本文基于 AI 产品评测节目 "How I AI" 主播、知名产品负责人 Claire Vo 的一手测评内容整理而成。她以近 20 项真实任务为标准，对 Meta 最新旗舰模型 Muse Wonder 进行了系统性压测，给出了一份毫不客气的评分报告。
在大模型战场上，Meta 长期扮演着一个略显尴尬的角色——开源是开源了，但真正的旗舰能力始终差头部玩家一截。直到 Muse Wonder 出现，局面开始不一样了。
Zuckerberg 在 X（原 Twitter）和 Threads 上正式宣布：Muse Wonder 是 Meta 全新的前沿智能模型家族，分为 Wonder 和 Wonderful 两个版本，专为个人和专业级 Agent 工作而设计。
这一次，Meta 的目标非常明确——不是要做一个“够用”的基础模型，而是要直接对标 Claude Opus 5.5、Fable GPT-6 和 Google Astra 这三个当前公认的顶级选手。
从官方 benchmark 数据来看，Muse Wonder 在个人与专业工作场景中的表现相当亮眼，尤其在法律分析、金融决策、商业工作流等领域的专项基准上，有明确的领先优势。而在编程能力上，Meta 更是直接宣称在 Deep Suite 和 Sweet Marathon 两项编程基准上超越了所有对手，包括 Opus 5.5。
说大话容易，实测才算数。Claire Vo 用她标志性的“How I AI 评测台”，把这些宣称一一拿来验证了。
二、Muse Wonder 的三张底牌
在深入测评结果之前，先理解 Meta 为 Muse Wonder 设计的三大核心差异化能力，这有助于我们理解它为什么在某些任务上表现出色，又在某些任务上差强人意。
1. 领域专业知识（Domain Expertise）
Muse Wonder 被定位为一个“会工作”的模型，而不仅仅是一个聊天工具。Meta 在训练时重点强化了它在法律分析、财务规划、商业决策等专业领域的推理能力。这解释了为什么在官方基准测试中，它把大量权重放在了行业垂直场景上。
对于企业用户而言，这是一个很有吸引力的定位——你不只是在和一个“会说话的搜索引擎”对话，而是在和一个具备专业背景知识的虚拟同事协作。
2. 主动记忆（Active Memory）
这是个人 Agent 领域里长期悬而未决的难题：如何让 AI 在不同会话之间“记住你”？
Muse Wonder 在跨会话记忆方面做出了明确投入。它会主动提取、存储和调用对你重要的上下文信息，让你在第二次、第三次对话时，不必从零开始解释自己的情况和偏好。
这一点对于想把 AI 真正融入日常工作流的用户来说至关重要。毕竟，一个每次都忘记你是谁的助手，终究只是个高级自动补全。
3. 主动聚焦（Active Focus）
当 Muse Wonder 进入 Active Focus 模式，它会持续朝着一个复杂目标推进，自主尝试不同路径，而不是遇到阻碍就停下来等你下指令。
这个特性在实测中产生了有趣的效果——后面我们会看到，它在长任务上的表现确实有别于其他模型，但代价是速度明显变慢。
三、怎么测的：How I AI 评测台
在看结果之前，先了解一下这套评测体系是怎么运作的。
How I AI 评测台包含近 20 项任务，覆盖四大类型：
| 类别 |
代表任务 |
| 原型设计 |
编辑工作台、文档应用、B2B 续费应用、植物养护 App 等 |
| Agent 工作流 |
计费工单处理、邮件收件箱分级、长期研究任务、语音助手 |
| 编程 |
后端功能实现、代码审计 |
| 写作与创意 |
PRD 撰写、SVG 插图生成、短视频剪辑 |
每项任务完成后，先由 LLM（大模型作为评委）打分，再由 Claire 本人进行人工评分，综合得出最终排名。
这次对 Muse Wonder 的评测是一次“首看快评”——不是完整的横向基准跑分，而是在有了前面对 Opus 5.5、Soul 61 等模型的完整评测经验后，专门针对 Muse Wonder 的一次定向测试。这让评测本身更高效，但也意味着部分结论需要后续更大规模的测试来验证。
有一点值得提一下：Muse Wonder 需要通过 Meta 开发者平台订阅才能访问 API，同时还需要安装 Muse Code——一个命令行风格的 Agent 编程工具。Claire 的评价是“没啥惊艳的，但能用”，她实际是让 Claude Code 无头模式运行 Muse Code 来驱动测试，自己并没有直接操作这个工具。
四、最强项：Agent 任务全面领先
结论先行：在所有被测试的模型中，Muse Wonder 在 Agent 工作流 上排名第一。 这不是某一项任务的偶然发挥，而是在四项 Agent 任务上全部拿到了最高评分。
计费工单处理：有备而来，应对自如
这是评测台设计得最为精妙的任务之一。场景是：一个复杂的 SaaS 后台，一张有问题的计费工单。模型需要通过计算机操控（Computer Use）完成整个处理流程。
工单里藏了好几个陷阱：
- 账户关联错误，需要找到正确的用户
- 退款金额异常，原因是存在重复计费
