同一天，同一个模型：榜单上碾压 Opus 5.5，实测里 3D 游戏却翻车——Meta 这次交出的到底是”翻身仗”还是”应试冠军”？
AI飞行客 同一天，同一个模型：榜单上碾压 Opus 5.5，实测里 3D 游戏却翻车——Meta 这次交出的到底是”翻身仗”还是”应试冠军”？
Meta 昨晚发了 Muse Wonder。代号”西瓜”。
扎克伯格在 X 上说，这是 Meta 规模更大、能力更先进的一代模型，公司终于抵达 AI 技术前沿。股价一度涨 4.7%。
然后，同一天，同一批人的实测报告也出来了。结果很有意思：在跑分榜上它压着 Opus 5.5 打，在实测 3D 游戏生成上它翻了大车。
这不是一个”谁对谁错”的问题。这是一个关于”跑分到底能衡量什么”的老问题，被 Meta 用最戏剧性的方式重新摆到了台面上。
先看它到底哪强、哪弱
先说好的。Muse Wonder 在长程编程测试里拿到了 57.5%，Opus 5.5 是 46.3%。在第三方榜单 Vals AI Index 上，Muse Wonder Full（Max）首次登场就排第五，胜过所有 OpenAI 模型，只有 Anthropic 现役模型得分更高。Shopify 的 CEO Tobi Lütke 亲自测试后说：”很难找到其他顶级模型失败而 Wonder 也能完成的任务。”
再说差的。新智元那边的实测标题很直接：”Meta 最强模型跑分超越 Opus 5.5？实测大翻车，作弊刷榜实锤了”。问题出在 3D 游戏生成上——同样一套提示词，Wonder 出的画面和完成度明显不如对手。
更值得玩味的是 Meta 自己的回应。Alexandr Wang 在 X 上承认：团队没有专门针对 3D 演示游戏训练模型，”现在看来本应该加强这一部分”，还建议开发者用真实编程任务来评价 Wonder。
注意这句话。这等于官方盖章：跑分第一，不代表真实场景第一。
这个矛盾，其实不自相矛盾
很多人看到”榜单冠军+实测翻车”就觉得是作弊。我不这么看，至少不完全是。
长程编程和 3D 游戏生成，考察的根本不是同一种能力。前者是”读懂并修改复杂工程”，后者还额外涉及三维空间理解、场景设计和视觉审美。一个模型可以在前者上世界第一，在后者上平平无奇——这本身不矛盾。
真正的问题是另一个：如果一款号称”通用前沿”的模型，需要针对不同任务专门强化才能不掉链子，那它在那些没被充分训练的长尾场景里，表现会是什么样？
尤其是我最关心的——办公场景。它不是跑分榜上的显学，也不是发布会的炫技点，但对绝大多数用户来说，这才是决定它有用没用的地方。
Meta 给的另一组数据暗示了答案。在 AA-Omniscience 知识测试里，Muse Wonder Full 只拿到 30 分，明显落后于 Claude Opus 5.5（46）、GPT-6 Astra（43）和 Gemini 4 Argon（42）。这个差距说明什么？Wonder 系列很可能建基于一个较小的基础模型。跑分靠的是后训练和专项强化把特定维度顶上去，但底座的知识密度藏不住。
更扎心的是账单
跑分追上第一梯队，成本也水涨船高。
第三方测算（Artificial Analysis）显示，Muse Wonder 的平均评测任务成本从上代 Spark 1.3 的 1.60 美元涨到了 4.52 美元，涨幅 183%。API 定价每百万输入 token 4 美元、输出 20 美元，比上代的 1.25 和 4.25 涨了不止一倍。每个任务还多耗 28% 的输入 token，而输入 token 占了总成本的 76%。
横向比一下更清楚： – Claude Opus 5.5：每任务约 5.98 美元 – Muse Wonder：4.52 美元 – GPT-6 Astra：3.26 美元 – Gemini 4 Argon：1.99 美元 – GPT-6.1 Sol：0.72 美元
翻译成人话：Muse Wonder 比 Opus 5.5 便宜约 25%，但比 GPT-6 Astra 贵 39%，比 Gemini 4 Argon 贵一倍多，比 GPT-6.1 Sol 贵 6 倍。 它站在”不便宜也不贵”的中间地带，而没有站在”性价比最优”的位置。
我的判断：这不是翻身仗，是第一份及格答卷
我理解 Meta 为什么急着发布。去年 Llama 4 在硅谷反响不佳，扎克伯格花了 14 个月重组 AI 部门，投了 140 亿美元换来了 Alexandr Wang，一座 1GW 算力集群的建设成本就是 500-600 亿美元、年运营 150 亿美元。花了这么多钱，市场在等一份成绩单。
Muse Wonder 是这份成绩单。它证明 Meta 终于能造出”有资格上桌”的模型了——这点必须承认。从掉队到追上第一梯队，7 个月、不到 200 人的核心团队做到这个程度，确实不容易。
但”上了桌”和”打赢了”是两件事。
第一，它证明了跑分可以很漂亮，但跑分不等于真实体验。 发布当天就承认某个演示场景没专门训练，这本身就是对”榜单即真理”叙事的一次自曝。
第二，Meta 选择了一条更窄但更聪明的路。 Wang 说得很直白：别的公司都在卷编程 Agent，Meta 要卷的是”个人智能体”——帮普通人处理日常任务。这是差异化，也是回避正面硬刚 Opus 的机会。但代价是：在编程这个最硬的战场上，它要靠专项强化去和更成熟的对手掰手腕，而在它真正想占领的个人 Agent 战场上，用户的口碑才刚刚开始积累。
第三，对开发者来说，这是好消息。 竞争越激烈，价格越会往下走。今天 Muse Wonder 站 4.52 美元，一年后可能是 0.5 美元。真正该关心的从来不是”谁跑分第一”，而是”在我具体的那个任务上，谁更便宜、更稳、更少翻车”。
所以我的建议很简单：别信榜单，别信发布会，去跑你自己那三个真实任务。 同一个 prompt，丢给 Wonder、丢给 Opus 5.5、丢给你现在用的。看三件事就够了——结果对不对、等多久、花多少钱。
Meta 自己都说了”亲自试试看，自己作出判断”。这一次，它说得对。