HN Weekly 中文
← #814

Muse Wonder：Meta 面向个人与专业 AI 智能体的前沿模型

查看原文 HN 讨论

文章摘要

10 月 12 日，Meta 在其 AI 研究博客上发布了 Muse Wonder 系列模型，包括 Muse Wonder 和 Muse Wonder Full 两个版本，称它们是 Meta 迄今最强的模型，在个人和专业智能体任务上达到业界领先水平，是其”扩展阶梯”上的下一级，也是迈向”个人超级智能”的一大步。

发布方式。 Muse Wonder 当天即可通过 Meta Model API 和编程工具 Muse Code 使用；Muse Wonder Full 只向 Muse Code 订阅用户开放，没有放进 API。Muse Wonder 之后会为消费级产品 Muse 提供支持，先向订阅用户推出，还将用于生成工件（artifact）和其他需要更高智能的流程。Meta 还计划以 Muse Wonder 为基础，开发可以提供给所有 Muse 用户的专用模型。

背景。 文章回顾说，14 个月前 Meta 开始从零彻底重组 AI 工作，从基于第一性原理重建技术栈，到如今推进前沿。发布 Muse Spark 时，Meta 阐述了”可预测、严谨扩展”的方法，这次的发布在预训练和强化学习两方面延续了那套工作。两款模型在 Meta 位于俄亥俄州、吉瓦级规模的 Prometheus 数据中心训练。

基准成绩。 文章给出了一张完整的对比表，比较对象是 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5.5（均为 max 设置）。部分数据如下（依次为 Wonder Full / Wonder / Fable 5.1 / Astra / Opus 5.5）：

但也不是全面领先：HealthBench Pro、Terminal-Bench 4.0、JobBench、OSWorld V2.1 上 Opus 5.5 最高，GDP.pdf 上 GPT-6 Astra 最高，ProgramBench（从零编程）上 Opus 5.5 以 70.5 大幅领先 Wonder Full 的 59.0。在 Artificial Analysis 综合智能指数上，Opus 5.5 以 58 排第一，Wonder Full 以 56 排第二，Fable 5.1、GPT-6 Astra、Gemini 4 Argon 均为 53，Wonder 为 52。博客的柱状图还用箭头标出了 Meta 自家模型一年来的进步：Muse Spark 31、Spark 1.1 34、Spark 1.2 40、Spark 1.3 48，再到 Wonder 52 和 Wonder Full 56。

四项核心能力。

博客附带了几个演示：根据可定制的图片输入构建一个可玩的 3D 厨房游戏、在浏览器和多个应用间工作，根据个人偏好制定周六跑步计划、根据个人 Instagram 上的真实照片设计并订购定制周边、按照一系列复杂匹配要求安排婚礼座位表等。

能力的泛化。 文章专门讨论了”刷榜”（benchmaxxing）和”大模型味”（big model smell）的说法：两个基准分数相近的模型，一个可能比另一个能应对广得多的陌生任务。Meta 在扩大测试时计算的同时，对比了模型在后训练重点任务（分布内）和未专门训练的任务（分布外）上的表现。结果是，Muse Spark 1.3 和 Muse Wonder Full 在分布外任务上随计算量提升的幅度相似，但在同等分布内表现下，Wonder Full 在陌生任务上的成绩比 Spark 1.3 的趋势线预测得更好。Meta 将其归因于更大、更强的基座模型：基座越强，后训练的收益越能迁移到陌生任务上。这对个人智能体尤其重要，因为目标、工具和约束的组合千变万化，训练时不可能全部预见。

安全。 个人智能体代表用户行事，可能接触消息、日历、私人文档，因此需要谨慎处理隐私信息并抵御滥用。Meta 称 Muse Wonder 系列在对抗性指令的鲁棒性和隐私信息处理上都处于领先，对 CBRN（化学、生物、放射性和核）和网络滥用提供了迄今最强的防护，同时按照”Meta 超级智能扩展框架”保留前沿网络能力供防御用途。Meta 称这是其迄今对齐程度最高的模型，完整的安全评估报告将稍后发布。

