Meta发布Muse Wonder：六档推理等级，性能对标GPT-6.1 Sol

Meta AI 推出 Muse Wonder 与 Muse Wonder Full，官方称其为「当前最强模型」。据 Simon Willison 在博客中的记录，新模型已通过其 llm-meta-ai 插件 0.2 版本接入 LLM 工具链，Meta 研究博客同步发布了公告。

六档推理等级：从 minimal 到 max

Muse Wonder 最大的设计特点是内置六档推理强度：minimal、low、medium、high、xhigh 和 max。这种分层思路与业内「按任务难度分配算力」的趋势一致——简单查询走低档位省成本，复杂推理任务则拉满。

但原始信息存在明显空白：官方并未说明每一档究竟改变了什么，也没有给出不同档位在成本、延迟上的差异。换句话说，六档等级目前更像是一个产品接口，而非可验证的性能承诺。对于准备接入 API 的开发者，这意味着选档策略只能靠实测摸索。

“推理强度分档”是近年推理模型（reasoning model）常见的产品化手段，其技术基础通常来自测试时计算扩展（test-time compute scaling）：模型在生成最终答案前先产生一段或多段内部思考（chain-of-thought），档位越高，允许的思考 token 预算、采样次数或搜索深度就越大。OpenAI 的 reasoning effort 参数、Anthropic 的 extended thinking 预算等都属于同一思路。因此不同档位往往不改变模型权重本身，而是改变推理阶段的算力投入，直接牵动延迟与单价。这也解释了为何厂商需要明确披露每档的 token 预算——否则开发者无法预估账单。

第三方评测：Max 档对标 GPT-6.1 Sol

Artificial Analysis 的评测显示，Muse Wonder 在 Max 档位下的表现与 GPT-6.1 Sol 相当。这是一个值得关注的信号——若该结论成立，Meta 在高端推理模型上已进入第一梯队。

Willison 进一步推测，这可能是 Meta 首批属于「Fable class（寓言级）」的模型。需要明确的是，这一分类是他个人的解读，Meta 在原始公告中并未确认该说法。评测数据来自第三方机构，模型分级则属于观察者判断，两者的可信度权重并不相同。

Artificial Analysis 是一家独立模型评测机构，其做法是统一通过各家 API 调用模型，在标准化题库上跑分，并同步测量输出速度（tokens/s）、首 token 延迟和每百万 token 成本，最终合成一个综合智能指数。由于评测在第三方环境中完成、不依赖厂商自报数据，其结果常被用作横向对比的参考。但需注意其局限：题库覆盖面有限，且结果会随厂商静默更新模型而漂移，因此单次排名更适合作为趋势信号，而非终局结论。

一个月一发的节奏，进步是否真实？

据 Willison 梳理的时间线，Muse 1.3 于 9 月 2 日发布，Muse 1.2 则在 8 月 5 日推出——Meta 基本保持着每月一个新模型的迭代速度。

他对版本间进步的判断来自一个非正式测试：让每个模型画「骑自行车的鹈鹕」。Willison 认为版本间的提升是实质性的。不过这个测试只是快速的视觉检查，不构成正式基准，原始来源也没有提供其他衡量版本增益的指标。对于关注模型能力演进的读者，这一结论应视为方向性参考而非定论。

“画骑自行车的鹈鹕”是 AI 社区流传的一种非正式可视化测试，最早因有人用它检验图像模型的空间关系与物体组合能力而流行。它之所以被反复使用，是因为鹈鹕的喙、自行车车架与骑行者姿态构成多重约束，容易暴露模型在部件拼接和物理合理性上的缺陷。但这类单提示测试样本量为一，结果高度依赖随机种子与提示措辞，既不可复现也难以量化，只能作为定性观察，无法替代 MMLU、GPQA 等标准化基准。

信息缺口：定价、上下文与上线时间均未公布

原始来源中没有价格、速率限制、上下文窗口大小或正式上线日期。这些恰恰是生产环境选型的关键参数。计划将 Muse Wonder 用于实际业务的团队，需要直接查阅 Meta 官方文档补齐这些信息。

从产品策略角度看，Meta 先通过插件生态和第三方评测释放信号、再逐步公布商用细节，是一种常见的市场预热路径。但对开发者而言，在关键参数缺位的情况下，现阶段更适合做小规模试验而非大规模迁移。

值得关注的三件事

• 六档推理等级的实际差异尚未公开，选档成本需要自行实测；
• Artificial Analysis 的 Max 档评测对标 GPT-6.1 Sol，但「Fable class」分级仅为个人解读；
• 月更节奏下的能力提升目前只有非正式测试佐证，缺乏公开基准支持。