简短回答
Muse Wonder 是 Meta 首个由 Meta 自己定位在前沿的模型家族，其发布在价格和可用性上异常具体。标准模型 Muse Wonder 今天即可通过 Meta Model API 调用，价格为每百万输入 token 4.00 美元、每百万输出 token 20.00 美元。更大的模型 Muse Wonder Full 完全不按 token 出售：它包含在每月 50 美元和 200 美元的 Muse Code 订阅之中。Meta 自己的成绩单显示，Muse 模型在 14 行基准中领先 7 行，落后于 Claude Opus 5.5 共 6 行，其中包括 Artificial Analysis 智能指数（Opus 58、Wonder Full 56、Wonder 52）。
本文基于一手来源：马克·扎克伯格的发布帖串、Meta 研究博客文章、模型卡、超级智能扩展框架（Superintelligence Scaling Framework）、Meta for Developers 模型页面，外加一个独立来源 Artificial Analysis。所有数字均于 2026 年 10 月 12 日核对。凡来自 Meta 的数字都标注为厂商自报，下文没有任何一项是本站的独立复现。
发布帖串
扎克伯格的公告于 10 月 12 日 16:55 UTC 以五条帖子的帖串发出。首条是覆盖在一张基准表之上的一句话：“Introducing Muse Wonder, our new family of frontier models with state of the art performance for personal and professional agentic work.”（介绍 Muse Wonder，我们面向个人与专业智能体工作、性能达到业界领先水平的新一代前沿模型家族。）抓取时该帖约有 11,000 个赞和 557,000 次浏览。
Introducing Muse Wonder, our new family of frontier models with state of the art performance for personal and professional agentic work.
— @finkd 2026 年 10 月 12 日
第二条帖子附有视频，交代了来龙去脉：距离启动 Meta Superintelligence Labs“刚过一年”，Muse Spark“是我们的第一个模型家族”，而 Muse Wonder 是“规模大得多、也更先进的一类模型，让我们来到前沿”。它还点明了这一对：Muse Wonder“用于快速的前沿性能”，Muse Wonder Full“是模型的完整版本”。
It’s been just over a year since we started Meta Superintelligence Labs. Muse Spark was our first family of models, and now Muse Wonder is a much larger and more advanced class of models that brings us to the frontier.
— @finkd 2026 年 10 月 12 日
其余帖子谈分发与定位。一条说你可以“今天就订阅，用 Muse Wonder 驱动你的 Muse”，并且 Meta 会“努力让所有人逐步用上这一水平的智能”。另一条说它也可通过 Muse Code 和 Meta Model API 使用，并“即将进入其他产品”，附有博客链接。最后一条称 Muse Wonder 是“迈向为所有人提供个人超级智能的重大飞跃”。@AIatMeta 账号在七分钟后发出了自己的帖串，Alexandr Wang 则从他的账号发出了更强的说法：“muse wonder is the best model in the world for personal agents and professional agents.”（Muse Wonder 是全球最适合个人智能体和专业智能体的模型。）请把它当作发布团队的主张；正如基准部分所示，那张表并不支持“全面全球最佳”。
Meta’s research account thread on Muse Wonder, repeating the availability split between Muse Wonder and Muse Wonder Full.
