Meta推出Muse Wonder，对标Opus的旗舰模型

Meta近期发布了其最新的尖端人工智能模型Muse Wonder（以及更强大的全功能版 Muse Wonder Full），这被视为对Anthropic Opus系列的直接竞争。该模型的开发背景颇具趣味性，此前在社交媒体X上曾出现西瓜图片的预告，暗示其可能基于Watermelon架构。Meta在官方博客中展示了从Muse Spark 1.3到当前版本的显著能力跃升，并声称其性能仅次于Opus 55和Claude Fable 51。值得注意的是，为了获得更强大的Muse Wonder Full版本，用户必须订阅$50/月的Muse Code计划。这种付费门槛引发了作者的担忧，因为在使用仅25分钟后，该模型就消耗了用户$50计划中52%的月度额度以及17点的周使用量，显示出极高的资源消耗率。

定价策略与竞品对比分析

在成本效益方面，Muse Wonder的定价显得相当激进。基础版Muse Wonder的价格为$4/百万输入token和$20/百万输出token。作者指出，这一价格水平与Claude Opus 55完全一致。相比之下，目前市场上没有GPT系列模型处于同等价位；例如，GPT-61 Soul的输出token价格仅为该模型的一半。这种定价策略使得Muse Wonder在高端市场中缺乏明显的成本优势。此外，Meta强调该模型将用于增强其个人代理（Personal Agent）体验，引入了“主动记忆”（Active Memory）和“主动焦点”（Active Focus）等新概念，旨在让代理更了解用户并具备更强的上下文处理能力。然而，高昂的API调用成本与尚未完全验证的实际表现形成了鲜明对比。

浏览器OS测试：功能实现与资源消耗

为了验证模型的实际编码能力，作者进行了Browser OS Test v2.7测试。在测试过程中，模型成功生成了Nova OS的欢迎界面和动态壁纸选项，作者评价其表现相当于$25价位的模型水平。然而，当尝试执行更复杂的任务时，问题接踵而至。例如，在设置壁纸功能中，模型未能正确处理右键菜单和命令中心，导致界面交互出现异常。更严重的是，在短短14分钟内，模型就耗尽了测试所需的资源配额，导致任务无法完成。作者对此表示不满："> I am kind of ticked off and that seems like a waste of $50." 这种极高的资源消耗不仅影响了测试的完整性，也让人质疑其作为生产级工具的经济可行性。最终，模型在尝试操控游戏角色时因碰撞器问题崩溃，进一步暴露了其在复杂逻辑处理上的局限性。

游戏与应用程序测试：表现平庸

在后续的C++ Skate Game和Starfall Defender 3D测试中，Muse Wonder的表现并未达到预期的高水准。在小轮车游戏场景中，模型虽然能生成基本的代码逻辑，但在处理角色移动和物理交互时出现错误，导致角色卡在网格碰撞器角落。作者评论道："> It is around haiku 55 level."，明确指出其表现远未达到Opus或Sonnet的水平。在3D射击游戏测试中，模型能够生成基本的爆炸效果代码，但整体逻辑较为简单。此外，在邮件应用和笔记文件测试中，模型仅能完成基础的文件保存功能（如txt格式），缺乏更高级的集成能力。综合来看，尽管基准测试图表显示其性能优异，但实际编码任务中的表现却显得平庸且资源消耗巨大。

界面功能与初步印象

视频首先展示了Meta Muse Wonder的桌面集成特性，包括自定义壁纸设置和动态效果调整。用户可以在“Settings and wallpaper studio”中应用如“Particle nebula（粒子星云）”或“Star warp（星跃迁）”等动画背景，并调整动画速度。此外，该工具还包含“Generative synth（生成合成器）”功能，旨在通过声音帮助用户在使用量耗尽后冷静下来。在语音交互方面，测试者尝试让模型打开GTA游戏，但更关注其生成式应用的实际能力。尽管界面功能丰富，测试者强调将避免基于首次结果做出过重判断，转而深入考察更复杂的代码生成任务。