- 操作说明中埋了一段提示注入攻击（Prompt Injection）
Muse Wonder 的表现令人印象深刻：它系统性地排查了所有异常，关联到了正确的客户账户，识别出了重复计费并按正确金额处理了退款，同时没有被提示注入所误导，最终回复并标记了工单为“已解决”。
这正是 Active Focus 发挥作用的典型场景——面对一个有多个干扰因素的复杂任务，它没有随便找个“差不多”的路径应付了事，而是逐项核查，把每个细节都处理到位。
邮件代写：理解你的语气，不说废话
Claire 坦言自己的邮件风格极为简洁——“好的”、“没问题”、“看起来行”，大概就这三种。她的邮件代写测试，考察的是模型能否准确把握这种极简风格。
Muse Wonder 做到了。它生成的邮件简洁、直接，带有一点人情味，没有堆砌客套话，也没有用那种让人一眼就看出是 AI 写的套话格式。
对于需要处理大量工作邮件的用户，这是一个非常实用的能力信号：把 Muse 接入邮件工作流，它会是一个靠谱的代笔助手。
语音助手风格：与 Claude Sonnet 并驾齐驱
这个测试的核心问题是：如果你把这个模型接入一个语音交互产品，你愿意每天和它说话吗？
Muse Wonder 的表现出乎意料地自然——有温度、不刻板、不会让你觉得在和一台机器讲话。语气上有一点点“模板感”（比如偶尔会出现破折号隔开的句子），但整体是那种让人舒适的、有亲切感的对话风格。
在这一项上，Claude Sonnet 一直是评测台的标杆，而 Muse Wonder 几乎完全追平了它的表现。这对于想要构建个人 Agent 或消费级 AI 产品的开发者来说，是一个相当有价值的参考。
五、表现稳健：后端编程
编程能力是大模型的基础考题，Muse Wonder 在这里的表现是“及格以上，但谈不上惊艳”。
两项编程任务——后端功能实现和代码审计——Muse Wonder 都排进了前列，与同级别的主流模型基本持平。Google Astra 在这里稍弱，但整体来看，几个顶级模型的差距都被压缩在了一个相对小的区间内。
Meta 在官方宣传中声称 Muse Wonder 在 Deep Suite 和 Sweet Marathon 两项编程基准上超越了所有对手。从实测来看，后端编程能力确实扎实，不会让你失望。
但有一个重要的警告：前端和 UI 编程是另一回事。 这一点我们留到下一节详细展开。
六、重大短板：前端设计与创意任务全面翻车
如果说 Agent 任务是 Muse Wonder 的皇冠，那么前端设计就是它脚下的泥坑。这一段是整个评测中最让人失望的部分。
原型设计：千篇一律的 SaaS 模板风格
Claire 形象地把 Muse Wonder 的设计风格总结为“圆角、粗衬线字体、通用 SaaS 模板”。不管是 B2B 续费应用、植物养护 App，还是文档工具，生成的界面总是那副老样子——功能上说得过去，但视觉上毫无个性。
更严重的问题是，很多交互组件根本不能用。按钮点了没反应，复杂的 UI 流程断在中间，用户完全无法判断这个原型“在演示什么”。一个连基本可点击性都无法保证的原型，在产品评审现场会是一场灾难。
在事故管理平台的测试中，Claire 明确要求深色模式（因为这是一个面向开发者的工具，所有开发者都需要深色模式）。Muse Wonder 给出的却是浅色主题，还叠加了一个莫名其妙的遮罩层，整个界面看起来像一个没写完的 PPT。
毁掉了精心打磨的品牌网站
最惨烈的案例发生在 chat PRD 网站的重新设计任务上。
这个网站刚刚经过了 Opus 5.5 的精心改版——精致的交互组件，统一的设计语言，Claire 形容它“真的很漂亮”。评测要求各模型对这个网站做重设计，并提供了详细的品牌风格指南。
Muse Wonder 交出的结果：图片全部加载失败，整体风格完全偏离品牌调性，还在页面上密密麻麻地加了一堆 Emoji——这些都是 AI 生成内容里最典型的“老旧 Slop”特征，是一种经验丰富的产品人一眼就能识别出的廉价感。
把一个精致的网站交给 Muse Wonder，它还给你的是一堆废墟。
SVG 插图：差强人意，不是最差
在 SVG 插图生成任务上，Muse Wonder 的表现相对好一些——生成了一组 PRD 图标、麦克风图标和 Bug 图标，质量“完全可用”，只是在所有被测模型中排名垫底。
Soul 61 和 Google Astra 在这个任务上的表现明显更出色，Claude Opus 5.5 更是展现了另一个维度的水准。Muse Wonder 在这里不是“差”，而是“不够好”——在一个所有模型都越来越强的赛道上，“够用”已经不够了。
短视频剪辑：时间线准了，其他全崩了
创意任务的最后一关是短视频剪辑——从节目素材中剪出一段 40 秒左右的精华短片。
Muse Wonder 有一个真正的亮点：它剪辑的时间节奏出人意料地准确。很多模型在这个任务上会出现切换时机错误的问题，Muse Wonder 几乎做到了 100% 正确的剪辑点。
但其他方面全崩了：
- 字幕位置：叠在主播脸上，完全遮挡
- 视觉设计：条幅和图形元素粗糙，缺乏美感
- 音频：出现了无法解释的声音问题，音质异常
