muse-wonder-1.0. O Full é o modelo mais avançado da série e, por enquanto, só entra pelo Muse Code, por assinatura. Esta página é sobre o Wonder.
A Meta dá nome a duas peças desse comportamento. Active Memory carrega o que importa entre conversas e traz de volta o detalhe certo na hora da tarefa. Active Focus continua no objetivo quando a tarefa trava: tenta outro caminho, se recupera de erro, pede esclarecimento e confirma antes de uma ação importante.
A Artificial Analysis registra essa entrada multimodal na variante de esforço máximo. A Meta não publicou o número de parâmetros.
Quando usar o Muse Wonder e quando usar o Opus 5.5
A diferença está no tipo de ação. A Meta posiciona o Wonder para coding em repositório, uso de computador e tarefas em que o agente precisa lembrar o contexto e se recuperar de um erro. O Opus 5.5 continua à frente quando o trabalho pede julgamento aberto, terminal ou um programa escrito do zero.O que a Meta mediu
Os números abaixo são os da tabela da Meta para o esforço máximo. O Wonder Full marca mais alto em quase todas as linhas, e não é o modelo desta página.Coding que atravessa o repositório
No DeepSWE 1.1, coding de horizonte longo, o Wonder marcou 78,8%. O Claude Opus 5.5 ficou em 74,2% e o GPT-6 Astra em 74,1%. No SWE-Marathon, engenharia de horizonte muito longo, foram 53,1%, contra 46,3% do Opus 5.5 e 42,5% do Astra. No terminal e no programa escrito do zero, a ordem inverte. No Terminal-Bench 4.0, o Wonder ficou em 52,0%, atrás do Opus 5.5 (59,6%) e do Astra (59,1%). No ProgramBench, ficou em 50,0%, bem atrás do Opus 5.5 (70,5%).Memória, ferramentas e tela
No MemoryBench, o Wonder marcou 85,6, à frente do Opus 5.5 (81,5) e do Astra (81,4). No JobBench, uso profissional de ferramentas, ficou em 70,5%, atrás do Opus 5.5 (75,4%) e à frente do Astra (66,1%). No OSWorld 2.1, uso de computador na medida parcial, o Wonder ficou em 72,6%. O Opus 5.5 marcou 81,8% e o Astra 75,8%. Na medida binária da mesma prova, Wonder e Astra empataram em 34,3%. Em domínio, a tabela da Meta é mista. No Finance Agent v2, 56,6%, perto do Opus 5.5 (58,6%) e acima do Astra (53,5%). No Harvey LAB, trabalho jurídico com documentos, 10,0%, acima do Opus 5.5 (4,2%) e do Astra (8,6%): a faixa inteira ainda é baixa. No HealthBench Pro, 60,5%, atrás do Opus 5.5 (65,6%) e do Astra (65,3%).O que os benchmarks independentes mostram
Na medição própria da Artificial Analysis, a variante de esforço máximo marcou 52 no Intelligence Index, em 9º lugar entre 216 modelos da mesma classe. A mediana da faixa de preço é 27. Nessa rodada o modelo gerou texto a 104,1 tokens por segundo, acima da mediana de 83,6, e levou 19,73 segundos até o primeiro token, contra uma mediana de 5,87 segundos. Esse tempo inclui o raciocínio. O custo médio foi de 4,52 dólares por tarefa do índice, com preço de lista de 4 dólares na entrada e 20 dólares na saída por 1 milhão de tokens.
No BenchLM, o agregado parcial é 70,44 de 100, em 16º lugar entre 891 modelos. A cobertura ainda é parcial (21 benchmarks), então a nota é conservadora.
A tabela foi publicada pela Meta para o esforço máximo. O Intelligence Index, a velocidade, a latência e o custo por tarefa são da Artificial Analysis sobre essa mesma variante. O agregado do BenchLM usa cobertura parcial. Os resultados dependem do harness, das tools e do esforço. Valide no seu fluxo antes de trocar uma configuração em produção.
Onde ele não lidera
- Em programa escrito do zero, o Opus 5.5 abre uma margem grande (70,5% contra 50,0% no ProgramBench).
- Em coding de terminal e em uso de computador, Opus 5.5 e GPT-6 Astra ficam à frente.
- O tempo até o primeiro token sobe enquanto o modelo raciocina. Para uma classificação curta, outro modelo responde antes.
- Na Artificial Analysis, a variante máxima escreve mais do que a mediana da faixa: 130 milhões de tokens de saída no índice, contra 85 milhões. Peça respostas curtas quando o formato importar.
- O Muse Wonder Full marca mais alto na tabela da Meta. Ele não é o modelo da API.
Onde ele gera mais valor
Uma mudança que atravessa vários arquivos
O ajuste não cabe num arquivo só. O Wonder percorre o repositório, edita em paralelo e confere o resultado antes de encerrar. Resultado esperado: a mudança pedida, com a verificação feita e sem arquivo extra fora do escopo.Uma tarefa que trava no meio
O plano quebra numa tool, numa fonte ou num passo que não fecha. O modelo tenta outro caminho, diz onde parou e só segue numa ação importante depois de confirmar. Resultado esperado: a tarefa termina, ou para com o bloqueio explícito, sem ação silenciosa.Um processo que vive na tela
O dado está num sistema, num PDF e numa planilha, e alguém precisa operar os três. O Wonder enxerga a tela, junta as fontes e devolve o que conferiu. Resultado esperado: cada número aponta para a tela ou para o arquivo de onde saiu.Como aplicar na Tess
1
Escolha uma tarefa com tela, código ou várias tools
Prefira mudança de repositório, processo com várias tools e conferência de tela. Para classificação curta em volume, outro modelo responde antes.
2
Feche o que conta como pronto
Diga o resultado, os arquivos que podem mudar e o teste que prova que acabou. Diga o que fica fora do escopo.
3
Defina tools e aprovações
Habilite apenas as ferramentas necessárias. Exija confirmação antes de enviar, publicar, pagar ou alterar dados.
4
Peça recuperação explícita
Oriente o agente a tentar outro caminho quando uma etapa falhar e a parar, com o motivo, se a segunda tentativa também falhar.
5
Amostre antes de soltar
Rode um caso inteiro, confira o que mudou e só então repita o fluxo.
Três playbooks para começar
1. Mudança de repositório com verificação
Entrada: o repositório, o comportamento esperado e os testes que já existem.Tools: leitura e edição de arquivos, execução dos testes do projeto.
2. Processo que pode falhar no meio
Entrada: o objetivo, as fontes e a ação que exige confirmação.Tools: as integrações do processo, só leitura até a confirmação.
3. Conferência entre tela e arquivo
Entrada: o PDF ou a planilha e o sistema onde o mesmo dado aparece.Tools: leitura de arquivos e a tela do sistema.
Limitações e boas práticas
- O Muse Wonder Full não é este modelo. Na tabela da Meta ele fica à frente, e o acesso hoje é pela assinatura do Muse Code.
- Contexto de 1M tokens não substitui seleção de informação. Envie apenas o conteúdo relevante.
- O preço de lista na API da Meta é de 4 dólares na entrada e 20 dólares na saída por 1 milhão de tokens. A leitura de cache custa 0,20 dólar.
- A Meta descreve salvaguardas fortes contra uso químico, biológico, radiológico, nuclear e contra abuso cibernético, e diz que trabalho defensivo de segurança continua possível. Um relatório completo de segurança ainda estava por sair no lançamento.
- Revise uma amostra antes de publicar, enviar ou automatizar decisões.
- Mantenha aprovação humana para decisões financeiras, jurídicas, clínicas ou de alto impacto.