Muse Wonder 解析：Agent 分數上升，能放心放手嗎？（2026）

2026 年 10 月 12 日，Meta 在研究網站發布了〈Muse Wonder: A Frontier Model For Personal & Professional AI Agents〉，推出 Muse Wonder 與 Muse Wonder Full。這篇 Muse Wonder 解析要回答的問題是：Agent 評測明顯進步，究竟讓我們更接近可靠交付，還是只更願意把工作交出去？

先讀懂原文想改變的工作方式，再對照第三方測試和模型卡，最後決定哪些任務值得試換模型。這次發布有可測量的能力增量；「可以完全放手」仍是另一個需要驗收的承諾。

Muse Wonder 解析：Meta 賣的是持續完成工作的能力

A frontier model that leads on personal and professional agents

中文：一個在個人與專業代理任務上領先的前沿模型。

Meta，原文小標

這句話是公司對新系列的定位。原文把專業知識、Active Memory、Active Focus 和寫程式放進同一個故事：讀懂材料，帶回相關記憶，卡住時換路徑，再透過修改與測試持續推進。Meta 把這些能力連到「個人超級智慧」的願景；那是方向性主張，不能拿來代替交付標準。

Active Memory 的核心，是跨對話攜帶重要脈絡並找回與眼前任務有關的資訊；Active Focus 則描述遇到阻礙後持續嘗試、調整並在必要時詢問的行為。記得一個偏好與在正確時刻使用它，需要不同證據。做得久與在錯誤後恢復正確狀態，也要分開看。

依發布公告與官方開發者入口，Wonder 上線時可透過 Meta Model API 與 Muse Code 使用，Full 提供給 Muse Code 訂閱者。原文另把 Muse 消費者產品中的體驗寫為後續推出、先到訂閱者；不要把這段時程讀成發布當天所有入口都已切換。

外部成績：52 與 56，先保留 max 與版本

Artificial Analysis 在 10 月 12 日的原始評測報告，Intelligence Index v4.3、最高推理努力 max 下，Wonder 為 52，Full 為 56，Spark 1.3 為 48。這是同一評測組合的指數分數，並非 52%／56% 的工作成功率。Full 的 Terminal-Bench 4.0 從前代 33% 提高到 57%，增量是 24 個百分點。

另外，Artificial Analysis 的 Coding Agents Index 報告 Muse Code 搭配 Wonder／Full 分別為 63／68，前代配置為 54。這裡評的是模型搭配 Agent 產品的結果。接到自己的執行層時，工具、提示、重試和驗收可能改變表現；不能把產品組合成績原封不動當成裸模型能力。

第三方測試的價值，是讓「Meta 宣稱變強」多了一份外部觀測。但指數把不同能力合成單一數字，也會把你真正關心的弱點平均掉。目前的方法頁列出 v4.3.2 的題組與權重，並說明主要是英文、文字評測。文章發布快照與持續更新的方法頁應各自保留版本；繁體中文工作成效則要用自己的材料另驗。

原文的泛化圖：值得追問的，是曲線為何往上移

Meta 另比較後訓練重點任務與未針對的任務：橫軸是前者的綜合表現，縱軸是後者的平均表現；點代表不同推理努力。官方圖想表達，Full 在相近橫軸成績時，縱軸仍高於 Spark 1.3 的趨勢。公司把這個位移解釋為更強基礎模型帶來較好的遷移。

這是比單張冠軍榜更值得討論的假說：若提升不只來自對考題調整，陌生任務應能受益。但「未針對後訓練」描述的是一種實驗切分，不能直接等同你的新專案、私有文件或臨時流程。要支持採用，最好再看未見材料、固定預算、失敗跑次，以及是否存在同條件對照。

原文提供遊戲生成與個人規劃示範，也描繪跨應用程式工作的方向。示範證明的是展示出的那條路徑；一般化的可靠度還要有樣本與分母。漂亮交付可作為試用起點，選模型時則應把出錯和中途停止一起放回成績單。

