> ## Documentation Index > Fetch the complete documentation index at: https://docs.tess.im/llms.txt > Use this file to discover all available pages before exploring further. # Muse Wonder > Conheça o Muse Wonder, o modelo da Meta para agentes que operam a tela, alteram o repositório e retomam quando um passo quebra. Muse Wonder é o modelo de fronteira da Meta para **agentes que operam a tela, alteram o repositório e retomam quando um passo quebra**. A Meta lançou a série em 12 de outubro de 2026, junto com o Muse Wonder Full. O Wonder está na API, com o identificador `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. | **Modelo do provider** `muse-wonder-1.0` | **Contexto** 1M tokens | **Saída** Texto | **Provider** Meta | | :- | :- | :- | :- | | **Entrada** Texto, imagem, áudio e vídeo | **Thinking** Raciocínio | **Série** Wonder, API pública | **Lançamento** 12 de outubro de 2026 | 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. | | Muse Wonder | Claude Opus 5.5 | | - | - | - | | Melhor para | Tela, repositório e recuperação depois de uma falha | Julgamento aberto, terminal e programa do zero | | Entrada | Texto, imagem, áudio e vídeo | Texto e imagem | | Contexto | 1M | 1M | | Onde a medição da Meta favorece | DeepSWE, SWE-Marathon e memória | Terminal-Bench, ProgramBench e o índice da Artificial Analysis | > [!TIP] > > Use o Wonder quando o agente precisa ver a tela, editar o código e seguir depois de uma falha. Para um trabalho em que o julgamento muda a cada passo, compare com o Opus 5.5 no seu fluxo. ## 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 | Benchmark | Muse Wonder | Opus 5.5 | GPT-6 Astra | O que avalia | | - | -: | -: | -: | - | | DeepSWE 1.1 | **78,8%** | 74,2% | 74,1% | Coding de horizonte longo | | SWE-Marathon | **53,1%** | 46,3% | 42,5% | Engenharia de horizonte muito longo | | MemoryBench | **85,6** | 81,5 | 81,4 | Memória de contexto | | JobBench | 70,5% | **75,4%** | 66,1% | Uso profissional de ferramentas | | Terminal-Bench 4.0 | 52,0% | **59,6%** | 59,1% | Coding em terminal | | ProgramBench | 50,0% | **70,5%** | 52,5% | Programa escrito do zero | | OSWorld 2.1 (parcial) | 72,6% | **81,8%** | 75,8% | Uso de computador | | Índice da Artificial Analysis | 52 | **58** | 53 | Índice composto, na tabela da Meta | 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. > [!NOTE] > > 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. ```text theme={null} Implemente apenas o comportamento descrito. Edite os arquivos necessários e rode os testes citados. Se um teste falhar, corrija e rode de novo. Se falhar uma segunda vez, pare e diga o que quebrou. Não refatore o que não foi pedido. ``` **Pronto quando:** os testes pedidos passam e o diff fica dentro do escopo. ### 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. ```text theme={null} Cumpra o objetivo em etapas. Se uma tool ou uma fonte falhar, tente um caminho alternativo uma vez. Se falhar de novo, pare e descreva o bloqueio. Antes de enviar, publicar ou alterar dados, mostre o que vai fazer e espere confirmação. ``` **Pronto quando:** o resultado está feito, ou o bloqueio está escrito, e nenhuma ação importante saiu sem 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. ```text theme={null} Confira cada número do arquivo contra a tela. Devolva o valor, a unidade e o lugar de onde saiu, no arquivo e na tela. Se os dois divergirem, liste os dois. Não escolha um deles e não altere o sistema. ``` **Pronto quando:** cada número tem as duas origens, ou a divergência está explícita. ## 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. Veja também: [Modelos e Custos](/pt/models-and-cost) · [Claude Opus 5.5](/pt/claude-opus-5-5) · [Muse Wonder — Meta](https://dev.meta.ai/models/muse-wonder) · [Muse Wonder — pesquisa da Meta](https://research.meta.ai/blog/muse-wonder). This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.