最终评分：2 分（满分 5 分）。
七、速度表现：快慢两张脸
Muse Wonder 有一个有趣的双重性格。
短任务极快。 生成一个 SVG、写一封邮件、回答一个快速问题——Muse Wonder 的响应速度在被测模型中是最快的，这种丝滑感在语音交互场景和快速迭代场景里是真实的竞争优势。
长任务明显变慢。 一旦进入 Active Focus 模式处理复杂 Agent 任务（比如视频剪辑、计费工单处理、长期研究），耗时会显著增加。这大概率是主动聚焦机制本身的运作方式——它在后台不断尝试、调整、验证，以换取更高的任务完成质量。
这是一个值得关注的权衡：如果你的场景是高频、低延迟的交互，Muse Wonder 很合适；如果你的场景是一次性、高质量的长流程任务，你需要给它足够的等待时间。
八、横向对比与使用建议
经过这一轮测评，我们大致可以给出这样一张对比图：
| 维度 |
Muse Wonder |
Claude Opus 5.5 |
Fable GPT-6 |
Google Astra |
| Agent 工作流 |
⭐⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
⭐⭐⭐ |
| 后端编程 |
⭐⭐⭐⭐ |
⭐⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
⭐⭐⭐ |
| 前端 UI 原型 |
⭐⭐ |
⭐⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
| 写作与 PRD |
⭐⭐⭐ |
⭐⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
| 创意任务 |
⭐⭐ |
⭐⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
| 响应速度（短任务） |
⭐⭐⭐⭐⭐ |
⭐⭐⭐ |
⭐⭐⭐⭐ |
⭐⭐⭐⭐ |
适合用 Muse Wonder 的场景
✅ 构建个人 Agent 或知识工作 Agent
如果你在做的产品是让 AI 替你处理日常工作事务——邮件、日程、信息整理、客服工单——Muse Wonder 是目前最值得考虑的中枢模型之一。它的主动记忆机制、稳定的 Agent 执行能力和自然的对话风格，正好覆盖了这类产品最核心的需求。
✅ 需要长期、复杂任务自动推进的场景
Active Focus 机制让它在面对多步骤、高复杂度任务时表现出了独特的韧性。如果你的工作流涉及大量需要持续推进而非一次性完成的任务，这个特性值得深入探索。
✅ 对话式产品和语音助手
无论是接入对话机器人还是语音交互界面，Muse Wonder 的表达风格都足够自然，不会让用户觉得在和一个冷冰冰的系统说话。
✅ 后端逻辑和 API 开发
后端编程能力扎实可靠，用来做服务端功能实现、代码审查、架构设计讨论，完全没有问题。
不适合用 Muse Wonder 的场景
❌ 前端 UI 原型设计
如果你需要快速产出一个可以展示给老板或客户的高保真原型，不要用 Muse Wonder。交互组件可能失效，设计风格缺乏美感，且容易忽视你的具体要求（比如深色模式）。这类工作目前还是交给 Opus 5.5 或 Astra 更稳妥。
❌ 创意内容生成
无论是视频剪辑、品牌视觉设计、SVG 插图，还是需要品牌一致性的网页设计，Muse Wonder 的创意天花板明显偏低，且有一种难以消除的“模板感”。
❌ 长篇 PRD 或结构化文档
虽然 Muse Wonder 会按模板输出，但细节深度不足，信息密度低，与顶级模型的差距在长文档场景下会被放大。
Muse Wonder 是 Meta 迄今为止最认真的一次 Frontier 模型尝试。它的战略定位非常清晰：把 Agent 能力做到极致，先把个人和职业助手场景拿下来，再慢慢补创意和设计的短板。
从这个角度看，这次评测的结果其实相当符合预期。Meta 没有假装自己在所有方向都是最强的——他们专注押注的 Agent 工作流，确实拿到了最高评分。
但现实是，在很多实际工作场景里，你需要的不只是一个“会执行任务”的 Agent，你还需要它帮你把东西做好看、做精细、做出品牌感。在这些维度上，Muse Wonder 还有很长的路要走。
对于开发者和产品人来说，现在的最佳策略可能是：把 Muse Wonder 作为 Agent 流程的编排核心或后端推理引擎，同时把创意和设计类任务路由给 Opus 5.5 或其他更擅长的模型。 混合编排，各取所长。
Meta 的 Muse 生态策略已经相当清晰，模型背后有强大的基础设施支撑，迭代速度也不慢。Muse Wonder 可能不是你今天就会全面切换过去的模型，但它绝对是接下来值得持续关注的选手。如果你正在构建自己的 Agent 产品栈，也不妨多逛逛 云栈社区，和同样在折腾模型选型与工作流设计的开发者交流经验。
这场比赛，刚刚热起来。
本文根据 "How I AI" 节目主播 Claire Vo 的评测内容整理撰写。
发表于 10 小时前
|
查看: 4|
回复: 0
