据 TechCrunch 报道，Meta 旗下超级智能实验室发布了 Muse Wonder 与 Muse Wonder Full 两款新模型。这是 Meta 首次尝试推出前沿模型，也意味着其 AI 路线从以低延迟为主的轻量模型，进一步延伸到更大规模、更高基准成绩和更强复杂任务能力的方向。
此前，Meta 已推出轻量模型 Muse Spark，强调低延迟运行。新的 Wonder 系列则被定位为更大、更强的模型。据 Meta 在模型卡中披露的测试结果，Wonder 与 Wonder Full 在基准测试中的表现可与 Fable 5.1 和 GPT-6 Astra 相当，并在编程等复杂任务上取得更好结果。Meta 在博客中称，这两款模型“标志着我们规模化阶梯上的下一步，也是迈向个人超级智能的重要飞跃”。
从轻量模型到前沿模型，Meta 补齐高阶产品线
这次发布的关键点，不只是模型名称更新，而是 Meta 首次把产品推进到外界通常所说的前沿模型区间。素材显示，Wonder 系列相比 Muse Spark 更强调综合能力，尤其是在需要更多计算和推理能力的任务中。
- Muse Spark：强调轻量、低延迟。
- Muse Wonder：更大、更强，面向复杂任务。
- Muse Wonder Full：能力版本更高，但分发方式更封闭。
这种组合呈现出 Meta 的模型分层：一端是轻量模型，服务快速响应场景；另一端是前沿模型，服务编程、长期任务和个人助手等更复杂的需求。两款模型还将用于驱动 Muse agent。
定价与开放方式：Wonder 走 API，Full 版只向订阅者开放
在商业化上，Meta 通过 Meta Model API 提供 Wonder。其价格为每百万输入 token 4 美元，每百万输出 token 20 美元。素材称，这一成本大致与 GPT-6 Sol 或 Opus 5.5 相当。
值得注意的是，Wonder Full 不会通过 API 提供服务，只会面向 Muse Code 订阅者开放。这意味着，Meta 在前沿模型的分发上并没有全部采用开放 API 路线，而是将更高版本与自有订阅产品绑定。
“主动记忆”成为重点：让模型记住用户长期需求
Meta 还强调了新模型在长期个人助手方向上的能力。公司特别提到“主动记忆”这一概念，即模型能够保留并综合用户提供的信息，并在更长时间内使用这些信息。
为了说明记忆能力，Meta 引用了 MemoryBench 基准。该基准主要考察持续学习和记忆构建框架。按照 Meta 的测试，Muse Wonder 在 MemoryBench 上的得分高于 Fable、Opus 和 Astra。
研究科学家 Kavya Kopparapu 在发布视频中表示：“我们投入了大量精力，确保你的模型能够在数天、数周、数月甚至更长时间内，记住对你重要的信息。”
重组后的首次前沿模型发布，释放什么信号
这次发布也是 Scale AI 创始人 Alexandr Wang 于去年 8 月重组 Meta AI 工作后，Meta 首次发布前沿模型。此后，Meta 曾推出轻量模型 Muse Spark 和 Muse agent，但一直未进行 OpenAI 和 Anthropic 常见的前沿模型发布。
训练地点方面，Meta 表示新模型在位于俄亥俄州中部的 Prometheus 数据中心完成训练。该数据中心于今年上半年投入运行。
对行业而言，Meta 此次推出 Wonder 系列，说明其正在从轻量模型能力展示，转向更高阶模型与长期助手能力的竞争。未来的关注点，不只是模型基准成绩，还包括记忆能力、订阅分发和 API 定价能否支撑 Meta 在个人 AI 助手市场形成持续优势。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/meta-shou-ci-tui-chu-qian-yan-mo-xing-muse-wonder-cong-qing
