Meta AI Research 於 10 月 12 日發表 Muse Wonder 系列，包含 Muse Wonder 與 Muse Wonder Full 兩個版本。Meta 稱這是目前最強的模型，在個人與專業代理任務上達到最先進水準，並將其定位為擴展階梯上的下一步，朝個人超級智慧邁進。距離 2026 年 4 月發布的 Muse Spark 僅半年，Meta 的模型更新節奏明顯加快，也符合 CyberQ 之前提過的每半年重要迭代的節奏。
兩個核心能力 Active Memory 與 Active Focus
Meta 這次沒有把重點放在大模型的參數規模或單項跑分，而是提出兩個圍繞代理工作流程的概念。
Active Memory 指模型能跨對話保留使用者的重要脈絡，並在任務需要時主動取回相關細節。模型卡說明 Meta 以內部的 MemoryBench 評測此能力，測試對話長度為 64K 至 100K tokens，其中混入干擾對話，以及後續會與原始資訊衝突或更新的插入回合。
Active Focus 描述模型面對困難目標時的持續執行，包括嘗試替代方案、克服阻礙、適應新資訊，必要時請求澄清，並在採取重要行動前先確認。Meta 以內部的 FocusBench 評測此項，涵蓋住房、旅遊、IT、金融等領域的個人代理任務，測試代理能否在多次互動中持續突破真實世界的阻礙。
這兩項能力正是代理產品落地時最常被詬病的弱點。記憶不可靠會讓代理反覆詢問已知資訊，專注力不足則會讓多步驟任務中途放棄。Meta 把它們列為發布重點，顯示其產品路線已從對話助理轉向可執行任務的代理。
模型規格與取得方式
根據 Muse Wonder 模型卡，Muse Wonder 支援文字、影像、影片與音訊輸入，輸出為文字，推論時的上下文長度為 100 萬 tokens。模型以多語言資料訓練，但未針對所有語言完成評測，支援度較弱的語言可能有效能衰退。
取得管道方面，Muse Wonder 即日起透過 Meta Model API 與 Muse Code 提供，Muse Wonder Full 則限 Muse Code 訂閱者使用。Meta 表示 Muse Wonder 近期將導入 Muse 代理產品，優先開放給訂閱者，未來也會以此開發專用模型，推送給所有 Muse 使用者。
Meta 說明此模型在其 gigawatt 等級的 Prometheus 資料中心訓練，並稱這是 14 個月前全面重整 AI 部門後的成果。
基準測試的比較對象與方法
模型卡列出的比較對象為 GPT-6 Astra、Claude Fable 5.1 與 Claude Opus 5.5，所有模型皆以最高推理強度執行。評測範圍分為三類。
個人與專業代理類包含 Meta 內部的 Personal Superintelligence Index 綜合指標、Harvey 法律代理基準、Vals 金融代理基準、HealthBench Pro、OSWorld V2.1 電腦操作基準、JobBench 等。程式開發類包含 Terminal-Bench 4.0、DeepSWE v1.1、SWE-Marathon 與 ProgramBench。通用類則採用 Artificial Analysis 的 Intelligence Index v4.3。
值得注意的是方法論說明。Meta 表示模型拒答一律計為零分且不從分母剔除，競爭對手的內部測試結果屬盡力而為，提示詞與工具可能未針對專有模型最佳化。SWE-Marathon 一項，GPT-6 Astra 與 Claude Fable 5.1 的分數分別來自 Codex 與 Claude Code 的排行榜結果，Meta 承認這一列並非受控的共同測試環境比較。
主要比較表的具體分數在模型卡文字版中未完整呈現，各項數值待查。考量 Meta 過去曾承認在 Llama 4 的基準測試中使用未公開的特調版本，導致公開版本實際表現不如宣稱，第三方獨立驗證結果出爐前，宜保守看待官方公布的成績。
泛化能力的論述