— @AIatMeta 2026 年 10 月 12 日
发布视频的字幕与 Meta 博客文章一并发布，更像产品宣讲而非技术讲解。一位研究员说团队“投入了大量精力，确保我们的模型能在数天、数周、数月乃至更长的时间里记住对你重要的事”，另一位则描述自己用该模型“每天从多个来源调研所有新上架的房源，然后模型会替我联系房东”。这两句话就是产品命题：一个记得你、并替你行动的助手。本指南的其余部分检验已发布的证据对这一命题的支持程度。
两个模型，三条入口
Meta 的材料把这个家族描述为三层可用性，而帖串、博客和开发者页面的措辞各不相同。下表区分了各来源的说法。
| 模型 | 今天可用 | 即将推出 | 来源 |
|---|---|---|---|
| Muse Wonder (muse-wonder-1.0) | Meta Model API；Muse Code | Muse 消费者产品（订阅者优先）；其他 Meta 产品 | Meta 博客；developer.meta.com |
| Muse Wonder Full (muse-wonder-full-1.0) | Muse Code 订阅，Power Usage 与 Maximum Usage 套餐 | 未说明 | Meta 博客；developer.meta.com |
| 两个模型 | 开发者页面显示 1M token 上下文窗口 | 陆续进入其他 Meta 产品 | 扎克伯格帖串；developer.meta.com |
有一处不一致值得指出。帖串说你可以“今天就订阅”用 Muse Wonder 驱动你的 Muse，而博客说 Muse Wonder“即将为 Muse 中的体验提供动力”。如果“订阅”指的是 Muse Code 订阅，两者可以相容，但帖串并没有这样说，而且也没有公布消费者应用的订阅价格。如果你围绕消费者版 Muse 应用做规划，博客里的“即将”是更稳妥的读法。
本指南读过的所有 Meta 来源都缺少两项事实。没有任何声明说会发布权重，而模型卡说使用受 Meta 条款与可接受使用政策约束，所以应把两个模型都视为专有模型。同样没有区域可用性清单。多条早期回复问到了这两点；截至撰文时 Meta 尚未回应。
定价与成本测算
Meta for Developers 模型页面列出了 muse-wonder-1.0 的 Model API 价格，Artificial Analysis 也独立列出了同样的每百万 4.00 美元输入与 20.00 美元输出。页面还说有一份快速上手指南，可把“你现有兼容 OpenAI SDK 的客户端”指向 Meta Model API，这降低了已基于该接口构建的系统的切换成本。
| 模型 | 输入 / 每百万 token | 缓存输入 / 每百万 | 输出 / 每百万 | 上下文 |
|---|---|---|---|---|
| Muse Wonder (muse-wonder-1.0) | $4.00 | $0.20 | $20.00 | 1M token |
| Muse Spark 1.3（对照） | $1.25 | $0.15 | $4.25 | 见开发者页面 |
| Muse Wonder Full | 无按 token 价格 | 不适用 | 不适用 | 1M token |
Muse Wonder Full 通过 Muse Code 使用，开发者页面将其描述为“在终端里的多智能体编码”，能“规划长任务并委派给子智能体”。所列套餐见下表。用量以入门档的倍数表示；已读页面没有公布绝对用量上限。
| Muse Code 套餐 | 月费 | 相对 Everyday 的用量 | Wonder Full 权限 |
|---|---|---|---|
| Everyday Usage | $5.00 | 1x | 未列出 |
| High Usage | $15.00 | 5x | 未列出 |
| Power Usage | $50.00 | 20x | 有 |
| Maximum Usage | $200.00 | 80x | 有 |
算例：按标价计算一次智能体会话
下面的算术只使用上述标价和假设的会话形态，因此是示例而非实测。设一次智能体会话发送 500,000 个输入 token，其中 400,000 个由缓存命中，并产生 50,000 个输出 token。
| 项目 | Muse Wonder | Muse Spark 1.3 |
|---|---|---|
| 100,000 个未缓存输入 token | $0.40 | $0.125 |