滑板游戏测试：进步与局限并存

在自包含C++滑板游戏的生成测试中，Muse Wonder的表现优于预期。模型成功实现了玩家角色的泵动动画、与行人的互动以及滑板相对于玩家的独立运动，这些元素增强了游戏的沉浸感。测试者指出：“This is definitely better than I had worried... There are elements here that I'm pleased with such as the fact that the players actually pumping.” 尽管模型具备平衡功能，且场景中包含水坑、喷泉和消防栓等细节，但整体质量仍远不及GPT-6 Soul。测试者直言：“This is GPT6 Soul... 61 Soul did a significantly better job than this.” 虽然滑板技巧令人印象深刻，但结果被高昂的API消耗所掩盖。

API成本危机与订阅升级

测试过程中暴露出严重的使用量消耗问题。仅生成两个滑板游戏实例就耗尽了周限额的36%，对于每月50美元的订阅计划而言，这被测试者形容为“ridiculous（荒谬）”和“crap（垃圾）”。为了继续测试，测试者决定升级订阅计划。当前50美元/月的套餐提供比日常使用多20倍的使用量，而升级后可获得80倍的用量。测试者表示：“We're basically going to just test whatever we can till this usage runs out.” 这种高昂的成本迫使测试者在后续游戏中必须谨慎控制生成过程，以保留足够的额度进行更多实验。

地铁FPS测试与非完整版模型对比

在升级订阅后，测试者进行了“Subway FPS”游戏生成。该场景要求玩家在清除波次后乘坐火车前往下一站。虽然敌人模型较为简单且缺乏弹孔细节，但列车进站机制运行正常。测试者对列车条纹覆盖车门的视觉瑕疵表示理解，认为这在其他模型中也很常见。随后，测试者转向运行Muse Wonder 1.0非完整版模型（通过API可用），该版本在基准测试中得分略低于完整版。目标是在Blender和GDAU引擎中生成一个后院泳池派对游戏，玩家需从跳台跳水。经过9分30秒的生成时间，结果仅包含简单的SVG图标和基础角色选择界面。测试者对这一简化版本的评价相对平和，表示：“I'm actually not as infuriated with this as you may think.” 视频最后还插播了测试者自行制作的3D打印机器人“Perry”的展示，该机器人支持GPT实时语音交互。

初步测试：视觉升级与性能反馈

在对Meta Muse Wonder模型（非完整版，基准较低但使用率可能更低）的首次测试中，创作者尝试对“后院泳池派对游戏”进行全面的视觉升级。尽管模型响应速度较快，但在仅16分钟的处理时间内生成的更新版本中，视觉改进的细节并不明显。创作者指出，虽然背景中的NPC（非玩家角色）变得更加显眼，且出现了天空飞鸟和奔跑的狗等元素，但整体画面仍显粗糙。特别是那只“原始风格的狗”和角色Big Bubba的腹部细节，虽然符合命名逻辑，但缺乏精细度。创作者认为并非所有模型都能一次性呈现惊艳效果，可能需要更多的迭代或提示词调整才能激发其潜力。此外，模型在最高推理努力下表现出极高的Token效率和处理速度，这引发了创作者对其底层架构特性的思考。

创意实验：物理模拟与延迟问题

为了测试模型的创造力，创作者尝试将泳池派对场景转化为“街头格斗”风格。这一过程耗时约10分钟。虽然最终结果包含了一些有趣的物理互动，如角色掉入水中（创作者认为这一意外效果很酷），但整体体验受到了严重延迟（Lag）的影响。创作者提到，这种混合了“街头格斗”和“后院泳池派对”两种高评价测试场景的尝试，虽然达到了预期的混乱感，但技术上的卡顿削弱了观赏性。这表明Muse Wonder模型在处理复杂动态场景时，虽然能生成符合逻辑的互动（如落水），但在实时流畅度和画面稳定性上仍有明显短板，尤其是在非完整版的限制下。