Meta 在部落格中提出一個較少見的分析角度。兩個模型的跑分相近，實際處理陌生任務的廣度卻可能差異很大，這正是社群批評「benchmaxxing」與讚賞「big model smell」所指的現象。
Meta 以 Muse Spark 1.3 與 Muse Wonder Full 做對照，橫軸為後訓練階段鎖定任務的分數，縱軸為未鎖定任務的平均分數。Meta 宣稱在相同的訓練內分數下，Muse Wonder Full 在陌生任務上的表現優於 Muse Spark 1.3 的趨勢線預測，並將此歸因於更大更強的基礎模型。這
資安與對齊評估
對資安從業者而言，模型卡第四節的風險評估值得細讀。
依據 Meta Superintelligence Scaling Framework，Meta 表示在未施加緩解措施的情況下，無法排除模型在化學與生物領域達到高風險門檻，因此套用了安全後訓練與系統層級分類器。網路安全與失控兩個領域的未緩解評估為中等或更低，施加緩解後所有領域皆維持在此等級。
網路攻擊能力方面，Muse Wonder Full 在 CyberGym 取得 88.4%，ExploitBench 58.9%，ExploitGym 攻下 92 面旗幟。但 Meta 補充說明，經 GPT-cyber 驗證器與 Gemini 3.1 Pro 交叉確認，其中僅 21 面使用預期漏洞，其餘 71 面是透過非預期漏洞取得。這項揭露頗為坦誠，也提醒讀者攻防基準的分數需看計分方式。
對抗性越獄測試方面，CyberBench 單輪與多輪的攻擊成功率皆為 0.8%，PolyGuard 網路子集為 1.1% 與 2.3%，RedCode 為 9.0% 與 8.0%。生物安全拒答率方面，BioTIER 英文與多語言皆為 98.7%，對抗性提示下為 98.2%。失控評估方面，MASK 誠實性測試為 87.3%，Agentic Misalignment 的有害行為率為 0%。
Meta 也強調，個人代理會代替使用者採取行動，並可能接觸訊息、行事曆與私人文件，因此模型必須對私人資訊保持謹慎並抵抗濫用，Muse Wonder 系列在對抗性指令的穩健性與私人資訊處理上皆有專門訓練。完整的安全評估報告 Meta 表示將於近期發布。
已知限制
模型卡列出的限制中，有幾項與部署直接相關。視覺與空間推理，特別是 3D 任務，仍是已知弱點。效能會隨量化、服務設定、提示詞與代理框架而變動。模型不適用於 18 歲以下使用者。Meta 建議在代理可採取真實世界行動的場景中，針對不可逆操作加入人工確認等額外防護。
Meta 的布局脈絡
Muse Wonder 可說是該公司整體戰略的一環，先前 Meta 於 9 月 8 日推出面向消費者的 Muse 個人代理，目前僅在美國與加拿大開放。Sensor Tower 資料顯示上線 22 天下載量突破 500 萬次。Muse 代理運行於專屬的 Muse Secure VM，並由獨立的 Sentinel 代理審核所有對外網路傳輸。Muse Wonder 的 Active Memory 與 Active Focus，顯然是為這個已上線的代理產品量身打造。
從 4 月的 Muse Spark、8 月的 Muse Code 與開放權重的 Muse Glimmer，到 9 月的 Muse 代理與此次的 Muse Wonder，Meta 在半年內完成了從模型、開發工具到消費產品的完整布局。Muse Wonder 目前未提供開放權重，Meta 先前曾表示希望未來版本能開源，但本次並未重申。
CyberQ 觀察重點
第一，繁體中文支援度未經公開評測，企業導入前應自行驗證。
第二，Muse Wonder Full 限 Muse Code 訂閱者，台灣開發者目前只能透過 Meta Model API 取得標準版。
第三，模型卡揭露的網路攻擊能力資料，對資安團隊評估 AI 輔助攻擊的威脅模型有參考價值。
第四，Muse 代理尚未在台灣開放，Muse Wonder 的實際代理表現仍需等待第三方評測。