HN 评论精华

本帖 671 分、370 多条评论。讨论的焦点包括：扎克伯格的高价挖人策略是否终于见效、模型是否刷榜、”超级智能”这个用词、多家前沿实验室并存是好是坏、Meta 的隐私记录，以及一批早期用户的实测反馈。

扎克伯格的豪赌见效了？ 217 开玩笑说”抱歉扎克，我不知道你这么能打”，在 AA 指数上仅次于 Opus 5.5 已经相当不错。Cookingboy 回顾：当初扎克伯格花数十亿美元收购 Scale、让二十多岁的 Alexandr Wang 掌管 Meta 超级智能实验室、挤走图灵奖得主 Yann LeCun、开出九位数薪酬从其他实验室挖人，人人都在嘲笑，华尔街也痛恨 Meta 的资本开支；如今看来，在一个并非全新的产品领域里，扎克伯格再次证明了自己是出色的执行者。他把”执行者”写成了”executioner”（刽子手），引来一串调侃。overfeed 反讽说相信 Muse 会和扎克伯格开创的元宇宙一样伟大，随后展开一场关于元宇宙算不算失败的争论：avarun、heaney-555 说 Quest 头显卖得跟 Xbox 差不多、Ray-Ban Meta 眼镜的销量比其他所有智能眼镜加起来还多一个数量级，overfeed 回应”黑莓当年也卖得很好”。关于 LeCun，redox99 说留着一个讨厌 LLM、预言总在几个月内被证伪的人才是蠢，hashmap 反驳：让一个靠低薪雇人标注数据起家的人取代卷积神经网络的发明者，并不值得称道。

刷榜疑虑。 clueless 问刷了多少榜，phoghed、xynelius 认为可以默认每个模型都在刷榜，毕竟基准本该代表常见任务。samseaborn 指出博文专门有一节讨论如何衡量刷榜，phoghed 讽刺道”在所有科技 CEO 中，扎克伯格是绝不会骗我的那一个”。cvhc 吐槽博客页面的鼠标特效让散光和飞蚊症患者很难受，ollin 给了一行在控制台隐藏 canvas 的代码。user43928、droidjj、dcchambers 指出一个关键细节：主页面上领先的成绩来自只对订阅用户开放的 Wonder Full，API 里只有 Wonder。

实测反馈好坏参半。 droidjj 贴出价格：每百万输入 token 4 美元、缓存输入 0.2 美元、输出 20 美元。Jcampuzano2 注意到这和 Meta 以往低价策略不同，已经比 Sol 贵、与 Opus 持平，可能意味着 Meta 自认已进入前沿。jjcm 做了图片转 HTML 的测试，认为 Wonder（非 Full）明显不如 Opus 5.5，大致介于 Sonnet 5.5 和 Haiku 5.5 之间，猜测视觉能力还不成熟。ekojs 用它做 React 前端打磨、Node 后端审查和 Rust 小改动，认为”智力有了，但品味和判断力还没到”，还在一个简单改动上陷入审查和修复的死循环。himata4113 认为它在真实使用中仍落后一代；chriddyp 则在数据分析测试中发现它与 Opus 5.5 同级，比 Muse Spark 1.3 快一倍多、贵一倍左右。simonw 照例让它画骑自行车的鹈鹕，结果”相当不错”；wxce 则说该停止鹈鹕测试了，这是典型的古德哈特定律。er4hn 讲了用 Muse（大概是 Spark 1.3）全权安排西雅图周末游的经历：它推荐了已经倒闭的餐馆，弄错了奶酪店开门时间，还惊慌地提醒他航班就在今天，其实那是第二天的每日航班。hugh4life 担心低价订阅会被收紧：他用 15 美元的 Muse Code 套餐搭配 Spark 1.3 能用出约 1500 美元的额度，可用 Wonder 跑两个小提示就花掉了每周额度的 4%；chrisco255 补充，Alexandr Wang 回应说用量过高是个 bug，已修复并重置额度。sergiotapia 也说 5 美元套餐几句问答就用掉了 14% 的周额度。

