Meta Muse Wonder登陆Cursor：CursorBench得分46.1%

Meta Superintelligence Labs 的模型 Muse Wonder 已正式登陆 Cursor 平台，为开发者提供了一个新的编程辅助选项。根据官方信息，该模型在 Cursor 自有的 CursorBench 基准测试中，以默认努力程度（default effort）取得了 46.1% 的得分，这是所有 Muse 系列模型中的最高成绩。

性能表现：CursorBench 得分 46.1%

CursorBench 是 Cursor 用于评估模型编程能力的内部基准，虽然其具体构成未完全公开，但 46.1% 的得分在 Muse 家族中处于领先位置。对于关注 AI 编程工具的开发者而言，这一成绩意味着 Muse Wonder 在代码生成、补全或调试等任务上可能具备更强的综合表现。不过，由于缺乏与其他厂商模型的横向对比数据，该分数的实际意义仍需更多独立测试来验证。

CursorBench 是 Cursor 官方构建的评估基准，专门用于衡量大语言模型在真实编程场景中的表现。它通常包含代码补全、函数生成、缺陷修复和多文件编辑等任务，并通过自动化测试或与参考实现比对来打分。由于是平台内部基准，题目构成和评分细节不完全对外公开，因此不同模型之间的分数对比需谨慎解读。

“默认努力程度（default effort）”指模型在推理时采用的默认计算预算或思维链长度，并非最高档位。厂商通常提供可调节的推理强度，努力程度越高，模型会生成更多中间推理步骤，可能提升准确率但增加延迟和 token 消耗。因此 46.1% 反映的是标准设置下的表现，而非模型能力上限。

定价策略：输入 $4/百万 tokens，输出 $20/百万 tokens

Muse Wonder 采用按 token 计费的模式，输入价格为每百万 tokens 4 美元，输出价格为每百万 tokens 20 美元。这一定价处于当前 AI 编程模型的中高端区间，输出成本显著高于输入，符合生成式模型通常的计费逻辑。对于高频使用 Cursor 的开发者，成本将成为选择模型时的重要考量因素。

在按 token 计费的体系中，tokens 是模型处理文本的基本单位，约等于英文单词的一部分或一个汉字。输入 tokens 指用户发送给模型的提示词、代码上下文和文件内容，输出 tokens 则是模型生成的回复、代码和建议。输出价格通常是输入价格的数倍，因为生成过程需要逐 token 自回归计算，算力成本更高。

以输入 $4/百万 tokens、输出 $20/百万 tokens 为例，若一次请求包含 1 万输入 tokens 和 2 千输出 tokens，成本约为 $0.04 + $0.04 = $0.08。对于每天大量调用模型补全代码的开发者，累积成本会快速上升，因此上下文长度管理和模型切换策略对控制费用十分关键。

对开发者的意义：多模型选择与成本权衡

Muse Wonder 的加入让 Cursor 用户有了更多模型选择。开发者可以根据任务复杂度、预算和性能需求，在 Muse Wonder 与其他可用模型之间切换。CursorBench 的高分表现可能吸引那些追求代码生成质量的用户，而定价则提醒团队需要评估使用量对成本的影响。

市场定位与竞争格局

Meta Superintelligence Labs 推出 Muse Wonder 并接入 Cursor，显示出其切入 AI 编程工具市场的意图。Cursor 作为流行的 AI 代码编辑器，已成为模型厂商展示能力的平台。Muse Wonder 以家族内最高分和明确的定价进入这一竞争激烈的领域，能否获得开发者青睐，将取决于实际使用体验与性价比。

目前，关于 Muse Wonder 的架构细节、训练数据以及更广泛的基准测试结果尚未公布，开发者可关注 Cursor 平台上的实际试用反馈。

Meta Superintelligence Labs 是 Meta 为推进前沿 AI 研究而设立的组织，聚焦于通用智能与大规模模型研发。Muse 系列是其面向开发者和生产力场景的模型家族，Wonder 是该家族中面向编程辅助的成员。接入 Cursor 这类第三方开发工具，意味着模型厂商可以绕过自建应用，直接触达专业开发者群体，同时借助平台真实使用数据迭代模型。

AI 代码编辑器赛道已聚集多家模型供应商，平台方通常同时接入多个模型，让用户按任务和预算选择。这种多模型并存的格局降低了单一模型的锁定效应，也使定价、延迟和 CursorBench 等基准分数成为厂商竞争的关键维度。