Meta Muse Wonder：進階版只給月費訂閱不開 API

Meta 在 10 月 12 日推出 Muse Wonder 與 Muse Wonder Full，這是它第一次拿出被外界認定為「前沿等級」的模型。但真正值得留意的不是分數，而是 Meta 這次把路走反了：過去靠 Llama 開源打下開發者市佔的公司，這回交出的是閉源、按 token 收費、而且分數較高的那個版本連 API 都不開放的產品。

對長期用 Llama 自架模型的團隊來說，這是一條熟悉的路突然封起來；對正在挑選 AI 供應商的企業來說，則是多了一個報價單上不便宜、通路上卻還沒鋪開的選項。

Photo by Winston Chen on Unsplash

兩個版本，只有弱的那個賣給你

這次發布的是一組雙胞胎。Muse Wonder 透過 Meta Model API 提供，模型代號 muse-wonder-1.0，輸入每百萬 token 4 美元、輸出 20 美元，快取輸入 0.2 美元，支援 100 萬 token 的脈絡長度。Muse Wonder Full 則沒有 API 價格，只隨 Muse Code 訂閱提供：Power Usage 方案每月 50 美元，Maximum Usage 方案每月 200 美元。

這個切法在實務上造成一個明確後果：企業想把 Wonder Full 接進自家的產品或內部流程，是做不到的。你可以讓工程師在訂閱制的編碼工具裡用它，但沒辦法在生產環境呼叫它。而根據 Meta 自己公布的對照表與第三方評測，Wonder Full 才是真正接近第一梯隊的那一個。

兩家媒體都注意到同一件事：Meta 先前曾表示自家定價會明顯低於 OpenAI 與 Anthropic，但 4 美元／20 美元這組數字，和 Claude Opus 5.5 的費率幾乎一致，也和 GPT-6 Sol 落在同一個區間。換句話說，Meta 沒有打價格戰，而是直接站上了第一線的報價位置。

Photo by Stéphane Mingot on Unsplash

獨立評測把它放在哪裡

Meta 的模型卡宣稱 Wonder 與 Wonder Full 的表現可與 Fable 5.1、GPT-6 Astra 相比，並在複雜任務如程式撰寫上表現更好。第三方機構 Artificial Analysis 的智慧指數則給出另一組排序：Claude Opus 5.5 為 58，Wonder Full 為 56（與 Claude Sonnet 5.5 並列），GPT-6 Astra、Gemini 4 Argon、Claude Fable 5.1 同為 53，Muse Wonder 為 52，Grok 4.6 為 44。

也就是說，能用 API 買到的那個版本，分數落在中段；真正追上前段班的版本，鎖在訂閱裡。成本方面，Artificial Analysis 估算每項指數任務的平均成本，Wonder 為 4.52 美元、Opus 5.5 為 5.98 美元、GPT-6 Astra 為 3.26 美元。

值得提醒的是評測來源混雜的問題。VentureBeat 指出，Meta 公布的對照表同時混用了自家評測、廠商提供的分數與第三方結果，部分程式測試還使用了不同工具；Futurum 也點出許多代理人類別的分數出自 Meta 自己的評測，且以最高推理強度執行，應視為上限值而非日常表現。看這類發表會數字時，區分「誰跑的測試」通常比記住數字本身更有用。

Meta 押的是「記憶」

撇開總分，Meta 這次講得最用力的差異化是「主動記憶」（active memory）——模型留存並整合使用者資訊的能力。研究科學家 Kavya Kopparapu 表示，團隊希望模型能記住「對你而言重要的事，跨越數天、數週、數月甚至更久」，Meta 把這次發布稱為「邁向個人超級智慧的重大一步」。

數字上，Meta 自測的 MemoryBench 分數為 85.6%，宣稱在這項測試上勝過 Fable、Opus 與 Astra；Artificial Analysis 量到的幻覺率為 26.5%，低於 GPT-6 Astra 與 Claude Opus 5.5。這兩項加起來，指向一個相當具體的使用情境：需要跨多次對話、長時間執行的代理人工作流程。模型訓練則在 Meta 位於俄亥俄州中部、今年稍早上線的 Prometheus 資料中心完成。

記憶之所以是個真問題，是因為大多數企業導入 AI 的痛點並不在單次回答的品質，而在於每開一個新對話就要重講一次背景。一個記得住專案脈絡、客戶偏好、內部規則的模型，省下的是累積起來很可觀的重複輸入。Meta 挑這個角度切入，方向上是合理的。