| 400,000 个缓存输入 token | $0.08 | $0.06 |
| 50,000 个输出 token | $1.00 | $0.2125 |
| 启用缓存的会话合计 | $1.48 | $0.3975 |
| 同一会话不启用缓存（500,000 输入） | $3.00 | $0.8375 |
由此得出两点。第一，在这种形态下缓存让 Wonder 的账单减半，所以冗长、重复的智能体循环应当为缓存命中而设计。第二，输出 token 占主导：每百万 20 美元，输出占了启用缓存会话成本的三分之二。Artificial Analysis 的实测数字指向同一方向。它报告每个智能指数任务约 54,000 个输出 token，Muse Wonder 每个任务成本为 4.52 美元，而 Claude Fable 5.1 为 7.63 美元、Claude Opus 5.5 为 5.98 美元、GPT-6 Astra 为 3.26 美元。它称 Wonder 的成本“高于大多数智力水平相近的模型”，原因是每个任务有 769 万输入 token。
Muse Wonder Full 没有 API 价格，Artificial Analysis 将其列为“No publicly available API”（没有公开可用的 API）。别处附在它身上的任何按 token 或按任务的成本都是捏造的。已有文档的最便宜路径是每月 50 美元的 Power Usage 套餐。
基准测试（已标注来源）
Meta 的评测表把 Muse Wonder Full 和 Muse Wonder 与 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5.5 对比，全部使用最大推理强度。下面的每个单元格都是厂商自报；Meta 的模型卡说，凡有可比的第三方或提供方自报结果就采用它，否则采用“内部验证运行、自报分数或官方排行榜分数中的最高者”。这一惯例会抬高每个单元格（包括竞争对手），并在不同行之间混用来源。
下表转录自该表。第一列为 Muse Wonder Full，随后依次为 Muse Wonder、Fable 5.1、GPT-6 Astra 和 Opus 5.5。我读取了帖子中的图片，并与开发者页面文字做了交叉核对；开发者页面缺少 Fable 5.1 与 GPT-6 Astra 的 OSWorld 单元格，所以这四个数值仅来自图片。
| 基准（厂商自报） | Wonder Full | Wonder | Fable 5.1 | GPT-6 Astra | Opus 5.5 |
|---|---|---|---|---|---|
| Personal Superintelligence Index（内部） | 59.1 | 54.3 | 49.9 | 54.5 | 55.2 |
| Harvey LAB-AA | 13.1 | 10.0 | 6.4 | 8.6 | 4.2 |
| Vals Finance Agent V2 | 59.1 | 56.6 | 58.9 | 53.5 | 58.6 |
| HealthBench Pro | 62.3 | 60.5 | 62.1 | 65.3 | 65.6 |
| AutomationBench-AA | 45.4 | 39.1 | 32.1 | 41.6 | 41.2 |
| GDP.pdf | 33.2 | 30.8 | 27.6 | 34.2 | 30.6 |
| JobBench | 75.3 | 70.5 | 73.1 | 66.1 | 75.4 |
| OSWorld V2.1（部分得分） | 78.4 | 72.6 | 80.7 | 75.8 | 81.8 |
| OSWorld V2.1（二元） | 39.4 | 34.3 | 43.1 | 34.3 | 未报告 |
| MemoryBench（内部） | 85.5 | 85.6 | 79.0 | 81.4 | 81.5 |
| Terminal-Bench 4.0-AA | 57.1 | 52.0 | 52.0 | 59.1 | 59.6 |
| DeepSWE 1.1 | 79.0 | 78.8 | 67.4 | 74.1 | 74.2 |
| SWE-Marathon | 57.5（xhigh） | 53.1 | 45.6 | 42.5 | 46.3 |
| ProgramBench | 59.0 | 50.0 | 55.5 | 52.5 | 70.5 |
