Muse Wonder: Meta spielt oben mit – die Bestwerte holt die Abo-Variante

Meta hat am Abend des 12. Oktober Muse Wonder veröffentlicht, und das gleich in zwei Ausführungen: Muse Wonder und Muse Wonder Full. Knapp sechs Wochen nach Muse Spark 1.3 geht es damit eine Liga höher. Im Blogpost spricht Meta von „state-of-the-art performance on personal and professional agentic tasks“ und gleich eine Hausnummer größer von „a major leap toward personal superintelligence“.

Das ist hoch gegriffen, aber immerhin liefern sie dann auch. Im Intelligence Index von Artificial Analysis kommt Muse Wonder Full auf 56 Punkte, in Metas Vergleichsgrafik liegt nur Claude Opus 5.5 mit 58 Punkten darüber. Wo Meta in der eigenen Benchmark-Tabelle die Nase vorn hat, ist es allerdings fast immer die Variante, die sich nicht per API buchen lässt.

Was Muse Wonder kann und was es kostet

Meta zielt mit Muse Wonder auf Agenten für Alltag und Beruf. Das Modell soll einen Mietvertrag lesen, Finanz- und Gesundheitsinformationen einordnen, Code über ganze Repositories hinweg ändern und per Computer Use Browser sowie Desktop- und Mobil-Apps bedienen. Zwei neue Schlagworte bringt Meta gleich mit: „Active Memory“ meint, dass das Modell wichtigen Kontext über Unterhaltungen hinweg mitnimmt und im passenden Moment wieder hervorholt. Unter „Active Focus“ versteht Meta, dass es an schwierigen Aufgaben dranbleibt, Alternativen ausprobiert, bei Unklarheiten nachfragt und sich vor folgenreichen Aktionen rückversichert. Das sind Trainingsziele, die sich Meta mit eigenen Benchmarks bescheinigt (dazu gleich mehr).

Technisch bleibt einiges beim Bekannten. Das Kontextfenster umfasst laut Modelldoku 1.048.576 Tokens, als Input nimmt Muse Wonder Text, Bilder, Video, Audio und PDFs, zurück kommt Text. Den Reasoning Effort gibt es in sechs Stufen von Minimal bis Max, ganz abschalten lässt sich das Denken nicht. Offiziell ist das Modell noch „in preview“. Eine Parameterzahl nennt Meta nicht, und Open Weights gibt es auch keine. Meta erwähnt im Blogpost nur, dass beide Modelle im Rechenzentrum Prometheus trainiert wurden und auf „larger, stronger base models“ aufsetzen.

Beim Preis zieht Meta kräftig an. Laut Preisseite kostet Muse Wonder über die Meta Model API 4 $ pro Million Input-Tokens und 20 $ pro Million Output-Tokens. Den günstigen Contributor-Tarif, bei dem Meta die Daten zum Training verwenden darf, gibt es für Wonder über die API nicht.

Gegenüber Muse Spark 1.3 kostet der Input also gut das Dreifache, der Output fast das Fünffache. Meta selbst rät in der Doku, Spark weiter für Subagents, Klassifizierung und enge Tool-Schleifen zu nehmen und Wonder für lange, komplexe Aufgaben. Praktisch ist, dass beide Modelle dieselben Requests an denselben Endpunkten annehmen, der Wechsel ist nur eine andere Modell-ID. Wer lieber über OpenRouter geht, findet Muse Wonder dort zum selben Preis.

Zwei Modelle, ein Name und ein Abo-Haken

Muse Wonder Full ist die stärkere Variante, und an die kommt man nur über ein Abo von Muse Code, Metas Coding-Agent für das Terminal. Laut Modellseite ist Full in den Plänen „Power Usage“ für 50 $ und „Maximum Usage“ für 200 $ im Monat enthalten. Einen Tokenpreis gibt es nicht. Auch der Effort Max in der API schaltet nicht auf Full um, das stellt Meta in der Doku sehr ausdrücklich klar.

Achtung, Kleingedrucktes: Laut Geographic Use Policy laufen Abos von Muse Code standardmäßig im Contributor-Modus, und zwar unabhängig vom gewählten Modell. Prompts, Code, Dateien und Antworten darf Meta dann für das Training künftiger Modelle verwenden. Abschalten lässt sich das in den Kontoeinstellungen. Wer Muse Wonder Full mit Kundencode testen will, sollte das vor der ersten Session erledigen. Eine modellspezifische Länderbeschränkung nennt dieselbe Policy für Wonder übrigens nicht, Deutschland steht auch nicht auf der Liste der gesperrten Regionen.