Photo by Ilya Semenov on Unsplash

資料怎麼被使用，差別在模式

企業評估時特別需要看清楚的是資料處理條款。根據 VentureBeat 整理，API 使用走的是 Standard 模式，Meta 表示送出的內容不會用於訓練；Muse Code 訂閱則預設為 Contributor 模式，送出的內容可能被用來改進未來模型，使用者可以關閉，但只對關閉之後送出的內容生效。

另外，合格的 API 組織可以申請零資料保留（zero data retention），但該模式不支援伺服器端對話狀態、背景請求、檔案上傳與內建網路搜尋。這代表「不留資料」和「功能完整」之間存在取捨，不是勾一個選項就兩者兼得。

Futurum 另外引用 Meta 自家的測試結果：Wonder 在處理個人資訊時，有 3.4% 的情況出現不當處理，約等於三十次中出現一次。對任何需要過法遵或資安審查的導入案來說，這個數字會是會議桌上被追問的那一項。

真正的難題不是分數，是通路

Futurum 的分析把 Meta 的弱點指向市場路徑而非模型能力。目前 Wonder 主要透過 Meta 自家 API 販售，尚未確認上架 AWS、Google Cloud 或 Azure 等雲端市集。對照之下，Google 的 Gemini 4 Argon 可以順著 Vertex AI 與 Google Workspace 進入企業，Futurum 引用的數據顯示 61% 的企業受訪者已與 Google Gemini 有業務關係，而 Meta 並不在其追蹤的四個工具之列。

這個落差有它的結構性原因：上架對手的雲端市集，等於替自己打算競爭的對象增加營收與黏著度。彭博在 2026 年 7 月曾報導 Meta 正在建構雲端業務，Wonder 很可能被設定為那層業務的模型層。但在雲端業務成形之前，企業要採用 Wonder，就得多開一個供應商、多走一次採購與法遵流程。

Meta 在企業市場的紀錄也不算有利。它在 2026 年 5 月關閉了企業協作產品 Workplace，這段歷史會讓採購方在評估長期可用性時多問幾句。Futurum 2026 年 2 月的調查（N=820）則顯示，企業平均同時使用 3.8 個模型，意味著新模型不必取代既有供應商也能進入組合——這對 Wonder 算是好消息，前提是它得先買得到。

幾個可以留著觀察的點

從外部觀察，這次發布比較值得追蹤的有三件事。

第一，開源路線會不會補回來。Meta 表示會釋出 Muse Spark 1.2 的權重，但未給出時程；目前它的開源選項是 2026 年 8 月以 Apache 2.0 釋出的 300 億參數模型 Muse Glimmer。Llama 當年能打進企業，靠的是可以在自有環境執行、用自家資料微調、提示詞不離開本地——這三項在閉源的 Wonder 上都不成立。對原本因為這些理由選擇 Llama 的團隊而言，Wonder 並不是 Llama 的升級版，而是另一條產品線。

第二，Wonder Full 會不會開放 API。如果 Meta 最終把接近第一梯隊的版本放上 API，整個評估結論就得重寫；如果不開放，那 Wonder Full 的定位就比較接近「訂閱制編碼工具的賣點」，而不是企業可建置的基礎模型。

第三，記憶這條賽道會不會被跟進。主動記憶目前是 Meta 拿得出手的差異化，但這類功能在產業裡通常不會獨佔太久。若其他廠商在接下來幾季補上同級的長期記憶能力，Wonder 的賣點就會回到價格與通路，而那兩項目前都不是 Meta 的強項。

對台灣企業的實際意義

對多數正在評估 AI 工具的公司來說，這則新聞短期內不太需要立刻行動。Wonder 沒有在主流雲端市集上架、價格與第一梯隊同級、個資處理的自測數字還有改善空間，這三點加起來，讓它目前比較適合列入觀察名單而非採購清單。

如果團隊的使用情境確實偏向長時間執行、需要跨對話記憶的代理人工作，倒是值得撥一點預算做小規模測試，並以標準費率編列成本，不要預期會有折扣。反之，如果原本的規劃是「用開源模型自己架在公司內部」，那這次發布基本上不影響既有路線——Wonder 不提供那個選項。

比較值得從這件事裡帶走的，其實是一個挑供應商的通則：模型分數會每季變動，但資料處理模式、通路可得性、供應商在企業市場的持續經營紀錄，才是導入之後會真正影響你的部分。發表會當天最大的數字，往往不是半年後最讓你在意的那一個。