| Artificial Analysis Index | 56 | 52 | 53 | 53 | 58 |
Muse 领先之处：长周期软件工程（DeepSWE 和 SWE-Marathon）、法律智能体工作（Harvey LAB-AA）、AutomationBench-AA、勉强领先的金融智能体测试，以及两个 Meta 自建的行：Personal Superintelligence Index 与 MemoryBench。落后之处：Opus 5.5 领先 Artificial Analysis Index、Terminal-Bench、ProgramBench、HealthBench Pro、JobBench 和 OSWorld 部分得分；GPT-6 Astra 领先 GDP.pdf；Fable 5.1 领先 OSWorld 二元指标。把 OSWorld 算作一行，则 14 行中 Muse 领先 7 行，Opus 领先 6 行。
有三处差距小到无法判定：JobBench 上 Opus 为 75.4、Wonder Full 为 75.3；Vals Finance Agent V2 上为 59.1 对 58.9；两个 Muse 模型在 MemoryBench 上相差不到 0.1 分。模型卡说 JobBench 包含 65 个任务，所以在做评分细则平均之前，一个任务大约会使原始准确率变动 1.5 分。
这条图注带着发布中最重要的方法论提醒。模型卡写明，对于外部编码结果会保留“报告厂商或模型提供方所使用的工具链或智能体产品”，因此 SWE-Marathon 比较的既是模型，也是产品。相比之下，ProgramBench 对所有模型使用同一个 mini-swe-agent 工具链，而这一行恰恰是 Opus 5.5 领先 Wonder Full 11.5 分。如果只读一行来判断受控条件下的原始编码能力，这一行更干净，而它并不利于 Muse。
独立证据
Artificial Analysis 在帖串发出约三十分钟后发布了自己的 Muse Wonder 结果，它的数字是发布周内最接近独立核查的东西。这是第三方帖子，不是 Meta 的来源。
Artificial Analysis on Muse Wonder: Intelligence Index results for Muse Wonder Full and Muse Wonder against Muse Spark 1.3.
— @ArtificialAnlys 2026 年 10 月 12 日
帖子中的独立测量结果如下：在智能指数 v4.3 上，Muse Wonder Full 得 56、Muse Wonder 得 52，而 Muse Spark 1.3 为 48，“发布间隔只有 6 周”。Wonder Full 的 Terminal-Bench 4.0 从 33% 升至 57%。Wonder Full 在十项指数评测中有六项进入前三，并以 33% 登顶 CritPt 排行榜。两个模型每个任务都使用约 54,000 个输出 token，比 Muse Spark 1.3 少约 10%。在 Muse Code 中以最大强度运行时，Wonder Full 在 Artificial Analysis 的 Coding Agents Index 上得 68，与运行 Sonnet 5.5 的 Claude Code 持平，高于运行 Opus 5.5 的 Claude Code（66）。
有两点限制。由于 Wonder Full 没有公开 API，它在 Artificial Analysis 的数字来自 Muse Code 产品，因此衡量的是模型加智能体工具链。还有一处差异尚未解决：对 AutomationBench-AA，Meta 的表中 Wonder Full 为 45.4，而 Artificial Analysis 的帖子引用的是 71%；两个来源对指标的定义或所用变体不同，也都没有解释这一差距。请引用来源及其定义，而不要混用数字。
发布后的几个小时内，没有找到在真实代码库上对 Muse Wonder 与 Opus 5.5 或 GPT-6 Astra 做的独立上手对比测试。这对一款当日发布的模型在意料之中，也是证据中的主要空白。上面标注为厂商自报的一切都尚未被复现。
Active Memory 与 Active Focus
Meta 把两个理念称为贯穿该系列的主线。Active Memory是“在多次对话中携带关于你的重要上下文，并主动检索与手头任务相关的细节”。Active Focus是模型如何“持续朝着一个有挑战性的目标工作：尝试替代方案、解决阻碍、适应新信息”，在需要时请求澄清，并在采取重要行动之前先确认。