Hersteller-Sternchen: Die Bestwerte gehören Muse Wonder Full

Metas Benchmark-Tabelle vergleicht beide Wonder-Varianten mit Claude Fable 5.1, GPT-6 Astra und Claude Opus 5.5. Laut Model Card laufen alle Modelle auf maximalem Effort, mit einer Ausnahme bei SWE-Marathon, wo Full mit xhigh ausgewiesen ist. Von den 14 Zeilen gewinnt Muse Wonder Full sechs, Opus 5.5 ebenfalls sechs, Astra eine. Die API-Variante Muse Wonder holt genau einen Bestwert, beim hauseigenen MemoryBench. Gegen Opus 5.5 liegt sie in fünf Zeilen vorn und in neun dahinter.

Bei den Coding-Benchmarks fällt das Bild gemischt aus. Die juristische Harvey-Wertung nehme ich als zusätzlichen Vergleich mit.

• DeepSWE 1.1: Full 79,0, Wonder 78,8, Opus 5.5 74,2, Fable 5.1 67,4
• SWE-Marathon: Full 57,5, Wonder 53,1, Opus 5.5 46,3, Astra 42,5
• Harvey LAB-AA (juristische Arbeitsprodukte): Full 13,1, Wonder 10,0, Astra 8,6, Opus 5.5 4,2
• Terminal-Bench 4.0-AA: Opus 5.5 59,6, Full 57,1, Wonder 52,0
• ProgramBench: Opus 5.5 70,5, Full 59,0, Wonder 50,0

Was da so nicht auffällt, steht dann aber in der Model Card: Der Personal Superintelligence Index, mit dem die Tabelle aufmacht, ist ein internes Konstrukt aus sieben Evals, darunter die ebenfalls internen FocusBench und VBT. MemoryBench stammt auch von Meta. Bei SWE-Marathon lief neben dem abweichenden Effort auch das Harness nicht einheitlich, Fable 5.1 in Claude Code und Astra in Codex, was Meta selbst als „not a controlled common-harness comparison“ bezeichnet. Für die Konkurrenz nimmt Meta, wo vorhanden, Werte Dritter oder der Hersteller und sonst „the highest of our internally validated run, self-reported score, or official leaderboard score“. Bei eigenen Läufen mit fremden Modellen räumt die Model Card ein, dass Prompts, Tools und Laufzeit nicht unbedingt optimal eingestellt sind. Und die Harvey-Spitze relativiert sich mit Blick auf die Skala, denn auch Full besteht nur rund jede achte Aufgabe vollständig.

Bei AutomationBench-AA passt außerdem etwas nicht zusammen. Metas Tabelle führt 39,1 % für Wonder und 45,4 % für Full, Artificial Analysis selbst nennt für dieselben Modelle 68 % und 71 %. Laut Model Card berichtet Meta für diesen Benchmark „strict pass@1“. Woher die Differenz kommt, erklären die veröffentlichten Quellen nicht, deshalb lese ich die beiden Zahlenpaare nebeneinander und rechne nichts gegeneinander um.

Im Blogpost greift Meta sogar selbst das Thema Benchmaxxing auf. Eine Grafik soll zeigen, dass Muse Wonder Full auf Aufgaben, auf die Meta im Post-Training nicht gezielt optimiert hat, besser abschneidet, als es der Trend von Spark 1.3 erwarten ließe. Welche Aufgaben das sind, verrät Meta nicht. Gegen den Benchmaxxing-Verdacht hilft eine Grafik mit selbst gewählten Aufgaben nur begrenzt.

Was Artificial Analysis misst

Unabhängige Zahlen gibt es diesmal schon zum Launch. Laut Artificial Analysis erreicht Muse Wonder auf Max im Intelligence Index v4.3 52 Punkte, Muse Wonder Full 56, Muse Spark 1.3 steht bei 48. Wer meinen Artikel zu Spark 1.3 im Kopf hat, wundert sich vielleicht über die niedrigen Zahlen, denn dort standen noch 61 und 62 Punkte. Artificial Analysis hat den Index seitdem auf Version 4.3 mit neuen Evals umgestellt, die alten Werte lassen sich nicht mehr direkt vergleichen.

Full verbessert sich gegenüber Spark 1.3 in allen zehn Index-Evals. Am stärksten fallen die Sprünge bei den agentischen Tests aus.

