返回文章列表

Meta 发布首款前沿模型 Muse Wonder：用"主动记忆"切入长程智能体竞争

2026 年 10 月 12 日，Meta 超级智能实验室发布首款前沿模型 Muse Wonder 与 Muse Wonder Full，主打跨会话主动记忆与长程任务聚焦，API 定价每百万输入 4 美元、输出 20 美元。本文梳理官方公告、定价、基准表现与记忆能力的行业含义。

10 分钟阅读
AI / 大模型前沿笔记MetaMuse Wonder主动记忆智能体前沿模型大模型AIGC

时隔十四个月，Meta 重新进入前沿模型牌桌

2026 年 10 月 12 日，Meta 超级智能实验室发布 Muse Wonder 与 Muse Wonder Full 两款模型，官方称其为"迄今能力最强的模型"，主打个人与专业智能体任务（Meta 官方公告）。TechCrunch 称这是 Meta 第一次尝试交付"前沿模型"，The Verge 认为 Meta 正在"追回失去的时间"（AI 日报）。

这次发布距离 Meta 全面重构 AI 工作已经十四个月：自 Scale AI 创始人 Alexandr Wang 于去年 8 月重组 Meta 的 AI 部门以来，Meta 先后推出轻量模型 Muse Spark 与 Muse 智能体，但始终没有参与 OpenAI、Anthropic 主导的顶级模型竞赛（TechCrunch 转述）。Muse Wonder 的发布标志着 Meta 正式入场。

两个版本与定价：API 与订阅双轨

Muse Wonder 系列包含两个版本，供应方式有明显差异（Meta for Developers）：

版本获取方式定价
Muse WonderMeta Model API 与 Muse Code输入 4 美元/百万 token，输出 20 美元/百万 token，缓存输入 0.2 美元/百万 token（约 95% 折扣）
Muse Wonder Full仅 Muse Code 订阅Power Usage 月费 50 美元起，另有 Maximum Usage 档（额度为 Everyday 的 80 倍）

TechCrunch 指出，Muse Wonder 的 API 价位大致对标 GPT-6 Sol 或 Claude Opus 5.5（AI 日报）。值得注意的是，能力更强的 Full 版本不开放 API，只通过订阅提供，这与 OpenAI、Anthropic 把旗舰模型以 API 商品化出售的策略不同——Meta 把最强能力绑定在自家产品订阅上。

两款模型均配备 100 万 token 上下文窗口，支持文本、图像、语音和视频多模态输入，在 Meta 位于俄亥俄州中部的千兆瓦级 Prometheus 数据中心完成训练（AI/TLDR）。

核心卖点：主动记忆与主动聚焦

这次发布最受关注的能力是"主动记忆"（Active Memory）。Meta 将其定义为跨对话携带用户重要上下文的机制：模型能够在数天、数周乃至数月的交互跨度中持续存储并整合用户信息，并在当前任务需要时主动检索相关细节（Meta 官方公告）。研究科学家 Kavya Kopparapu 在发布视频中表示："我们投入了大量精力，确保模型能在数天、数周、数月乃至更长时间里记住对您而言重要的事情。"（中华网）

与主动记忆配套的是"主动聚焦"（Active Focus）：模型被训练为围绕目标长时间工作，任务变难时尝试替代方案、从错误中恢复、根据新信息调整，并在执行重要动作前主动请求澄清或确认（Meta 官方公告）。官方列举的应用场景包括处理保险理赔、理解租约、整理个人财务，以及法律、金融和健康等专业领域。

这两个能力指向同一个判断：可靠记忆是个人与专业智能体从"能聊"走向"能办事"的关键一步。当前大多数 AI 助手的上下文每次对话都会重置，而长程智能体需要在持续数天的任务中保留先前决策与约束。

基准表现：厂商自测领先，独立验证仍有限

Meta 在模型卡中给出了多项基准结果：

  • MemoryBench：Muse Wonder 的得分超过 Fable、Opus 和 Astra（Lumien AI），ChatTools 报道具体为 Muse Wonder 85.6 对 Claude Opus 5.5 的 81.5（ChatTools）。
  • SWE-Marathon：Muse Wonder Full 得分 57.5，对比 Claude Opus 5.5 的 46.3 与 GPT-6 Astra 的 42.5（百度百科）。
  • DeepSWE 1.1：Muse Wonder Full 得分 79.0，Muse Wonder 78.8（The Mainstream）。
  • Harvey 法律智能体基准：Muse Wonder Full 13.1，Muse Wonder 10.0，GPT-6 Astra 8.6（The Mainstream）。
  • Artificial Analysis 智能指数：Muse Wonder 得分 52，Muse Wonder Full 56，对比此前 Muse Spark 1.3 的 48（DQ India）。

需要说明的是，除部分第三方运行外，多数对比来自 Meta 自测，独立评测机构的系统复现尚未公开。Wired 也提醒，基准测试并不总是衡量真实表现的可靠尺子（AI 日报）。此外 The Verge 指出，Muse Wonder 与同期发布的 Google Gemini 4 Argon 相比表现如何，目前尚不清楚。

记忆竞争：从上下文窗口到跨会话持久化

Muse Wonder 的发布把"记忆"正式推上了前沿模型的竞争桌面。此前的记忆基准大多测试单次会话的长输入理解，而 MemoryBench 这类新基准转向测试模型能否在持续用户交互中积累与构建记忆（HingeWise）。当高质量数据与测试期算力的边际收益递减，记忆与持续学习成为研究热门方向。

对开发者而言，Muse Wonder 的定价与 GPT-6 Sol、Opus 5.5 处于同一区间，并不便宜；其差异化价值在于需要持久上下文的场景——长期健康管理、复杂项目规划、跨多轮的企业工作流。这些场景中，模型少问一次重复问题、不丢失先前决策，就是可量化的效率提升。

不过记忆能力也带来新的数据治理问题：Meta 尚未公布用户如何查看、编辑或删除模型记住的内容（Rush Commerce）。对于把客户数据交给模型侧记忆的企业，这仍是落地前必须回答的问题。

（内容由AI生成，仅供参考）