两者都没有被记录为单独的 API 功能。证据是基准测试。对记忆而言是 MemoryBench，据模型卡，它测试在带有干扰项与相互冲突更新的 64K 至 100K token 对话中的事实回忆。这是单次对话内的长上下文能力，并不能证明跨数周的持久记忆；而已读的开发者页面显示 1M token 上下文窗口，却没有记忆 API。如果你自行构建持久记忆，架构问题不变：存什么、怎么检索、如何让用户纠正。
对专注而言，证据是 FocusBench（内部评测；涵盖住房、旅行、IT 与金融等领域的多步骤个人任务）和 SWE-Marathon。FocusBench 把这个家族拆开了：Wonder Full 为 54.2%，GPT-6 Astra 47.7%，Opus 5.5 45.8%，Wonder 44.9%，Fable 5.1 36.6%，所以标准模型排第四。无论 Active Focus 是什么，主要由 Full 模型承载。
泛化能力的说法
Meta 直接回应了显而易见的质疑，写道：对“benchmaxxing”（刷榜）的抱怨与对“big model smell”（大模型味）的称赞，都指向“若干领域中的流行基准无法完全捕捉的广泛能力”。它的测试把后训练针对过的任务（分布内）与未针对的任务（分布外）的表现，在不同推理强度设置下绘制出来，对象是 Muse Spark 1.3 和 Muse Wonder Full。
这一主张既有限又具体：随着计算量上升，两个模型的改善相似，但在相同的分布内得分下，Wonder Full 在陌生任务上的表现高于 Spark 趋势的预测，Meta 将其归因于更大的基础模型。每个模型只有四个点，对一条趋势来说样本很小，而且分布外任务集没有公开名称，外人无法检查什么算“陌生”。务实的读法是把它当作一个可检验的预测：如果这一主张成立，你自己的非基准任务应当比榜单分数所暗示的提升更多。
安全与风险文档
Meta 发布了模型卡和超级智能扩展框架，并表示更完整的安全报告将“很快”发布。撰文时该报告尚不可用。模型卡对 Muse Wonder Full 的描述比大多数发布文件都更坦率。
| 主题 | 模型卡的说法（厂商自报） |
|---|---|
| 化学与生物风险 | 在没有缓解措施时，Meta 不排除该模型达到高风险阈值。加入安全后训练与系统级分类器后，评估风险为中等或更低。 |
| 网络安全与失控 | 未经缓解的模型被评估为中等或更低。 |
| 部署决定 | Meta 称缓解后的评估支持其部署决定。这是 Meta 自己的评估，而非独立审计。 |
| ExploitGym | 捕获 92 个 flag，但验证发现只有 21 个使用了预期漏洞；公布的排名只计 21 个。 |
| 预期用途 | 不适用于 18 岁以下个人。 |
| 已知局限 | 在新颖场景中的多步推理错误；空间与 3D 推理；并未评估预训练中的所有语言。 |
| Meta 自己的建议 | 当模型能够采取现实世界行动时，加入护栏，例如对不可逆操作要求人工确认。 |
Meta 的发布图表还把安全行为与其他厂商的模型做了对比。在执行未授权代码上（攻击成功率，越低越好），数字为 Muse Wonder 10.5%、Wonder Full 10.7%、Fable 5.1 11.3%、GPT-6 Astra 19.7%。在网络防御合规上（越高越好），数字为 Wonder 94.5%、Wonder Full 93.3%、Astra 81.3%、Fable 5.1 15.7%。在不当处理个人信息上（违规率，越低越好），数字为 Wonder Full 2.2%、Wonder 3.4%、Astra 4.6%、Fable 6.8%。
请仔细读这条图注：合规图奖励帮助完成防御性安全工作的模型，所以低分并不是“更不安全”，而是“拒绝得更多”。对比组对 Meta 也并非一味有利；在 BioTIER 拒绝率上，Fable 5.1（99.7%）领先于 Wonder Full（98.7%）和 Wonder（98.0%）。尽管如此，这里的每一个数字都来自 Meta 自己的评测。
社区的反应
首条帖子在发布后不久被抓取时已有 783 条回复。这些是反应，而不是证据，这里的样本很小，是从能够取回的回复中人工挑选的，并非民意调查。