Muse Wonder 模型卡：安全承諾應回到測量條件

公告稱這是 Meta 至今最對齊的模型。官方模型卡提供更具體的邊界：多步推理仍可能出錯，表現會隨提示、工具、服務配置與 Agent Harness 改變，並建議針對真實動作加入使用情境適合的防護。這些限制是模型部署的一部分。

模型卡的方法說明也值得讀：內部受控寫程式比較採同一題組的 Harness，外部成績保留原 Agent 產品；競品內部跑次屬盡力調整。這讓官方大表適合當導航，逐格比較仍須查來源。公司的綜合指標、自己的安全評估與第三方能力評測，不能合併成「已獲獨立全面安全認證」。

長時間能力也容易被時間單位誤導。METR 的方法說明把時間視野定義為人類完成任務的時間、在指定成功機率下的估計，並明確區分它與 AI 實際自主運作多久。這裡借用的是測量觀念，沒有替 Muse Wonder 指派 METR 成績。等待幾小時、處理人類幾小時難度的任務，以及幾乎每次都成功，是三個不同問題。

AlphaLab 的判讀：值得試，但採用理由要寫對

一、我同意把它列入候選；理由是任務增量

第三方 Agent 題組與前代的差距，足以讓原本因失敗率放棄的工作重新值得測一次。若你的痛點是讀材料、改檔案與反覆修正，這個增量比一次聊天回答更相關。合理結論是加入候選名單，接著檢查改善發生在哪一段。

二、我存疑的是把分數差翻成放手程度

交付包含至少三件事：結果符合需求，沿途動作守住範圍，出錯時能辨識與恢復。提高前一項的題組分數，沒有替後兩項自動填答案。假設每步都各有出錯機會，流程拉長時就需要中途檢查與狀態保存；實際錯誤也可能互相依賴。因此與其從排行榜推算整條流程，不如直接量完整任務。

三、更省輸出 token，不一定更省工作費用

Artificial Analysis 同篇評測指出輸出 token 減少，但 Wonder 的指數每任務成本為 4.52 美元，Spark 1.3 為 1.60 美元，約 2.83 倍。這是該評測口徑的成本，不能當成你的每封信或每個 PR 的報價。採用時應記完整輸入、快取、推理、失敗重跑與檢查時間，再除以真正通過驗收的交付數。

如果新模型省下的是反覆補救的工時，更高單次費用也可能划算；如果只是把相同草稿寫得更長，收益就不同。Full 與 Wonder 的取得方式又不同，應比較同一個任務在實際可用方案中的總成本。把這筆帳算完，換模型的理由才站得住。

四、能拿到更多脈絡，也要能處理脈絡改變

長期記憶提高連續工作的可能性，卻也增加另一種測試：昨天的偏好今天被撤回，系統是否更新？一份舊文件和新規則衝突時，依哪個版本行動？這些是本文提出的採用驗收案例，並非 Muse Wonder 已觀察到的失敗。要把記憶當工作資產，就要有來源、有效時間與撤回方式。

可以把記憶與學習的對照思路帶進測試，再用行為信任評測的判準分開看成果和沿途行為。模型知道得更多，是機會；流程能否管理那些資訊，決定機會如何落地。

下一步：拿一件卡過的工作，做同條件對照

選一件已有驗收答案、可以回復的真實工作，例如修一個小錯誤並跑既有測試，或把一組文件整理成帶可查引文的草稿。先固定材料、工具、時間與費用上限，再讓舊配置與 Muse Wonder 分開跑；保存每次結果，失敗也算。

每輪留下五欄：需求是否達成、是否有範圍外動作、遇到阻礙如何處理、完整等待時間，以及合格交付的總成本。再加入缺文件、偏好撤回與工具回傳錯誤的情境。當它把困難交付做得更穩，才擴大任務；對外寄送、付款或刪除則另有明確的執行授權。

Muse Wonder 解析最值得留下的結論，是把新能力轉成你能核對的交付改善。今天先寫一份驗收清單，讓「分數上升」成為開始比較的理由，讓「工作確實做好」成為採用的理由。