机器人手臂测试：深度感知困境

在更具挑战性的“机械臂移动玩具车”任务中，Muse Wonder模型面临了严峻考验。该测试特意设计为单静态摄像头视角，几乎不存在深度感知能力。模型采取了谨慎且缓慢的操作策略，避免了之前其他模型出现的自我破坏或疯狂挣扎行为。然而，经过长达1小时15分钟的尝试后，模型未能成功移动车辆。创作者观察到，尽管模型拍摄了多张自身视角的图片进行自我检查，但它始终未能理解“深度感知缺失”这一核心问题。创作者认为，全功率运行和更高的推理努力并不一定有助于解决此类缺乏空间信息的任务。虽然最终失败，但模型未造成任何破坏性动作，其保守的操作逻辑值得肯定。

迭代优化：基于参考图的显著改进

在识别并修复了使用率重置的Bug后，创作者对Muse Wonder完整版进行了更深入的测试。这次任务是基于单张静态参考图（来自Sonnet模型的高质量图像），要求重新生成滑板游戏场景，并显著提升画质。经过近2小时的处理，新会话生成的视频展现了显著进步：画面右下角出现了独特的“录制摄像机”视角（VFX cam），这是其他模型未曾展示过的创新功能。创作者对参考图的高保真复刻能力表示满意，包括新增的滑板者、飞走的鸽子以及逼真的环境细节。尽管生成时间较长，但模型在基于参考图像进行自我改进和风格迁移方面表现出了强大的潜力，最终结果远超初始预期。

前端网页与3D手表生成的初步表现

评测者首先测试了Muse Wonder模型在前端网站生成方面的能力，目标是创建一个精美的手表展示页面。该测试在Mac电脑上使用模型的完整版本运行，以追求最高潜在性能。模型成功生成了一个单文件的前端页面，虽然未包含特殊的BJN限量版手表设计，但整体美学表现尚可。值得注意的是，尽管表带方向存在偏差（未呈现侧向表盘效果），但数字刻度标记的方向是正确的，12点位置的双刻度清晰可见。评测者指出，虽然表盘在视觉上呈现侧向倾斜是一个瑕疵，但整体前端效果并不糟糕。此外，模型还生成了不错的爆炸视图（exploded view），展示了手表的多个独立部件。然而，模拟的内部机芯缺乏动态效果，虽然略显遗憾但仍在可接受范围内。与之前生成的Slappice模型相比，评测者个人更倾向于当前生成的39型号设计。

迭代优化与细节处理的惊喜发现

在初步生成后，评测者进行了第二轮提示词测试，要求模型“大幅改进整体效果”，且未提供新的参考照片。这次迭代在会话内连续进行，与之前的Skate游戏改进测试有所不同。结果显示模型确实进行了显著优化：虽然僵尸敌人的核心设计未变，但增加了光晕效果并重新设计了服装风格。一个有趣的细节是，模型将原本可能是风扇的物体生成了侧向姿态，这种对细微结构的关注让评测者感到意外。更令人惊喜的是地铁车厢内部的生成质量：当列车移动时，扶手把手呈现出自然的摆动效果。这一细节是评测者特意设置的“陷阱”，旨在测试模型是否具备对物理动态的深层理解，而此前其他模型均未做到这一点。此外，车厢内的到站显示屏也正确显示了“延误”等文字信息。尽管图形质量有所提升且耗时不长，但模型似乎修复了之前的使用量显示错误。

基准测试与实际能力的巨大反差

尽管Muse Wonder在特定场景下表现出色，但评测者对其整体市场定位提出了质疑。模型在处理带有参考照片的Skate游戏场景时表现极佳，能够精准复制照片中的人物、动作甚至背景中的第二摄像机视角。这种基于参考图的强还原能力证明了模型在特定任务上的高水准。然而，评测者指出，官方公布的基准测试数据显示Muse Wonder的两个新模型在各项指标上遥遥领先于其他列出的竞争对手。这种高分给公众造成了一种“模型将在所有领域（包括3D生成）碾压一切”的印象。但实际体验表明，基准测试分数与实际美学表现之间存在巨大落差。评测者认为，Anthropic等公司可能更侧重于优化能在社交媒体上获得广泛传播的“一次性生成”效果，而非复杂的3D逻辑。尽管Meta官方声称未针对3D进行专门优化，但宣传材料中却包含了复杂的烘焙场景演示。这种基准测试与实际感知价值的错位，导致许多用户（包括Meta员工）对初步结果感到失望。