热情集中在编码上。@rohanpaul_ai 写道“Beats opus 5.5. wow”（打败了 opus 5.5，哇），@daniel_mac8 写道“That DeepSWE score though? You guys cooked.”（不过那个 DeepSWE 分数？你们做得太棒了。）两者都指向那张表中最强的行。
怀疑集中在基准上。@repojournal 写道：“Opus 5.5 is so good I am find this hard to believe but if it’s true then wow congratulations.”（Opus 5.5 太好了，我觉得难以置信，但如果是真的，那就太棒了，恭喜。）@manish_fp 写道：“At this point you guys are inventing new benchmarks because you’ve run out of existing ones to beat.”（到这个地步你们是在发明新基准，因为现有的都已经被你们打败了。）这击中了成绩单的一个真实特点：Muse 领先最明显的几行有若干是 Meta 自己设计的。
关于可用性的问题。@notjazii 请求 Meta“please don’t region block models”（请不要对模型做区域封锁），@cryptgreg 问道“Will this be open sourced as well?”（这个也会开源吗？）Meta 的材料对这两个问题都没有回答。@VictorTaelin 发了一个以“idk but I want to believe”（我不确定，但我愿意相信）结尾的玩笑情景，捕捉到一种惊讶的情绪，而惊讶并非佐证。
Alexandr Wang 还转发了一串未具名的背书，其中一条说该模型在所有跑过的技术基准上都与 Astra、Fable 和 Opus“不相上下或更好”。这些是发布方精心挑选的见证，此处不计作社区证据。
切换前的测试方案
成绩单告诉你该往哪里看，却不会告诉你是否该迁移。仅凭上述事实，一次相称的评估可按五步进行。
- 按成绩单的形状拆分你的待办任务。挑选类似 Muse 领先的那些行的任务（长周期的多文件软件工作、法律或金融文档任务、重度依赖记忆的对话），以及类似它落后之处的任务（终端驱动的编码、从零构建、与健康相关的问题、GUI 自动化）。两组都跑；只在一组中得出的结果不构成结论。
- 固定工具链。让每个模型都在同一个智能体工具链中运行。如果你在 Muse Code 里测试 Wonder Full、在 Claude Code 里测试 Opus 5.5，你比较的是产品，这是个合理但不同的问题。
- 明确设定强度与预算。Meta 的数字是在最大强度下得到的，而 Wonder Full 的 SWE-Marathon 是在 xhigh 下得到的。衡量每个完成任务的成本，而不是每百万 token 的价格，并跟踪缓存命中率，因为缓存输入价是 0.20 美元，未缓存为 4.00 美元。
- 检验泛化能力的说法。加入与公开基准毫不相像的任务。如果 Meta 的分布外论证成立，这里正是 Wonder Full 应比 Spark 1.3 领先得更多、超出榜单所示的地方。
- 为现实世界行动设闸。Meta 自己的模型卡建议对不可逆操作要求人工确认。对任何持有私人上下文、消息或日历的智能体，应把它当作设计规则，而不是事后补救。
局限
- 来自 Meta 的所有基准与安全数字都是厂商自报。本指南读取了图片并与开发者页面做了交叉核对，没有重新运行任何基准。
- 仅有的独立数字是 Artificial Analysis 的指数结果，以及 Meta 点名的第三方结果来源（Artificial Analysis、Datacurve、Abundant AI、Vals AI、Surge）。Artificial Analysis 关于 Wonder Full 的数字来自 Muse Code。
- Fable 5.1 与 GPT-6 Astra 的四个 OSWorld 单元格，以及安全图表上的所有图表数值，都来自对渲染图片的读取；泛化图的数值为近似值。
- 没有找到消费者版 Muse 订阅价格、Wonder Full 按 token 价格、Muse Code 的绝对用量上限、开放权重声明或区域可用性清单。这里一概不作猜测。
- 撰文时 Meta 的完整安全报告尚未公开。对比组由 Meta 自己选定；换一组对手可能改变图景。
常见问题
什么是 Muse Wonder？
