Meta Muse Wonder：Matthew Berman 如何判断 Meta 突然重返前沿模型竞争

一、主讲人与议题背景

这期节目不是访谈，而是 Matthew Berman 在 Forward Future 频道中对 Meta Muse Wonder 发布的单人评论与实测分析。节目标题是“Meta just dropped something insane... (Muse Wonder).”，焦点明确落在 Meta 的新模型上，时长约十分钟。因此，这里的“背景”不应写成嘉宾履历，而应理解为：一位长期做 AI 模型评测和应用演示的主播，围绕一个新发布的模型家族，快速判断它是否真的进入前沿梯队。

Berman 开场的判断很直接：他醒来时并不预期 Meta 会拿出前沿模型，但看完 Muse Wonder 与 Muse Wonder Full 后，认为这两个来自 Meta 的模型已经是 frontier-grade 的大型模型。他还把这次发布放进一个更大的反转框架中：约一年前，很多人还在看衰 Meta AI；现在，他看到的基准与部分实测让他认为 Meta 又回到了顶级模型竞争的桌面。

这也决定了节目性质：它不是 Meta 官方发布稿的复述，而是主播把兴奋、怀疑和亲手测试放在一起的即时评估。证据主要来自他现场展示的 Rubik’s cube、Fall Guys 风格游戏、Three.js 海面船只、watermelon 子弹渲染，以及随后逐项查看的价格、产品入口和多个模型榜单。

二、本期主要内容

节目主线先从实测能力进入。Berman 最满意的案例是 Rubik’s cube：他展示模型生成的魔方界面可以转动侧面，打乱后各面仍保持一致，随后求解大约花了四分钟。他特别强调，这看起来不是简单把打乱动作倒放，而是真的在求解。对一个交互式网页任务来说，这个例子重要，因为它不仅考察视觉生成，也考察连续状态、空间结构和操作逻辑能否维持。

随后的演示更冷静。Fall Guys 风格游戏出现闪烁和 clipping，Berman 判断结果 decent，但远不是自己见过的最好版本，并明确说 Opus 5.5 与 GPT 6.1 Soul 做出的版本更好。Three.js 船只案例有漂亮的水面反射，也能通过 time of day 调整时间；但船边出现白色异常，阴影很差，风速控制似乎只改变水面速度，而不是实际浪高，另一个 wave-height 控制才会改变浪高。watermelon 被子弹击中的 3D 渲染则变得模糊，没有达到 hyperrealistic。

产品体验是另一条主线。Berman 先买 15 美元月费方案，发现没有 Full 权限；升到 50 美元后约三分钟就耗尽 quota，并反复遇到 429；再升到 200 美元方案后，也只是多用了一点便再次耗尽。他提到 Alexander Wang 回复称这是已知问题，正在修复。与此同时，Berman 解释产品分层：Muse Wonder 可通过 API 使用，Muse Wonder Full 只在 Muse Code 订阅中可用。他原本期待 Full 版本也会通过 API 发布，但自己又立刻订阅了 Muse Code，因此也承认 Meta 可能做出了正确的商业选择。

价格方面，他称 Muse Wonder API 为每百万输入 token 4 美元、每百万输出 token 20 美元、每百万缓存输入 token 0.20 美元；GPT 6.1 Soul 短上下文为每百万输入 2 美元、输出 10 美元、缓存输入 0.10 美元，长上下文价格约为两倍；Opus 5.5 则是每百万输入 4 美元、输出 20 美元，按他的比较与 Muse Wonder 大致接近。

三、核心观点：推理、例子与边界

Berman 的核心判断是：Meta 这次不像只是追赶者，Muse Wonder 家族至少在他看到的一组基准和实测中已经进入前沿竞争。这个判断并不依赖单个榜单，而是来自几类证据的互相印证。Personal Superintelligence Index 上，他称 Muse Wonder Full Max 得到 59，并在图表中排名第一；Harvey Lab 法律基准上，他说 Full 得 13.1、普通 Wonder 得 10；DeepSuite 上，他尤其重视这组结果，因为 Full 得 79、普通 Wonder 得 78.8，而他认为这个榜在过去六个月最能反映开发者对编码能力的真实感受。

节目里最有说服力的例子不是分数，而是 Rubik’s cube。Berman 把它放在开头，是因为它能显示模型是否在连续交互中保存状态：魔方可以转动侧面，打乱后各面仍保持一致，随后完成求解，并且他判断这不是简单倒放打乱步骤。这个案例解释了他为什么会把 Muse Wonder 称为前沿级模型；它考察的不是静态页面生成，而是空间结构、状态追踪和操作目标能否在同一个任务中成立。