效率评估与最终结论

在模型性能方面，评测者观察到Muse Wonder在处理较小型或可访问性更强的版本时表现出较高的Token效率。即使在最高推理努力下，模型也能快速完成结果生成。这种速度优势是评测者对模型持积极态度的重要因素之一。然而，基准测试的高分与实际3D生成能力的不足形成了鲜明对比。评测者强调，虽然模型在基准测试中表现优异，但这并不意味着它在3D生成或复杂逻辑任务上能同样“碾压”其他模型。这种宣传与实际体验的脱节，使得评测者在评估订阅价格和使用价值时持谨慎态度。最终结论是：Muse Wonder在特定任务（如基于参考图的图像生成）上展现了强大实力，且运行高效；但在3D生成的复杂性和一致性上仍有局限，用户不应仅凭基准测试分数对其所有能力抱有过高期望。

基于参照系的基准测试与性能初判

本次评估的核心在于利用大量现有的参考点，对Meta Muse Wonder模型进行客观审视。由于其他同类模型在相同测试中的表现已有详尽记录，这种对比方式使得结果分析更加透明和具有说服力。评测者对Meta模型展现出竞争力表示赞赏，认为其整体表现相当不错。这些模型的实际能力往往被低估，特别是在Token效率方面表现出色。在具体的测试案例中，该模型展现出了较高的智能水平，其响应速度和资源利用率均符合预期。通过这种基于历史数据的横向对比，评测者能够更准确地判断该模型在行业中的真实定位。这种客观的视角有助于消除营销噪音，直接聚焦于模型的核心性能指标。

定价策略争议与竞品对比分析

尽管性能表现尚可，但$4 per million in and $20 per out的定价策略引发了争议。评测者直言这一价格在当前市场环境下显得过于昂贵。虽然该价格与某些特定模型持平，但与GPT61 Soul等更具性价比的强力模型相比，其价格优势并不明显。即便某些竞品所属公司声誉不佳，但其提供的算力成本效益依然更高。价格与性能的匹配度是用户选择的关键因素之一。评测者指出，虽然Meta在技术层面值得肯定，但在商业定价上未能充分反映其相对于更便宜竞品的优势。这种价格敏感度在开发者社区中尤为显著，直接影响模型的采用率和普及速度。

开源生态优势与未来展望

在封闭模型主导的市场中，Meta是唯一提供 decent openweight models的主要厂商。相比之下，XAI、Anthropic和OpenAI在开源方面的动作较少或滞后。虽然OpenAI曾推出过GPTO OSS且表现优异，但那是较久之前的事情。Meta不仅拥有Muse Glimmer，还透露可能开源部分Spark模型。这种持续的开放姿态使Meta在开发者社区中保持了良好的声誉和地位。评测者认为，尽管当前模型表现两极分化，但随着时间推移和应用场景的丰富，其潜力有望进一步释放。开源策略是Meta区别于其他巨头的重要护城河。未来随着更多基准测试结果的公布，该模型的真实水平将得到更全面的验证。

"Overall, I love seeing Meta actually competitive." "> Specifically in the case of this one right here where it was token efficient and it seemed pretty smart." "> Meta has Muse Glimmer, and they do also talk about potentially open sourcing some of the Spark models."

结论

Meta Muse Wonder在基于参考图的图像生成任务中展现出高保真复刻能力，且Token效率与推理速度优异。然而，其在3D游戏逻辑、物理交互及复杂代码生成等实际应用中表现平庸，频繁出现碰撞错误或卡顿。高昂的API成本与极快的资源消耗使其性价比存疑，且基准测试高分与实际3D生成体验存在巨大落差。该模型仅在特定视觉还原场景具备竞争力，用户不应仅凭基准数据对其通用能力抱有过高期望。