Muse Wonder 是 Meta Superintelligence Labs 于 2026 年 10 月 12 日发布的由两个模型组成的家族：Muse Wonder 与 Muse Wonder Full。Meta 将其描述为继 Muse Spark 之后扩展阶梯上的下一步，面向个人与专业智能体工作。
Muse Wonder 与 Muse Wonder Full 有什么区别？
Muse Wonder 是更快的模型，可通过 Meta Model API 和 Muse Code 使用。Muse Wonder Full 是完整版本，仅通过 Muse Code 订阅提供，适用于 Power Usage（每月 50 美元）和 Maximum Usage（每月 200 美元）套餐。在 Meta 的表中，Full 在大多数行上得分更高。
Muse Wonder API 多少钱？
Meta for Developers 页面列出 muse-wonder-1.0 的价格：每百万输入 token 4.00 美元、每百万缓存输入 token 0.20 美元、每百万输出 token 20.00 美元，上下文窗口为 1M token。Muse Wonder Full 没有按 token 价格。
Muse Wonder 比 Claude Opus 5.5 更好吗？
在 Meta 自己的表中，它在 14 行中领先 7 行，在 6 行上落后于 Opus 5.5，其中包括 Artificial Analysis 智能指数（Opus 58、Wonder Full 56、Wonder 52）。它在长周期编码和若干智能体任务上领先，在终端编码、从零编程、健康和计算机使用上落后。哪个更好取决于你的工作负载。
这些基准结果是独立的吗？
只是部分独立。Meta 汇编了这张表，每行取可获得的最高分，以尽力而为的方式运行竞争对手模型，并自行设计了若干基准。Artificial Analysis 另行发布了自己的指数结果，那些是独立的，但只覆盖表中的一部分。
什么是 Active Memory 与 Active Focus？
这是 Meta 对两种行为的命名：跨多次对话携带用户的重要上下文；在困难任务中克服阻碍，同时请求澄清并在重要行动之前先确认。证据是 MemoryBench、FocusBench 和 SWE-Marathon；前两者是 Meta 内部评测。
Muse Wonder 开源吗？
没有找到会发布权重的声明。Artificial Analysis 将其列为专有模型，模型卡说使用受 Meta 条款约束。除非 Meta 另有说明，否则应视为闭源。
我今天能在 Muse 应用中使用 Muse Wonder 吗？
Meta 的博客说 Muse Wonder 将很快为 Muse 中的体验提供动力，订阅者优先。扎克伯格的帖串说你可以今天就订阅来驱动你的 Muse。两种说法并不相同，博客更为具体；也没有公布消费者订阅价格。
把它部署为智能体安全吗？
Meta 的模型卡说，在没有缓解措施时无法排除其在化学与生物领域达到高风险阈值，加入缓解措施后，各领域评估风险为中等或更低。它建议对不可逆操作要求人工确认。该评估是 Meta 自己的，未经独立审计。
它支持哪些模态和上下文长度？
据模型卡与开发者页面：文本、图像、视频和音频输入，文本输出，以及 1M token 上下文窗口。模型卡还说，该模型并未评估预训练中的所有语言，空间与 3D 推理仍是已知局限。
来源
来源核对于 2026 年 10 月 12 日。
- Mark Zuckerberg 在 X 上的发布帖串（首帖与基准表；上文嵌入了视频帖）
- AI at Meta 在 X 上与 Alexandr Wang 在 X 上
- Muse Wonder —— Meta AI 研究博客（公告、可用性、Active Memory 与 Active Focus、泛化图、发布图表）
- Muse Wonder 模型卡（模态、基准方法、逐项基准说明、风险评估、局限）
- Meta 超级智能扩展框架
- Meta for Developers 上的 Muse Wonder与 Muse Code（API 价格、套餐档位、使用权限）
- Artificial Analysis 在 X 上及其 Muse Wonder 模型页面（独立的指数、成本与 token 测量）
- 首条帖串下的社区回复，已在上文以内联链接标出；作为带署名的反应引用，而非已核实的事实。
相关阅读：Gemini 4 Argon 完整指南、GPT-6.1 Sol 指南、Tavus Griffin Human Interaction Model 指南，以及 OpenAI DevDay 2026 回顾。