Muse Wonder benchmark / benchmarks 不是一个总分。Meta 公布的对比表覆盖专业 Agent、编码和通用评测；Muse Wonder Full 在长程编程 DeepSWE 1.1 得分 79.0，Muse Wonder 得分 78.8，表中 Claude Opus 5.5 为 74.2、GPT-6 Astra 为 74.1。另一个由 Artificial Analysis 维护的独立 Intelligence Index 中，Meta 页面列 Muse Wonder Full 56、Muse Wonder 52、Claude Opus 5.5 58、GPT-6 Astra 53。两组数字回答的问题不同，不能直接当成同一排名。
资料核对：2026-10-13。数值来自 Meta 官方 Muse Wonder 模型页和 model card。Meta 的 model card 说明有些竞争模型数据来自供应商或第三方结果，测试 harness 并非全部一致。
Muse Wonder benchmark 与 GPT、Claude 跑分对比
以下摘录 Meta 官方模型页的几项代表性结果。Wonder 与 Wonder Full 使用 max reasoning effort；对比列也标为 max。分数越高是否越好取决于各 benchmark 的指标定义，百分数、部分奖励和指数分数不能互换。
| 评测（任务） | Muse Wonder Full | Muse Wonder | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|
| DeepSWE 1.1（长程软件工程，pass@1） | 79.0 | 78.8 | 74.1 | 74.2 |
| HealthBench Pro（开放式健康问题） | 62.3 | 60.5 | 65.3 | 65.6 |
| Artificial Analysis Intelligence Index（综合指数） | 56 | 52 | 53 | 58 |
这些结果显示不同任务上的差异：表中 Wonder Full 在 DeepSWE 1.1 高于这两列模型，但 HealthBench Pro 与 Artificial Analysis Index 低于 Opus 5.5。Meta 的表还包含 Claude Fable 5.1 等其他模型。来源：Meta 官方 benchmark 表、Muse Wonder model card（PDF）。
这些 Muse Wonder benchmarks 能说明什么？
DeepSWE 1.1 测试长程软件工程任务。model card 描述其样本包含 113 个任务、91 个代码库和五种语言，使用功能与回归测试评分。Meta 采用 Muse Wonder、Wonder Full 和 Claude Opus 5.5 的 Datacurve 第三方结果；GPT-6 Astra 使用 OpenAI 发布的结果，Claude Fable 5.1 则取自 Anthropic system card。因此同一 benchmark 名称并不表示每个分数都由 Meta 在一个共同运行环境中重测。
Artificial Analysis Intelligence Index 是另一个综合指标，汇总多种由 Artificial Analysis 运行的测试。它不是 Meta 的内部 PSI（Personal Superintelligence Index），也不等于个人对话偏好、每次调用成本或某个应用的完成率。指数版本和榜单会更新，引用时要同时写版本与日期；可在 Artificial Analysis 的 Meta 模型榜单查看独立评分。
为什么不能只看一张榜单？
- 分数定义不同。HealthBench Pro 使用评分量表；DeepSWE 报告 pass@1；Artificial Analysis Index 是综合分。把原始数字放在同一“分数”排序中会误导。
- 运行配置不同。Meta 说明 Muse 模型和官方横向表中的对手使用 max reasoning effort，但一些外部榜单保留各自的 agent、工具或 harness。
- 来源并不完全独立。Model card 在可取得时采用第三方或厂商报告分数；其对专有竞争模型的内部运行也被说明为 best-effort，提示词、工具和运行环境未必充分调优。
- 编码结果不是交付保证。模型卡提醒表现会受提示词、工具、量化、服务配置和 agent harness 影响；具体代码库、验收测试和重试也改变最终结果。
怎样自己比较 Muse Wonder、GPT 和 Claude？
如果你要选模型做实际工作，建一小组带有明确通过条件的真实任务：保留同一输入、工具权限、上下文、输出限制和验收测试。逐项记录首轮通过率、重试次数、完整任务费用与耗时，再比较可接受成品，而不是只比一次回答或 token 单价。若通过 API 测试，先确认同一模型变体、reasoning effort、服务层级及计费配置。
Meta 官方公布 Muse Wonder 的 API 标准价格为每百万输入 tokens $4、缓存输入 $0.20、输出 $20；Muse Wonder Full 列为 Muse Code Power 与 Maximum 订阅内的模型。费用模式不同，benchmark 分数也不包含你的任务重试成本。参阅Muse Wonder subscription、计划价格与使用额度。
Muse Wonder benchmark 常见问题
Muse Wonder Full 一定比 GPT-6 Astra 或 Claude Opus 5.5 更好吗？
不能从这张表推出通用结论。Muse Wonder Full 在 DeepSWE 1.1 得分较高，但 Meta 的 HealthBench Pro 和 Artificial Analysis Index 行中 Opus 5.5 得分更高。
Meta 的 benchmark 是独立评测吗？
不是所有分数都由 Meta 独立重跑。Model card 标注了部分第三方、供应商或模型提供方结果，并说明专有对手的内部测试是 best-effort。引用具体数字时应查看该 benchmark 对应的方法和数据来源。
Meta 表里的 56 和 52 是什么？
这是 Meta 页面列出的 Artificial Analysis Intelligence Index 值：Muse Wonder Full 为 56，Muse Wonder 为 52。它们不是模型卡里的 Personal Superintelligence Index，也不是百分比。
怎样判断这些分数对我的项目有用？
用自己的代码库或工作样本、相同工具和明确验收条件测试目标模型，并记录整项工作的成本、失败和重试。公开 benchmark 适合筛选要测试的模型，不替代项目级验证。
来源与方法：Meta Muse Wonder 模型与 benchmark 页面、官方 Muse Wonder model card、Meta 发布说明。本文是对公开测试资料的整理，不是我们自行运行 GPT、Claude 和 Muse Wonder 得出的实测排名。