• Terminal-Bench 4.0: von 33 auf 57 % (Wonder: 52 %)
• GDPval-AA v2.1: von 1.681 auf 1.857 Elo
• AA-Briefcase: von 1.581 auf 1.729 Elo
• CritPt (Physik-Reasoning): Full mit 33 % auf Platz 1

Beim Output sind beide Varianten sparsamer als der Vorgänger und brauchen rund 54.000 Tokens pro Index-Aufgabe, etwa 10 % weniger als Spark 1.3. Das liegt unter Gemini 4 Argon und Claude Fable 5.1, aber über GPT-6.1 Sol mit 38.000 und GPT-6 Astra mit 27.000. Teuer wird es dennoch. Pro Index-Aufgabe rechnet Artificial Analysis für Muse Wonder 4,52 $ aus, deutlich mehr als bei Astra (3,26 $), Argon (1,99 $) und Spark 1.3 (1,60 $). Am härtesten fällt der Vergleich mit GPT-6.1 Sol aus, das ebenfalls 52 Punkte erreicht und dafür 0,72 $ braucht. In der Vergleichsgruppe, die Artificial Analysis nennt, sind pro Aufgabe nur die Anthropic-Modelle noch teurer, Fable 5.1 mit 7,63 $, Opus 5.5 mit 5,98 $ und Sonnet 5.5 mit 5,46 $.

Der Kostentreiber ist der Input. Muse Wonder liest pro Index-Aufgabe rund 7,7 Millionen Tokens ein, und laut den Daten auf der Modellseite von Artificial Analysis entfallen gut drei Viertel der 4,52 $ auf den Input. Bei langen Agentenläufen mit wiederkehrendem Kontext gehört Prompt Caching fest eingeplant, gecachte Tokens kosten bei Meta 95 % weniger. Beim Tempo zeigte Artificial Analysis am 13. Oktober 101 Tokens pro Sekunde und im Median knapp 20 Sekunden bis zum ersten Token. So kurz nach dem Launch können sich diese Laufzeitwerte noch verschieben.

Für Coding hat Artificial Analysis einen eigenen Coding Agents Index, der Modell und Harness zusammen misst. Muse Wonder Full in Muse Code kommt dort auf 68 Punkte, genauso viel wie Claude Code mit Sonnet 5.5 auf Max und zwei Punkte mehr als Claude Code mit Opus 5.5. Muse Wonder erreicht 63, Muse Code mit Spark 1.3 lag bei 54.

Was die Model Card zur Sicherheit sagt

Für die Risikobewertung hat Meta Muse Wonder Full als stärkste Variante getestet und überträgt das Ergebnis auf die ganze Familie. Ohne Gegenmaßnahmen schließt Meta nur im Bereich Chemie und Biologie nicht aus, dass die eigene High-Risk-Schwelle erreicht wird, Cybersecurity und Loss of Control stuft die Model Card schon vorher als „moderate or lower“ ein. Mit Safety-Post-Training und Classifiern auf Systemebene landen alle drei Bereiche bei „moderate or lower“. Einen vollständigen Safety-Report kündigt Meta für „soon“ an.

Für die Praxis interessanter sind zwei Punkte aus den Limitierungen. Visuelles und räumliches Reasoning, vor allem in 3D, nennt Meta als bekannte Schwäche. Und für agentische Einsätze mit echten Aktionen empfiehlt die Model Card Human-in-the-Loop-Bestätigungen vor jeder Aktion, die sich nicht rückgängig machen lässt.

Einordnung

Schon Spark 1.3 hatte Artificial Analysis im September als „Meta reaches the frontier“ eingeordnet. Mit Muse Wonder legt Meta noch einmal eins oben drauf, möchte dafür aber auch erheblich mehr Geld. Die acht Punkte mehr für Full im aktuellen Index und die großen Sprünge bei den agentischen Tests sind herstellerunabhängige Messungen.

Die Schlagzeile gehört trotzdem dem Modell, das die wenigsten einfach ausprobieren können. Muse Wonder Full gibt es nur im Abo, ohne Tokenpreis und standardmäßig mit Trainingsfreigabe. Die API-Variante landet im Index auf dem Niveau von GPT-6.1 Sol und kostet pro Aufgabe gut das Sechsfache. Wer bei Meta bisher vor allem wegen der niedrigen Preise von Spark hingeschaut hat, findet dieses Argument bei Wonder nicht mehr.

Spannend bleibt Wonder für lange Coding-Aufgaben, wo DeepSWE und SWE-Marathon mit allen genannten Vorbehalten einen Vorsprung zeigen. Mein erster eigener Lauf geht durch das übliche kleine Testset mit Astro und TypeScript. Raketenwissenschaft ist das nicht, es zeigt aber recht schnell, ob ein Modell Anforderungen behält und sauber durch die Tool-Kette kommt.