限制也很清楚。Fall Guys 风格游戏不如他记忆中的 Opus 5.5 和 GPT 6.1 Soul，船只渲染有水面反射的亮点，但也有白色异常和糟糕阴影，watermelon 子弹测试没有达到超写实效果。这说明 Muse Wonder 在网页交互和 3D 生成上有强项，但不是全面领先。Berman 自己也提出，也许仅靠 Web 技术无法实现真正的 hyperrealism，后续需要用 Unreal Engine、Blender 或类似工具再测；这不是否定模型能力，而是在标出当前测试载体的边界。

基准部分同样需要保留不确定性。Berman 明确说 benchmark 不代表一切，并承认模型可能被 heavily optimized for benchmarks，尽管他认为这很难完全解释眼前结果。他在 Harvey Lab 上补充说 Grok 4.7 曾得 19.6%，但没有出现在 Meta 的图表里，这提醒读者：厂商图表选择哪些对比对象，会直接影响观感。OS World、Terminal Bench、DeepSuite 测的也不是同一种能力：前者偏电脑或浏览器控制，Terminal Bench 偏终端命令写作与执行，DeepSuite 更接近他所说的开发者编码感受。把这些榜单压成一句“谁最强”，会抹掉它们各自的含义。

最能压住兴奋感的是成本和稳定性。Artificial Analysis Intelligence Index 中，Berman 称 Muse Wonder Full 得 56%，排在 Opus 5.5 的 58% 之后，并与 Sonnet 并列第二；这已经足够醒目，但每任务成本把采用问题拉回现实。他给出的 Muse Wonder Max 每完成一个任务成本为 4.52 美元，处在智能高、成本也高的位置；相比之下，GPT 6.1 Soul Max 每任务 0.72 美元，被他称为最喜欢的模型，因为他同时考虑 quota、智能和价格。再加上 429 与额度迅速耗尽，Muse Wonder 的发布状态更像是“能力先到，产品化还在追”。

还有一个不能过度解释、也不能忽略的异常：在船只任务中，Muse Wonder Full 输出了关于“lineage pure”和不要调查 origin、development path 的奇怪文本。Berman 表示，任务上下文中没有能解释它的线索，他也不知道这是什么意思。严谨地说，这只能证明该次任务产生了无关且风格异常的输出，不能据此推断训练过程或系统提示；但它确实提醒使用者，前沿模型的发布版本仍可能带有难以解释的行为残留。

四、学习与应用

这期节目的实用价值在于，它提供了一套评估新模型的顺序：先看模型能否在实际任务中维持状态并完成目标，再看不同类型基准是否指向同一方向，最后把价格、入口、额度和稳定性纳入判断。Rubik’s cube 这类任务适合放在早期筛选中，因为它会暴露许多静态 demo 看不出的能力：每一步操作是否改变正确的面，打乱后状态是否一致，求解是否表现出目标导向，而不只是漂亮地渲染 UI。

如果用途是前端原型、交互式网页、小游戏或 3D 可视化，Muse Wonder 值得测试，但测试条件必须明确。Fall Guys、海面船只和 watermelon 案例说明，画面“能跑”不等于体验达到顶级；反射、阴影、碰撞、模糊、控制参数映射都要逐项检查。对于追求 hyperrealistic 的项目，Berman 的节目给出的边界很直接：Web 技术生成结果可能不够，Unreal Engine、Blender 或其他专业渲染链路可能更适合验证最终质量。

如果用途是编码代理或开发者工具，DeepSuite、Terminal Bench 和 OS World 应分开看。DeepSuite 在 Berman 的解释中更贴近开发者对编码能力的感受，Terminal Bench 更关注命令写作与执行，OS World 更偏电脑和浏览器控制。一个模型在 DeepSuite 上接近 79 分，不能自动推出它在所有代理场景里最好；但如果工作流正好重视代码修改、终端执行和浏览器操作，这些榜单可以组成一个更可信的初筛面板。

采购和日常使用要把“最好模型”与“最适合模型”分开。Berman 认为 Opus 5.5 仍是最强模型之一，也承认 Muse Wonder 的综合指数非常接近第一；但他最喜欢 GPT 6.1 Soul Max，因为 0.72 美元每任务、额度、智能和价格组合更好。对团队来说，这意味着可以把 Muse Wonder 放在高难任务、关键编码评估或对比测试中，而不是默认替换所有日常调用。若 429、quota、订阅入口和 Full 版本不可 API 化仍存在，稳定生产流程最好保留替代模型。

最后，异常输出需要被记录，而不是被神秘化。遇到类似“lineage pure”的无关文本时，合理做法是保存 prompt、生成结果、模型版本、时间、调用入口和复现步骤；然后判断它是否影响任务正确性，是否可复现，是否触发安全或合规风险。只有当异常与业务输出、用户信任或数据处理相关时，才应升级为阻断问题。否则，它是模型评估表中的风险信号，而不是足以单独定义模型质量的结论。

来源

• 原始节目：Meta just dropped something insane... (Muse Wonder)