“超级智能”这个词。 chenster、khalic 对”超级智能”一词很反感，认为这是在讨好特朗普。ipsum2、frozenseven、laidoffamazon、arjie 纠正：Meta 超级智能实验室 2025 年 6 月就成立了，Bostrom 的《超级智能》2014 年就出版了，要说也是特朗普借用了扎克伯格的说法。stratos123 总结：Meta 用的不是特朗普要求企业采用的那个”表忠心”的流行词，而是 Facebook 几年前为营销编出来的流行词，两者都和这个词的本义毫不相干。

前沿多几家是好是坏？ atleastoptimal 认为前沿公司越多越好，否则一家公司实现递归自我改进后会造成极端的权力集中；freakynit 唱反调，认为一家独大时其他公司为自保反而会站在普通人一边。socializer 认为这些巨头在”AI 将管理社会”这一核心理念上是一致的，”王座坐得下不止一个人”；atleastoptimal 举出马斯克离开 OpenAI、Amodei 出走创立 Anthropic、Ilya 两度出走，说明精英间的怨恨和竞争远比合作更常见。tekacs 观察到现状是”总有一家领先，但每隔几周换一家”，这对公众来说是一种有用的不稳定平衡。讨论还岔到了 Anthropic 的模型福利立场：hintymad 引用《纽约时报》的报道，aesthesia 引用 Opus 5.5 模型卡中”我们不确定 Claude 是否应受到直接的道德考量，但认为这是现实的可能性”的表述，staticman2 则反复质问：如果真这么认为，删除模型为何不算不道德。GodelNumbering 指出递归自我改进的支持者大大低估了验证难题：判断 N+1 版本是否优于 N 版本，只能靠人类或 N 版本本身，而两者都超出了能力范围。

开放权重与商业模式。 PcChip、cardboard9926 等人问是否会开放权重，kennywinker 提醒 Meta 9 月发布 Muse Spark 时就承诺过开放权重，至今未兑现。swalsh 认为扎克伯格当初的 Llama 论点正被一周周验证：智能的”租金市场”不会出现，持久的收益属于掌握稀缺资产（算力、专有数据、网络效应）的一方，开放权重反而能让这些资产更值钱。Starlevel004、saisundar 认为 Meta 追上来的一大原因是数据：它以近乎免费的价格提供模型、换取用户同意用于训练，单是 Opencode 上一周就有近 40 万亿 token 流经 Muse Spark 1.3 的”贡献者”版本；Muse 也是继 ChatGPT 之后最大的消费级发布。

隐私信任问题。 nerevarthelame 指出 Meta 自己的内部指标显示约 3% 的个人信息处理违规率，对于要让普通人把私事交给智能体的产品来说太高了；kraf 讽刺说”把个人数据交给 Meta”本身就是这项基准的定义。pmuse 报告在登录 Muse Code 时看到了一些陌生开发者的账号，引发一阵恐慌，后来他排查发现与 Safari 的 Wipr 2 内容拦截扩展有关，并向 Meta 道歉；nmfisher 反问为何要道歉，如果原因真是浏览器指纹，那恰恰是 Meta 的问题。throwyawayyyy 说他刚想退订某个 Meta 产品的营销邮件，结果页面报错”不支持的请求方法：post”，”没有哪家公司比它更不配获得使用 Muse 所需的那种信任”。此外，arecsu、murermader 认为厨房游戏演示完全照搬了《胡闹厨房》（Overcooked），而且在 Firefox 上漏洞百出；daemonologist、overfeed 拿命名开涮：”Glimmer、Spark、Wonder，下一个是什么，最终是切伦科夫辐射吗？”InsideOutSanta 接了一句”Muse 恶魔核心”。