模型，在陌生任务中的实际表现可能存在巨大差异，尤其是个人AI代理场景，用户的目标、可用工具和限制条件组合繁多，很难在训练阶段覆盖所有可能性。
为此官方开展了一组对比测试，横轴代表模型在重点优化任务中的得分，纵轴代表未被重点优化任务的平均表现，每个数据点对应一种推理设置。测试结果显示，高性能版本的趋势线整体位置更高，即在相同的熟悉任务得分基础上，其陌生任务的表现要优于基于上一代产品的旧趋势预测结果。官方解释称，这是因为新系列搭载了更强的基础模型，让后训练带来的能力提升能够更高效地迁移到其他任务场景中。
落地进展与商业化信息
目前，基础款已经可以通过官方API和编程工具使用，高性能版本则仅面向该编程工具的订阅用户开放。两款模型均支持多种格式的输入内容，输出为文本格式，上下文窗口长度可达100万token。
更强的性能也带来了更高的使用成本，基础款的每百万token输入价格为4美元，缓存输入价格为0.20美元，输出价格为20美元；根据第三方评测机构的同一套测试标准，单任务平均成本从上一代的1.60美元提升至4.52美元，而高性能版本目前尚未公开按token计费的API价格。
后续，基础款将接入官方的个人AI代理产品，首批将推送给订阅用户，当前的AI模型竞争已经从单纯的榜单跑分延伸到了实际产品落地：编程工具率先搭载了更强的编程能力，而个人代理产品则准备将记忆与持续执行能力带入日常任务场景中。
