Meta憋了14个月，憋出一个"记得住你"的模型10月12日，Meta 一口气放出两个模型：Muse Wonder 和 Muse Wonder Full。
上下文 100 万 token，官方说它能接住你交代过的所有琐事，隔几个月还记得。
可你真去调用 Meta 的 API 会发现：货架上只有小的那个。
一、它不忙答题，先忙着记人Meta 给这两个模型配了两个词：Active Memory（主动记忆）和 Active Focus（主动聚焦）。
前者管"记住"，后者管"扛住"。
官方博客里的演示不是问答，是任务：给一份复杂的匹配清单，让它排婚礼座位表；给一句"安排周六跑步"，它自己查天气、排路线、算时间。
这类活儿，单看每一步都不难。
难在它要连着做几个小时，中途不能把两小时前那句"我妈不吃辣"弄丢。
参数上：100 万 token 上下文，输入吃文本、图片、视频、音频，输出只给文字。
这个组合挺有意思：感官给全了，嘴只留一张——它是被定位成干活的，不是陪聊的。
记性这块它有数据。在官方引用的 MemoryBench 上，小号 Muse Wonder 拿到 85.6。
Claude Fable 5.1 是 79.0，GPT-6 Astra 81.4，Claude Opus 5.5 是 81.5。
只差几个点，但方向变了：模型比拼的重点，正从"答得对不对"挪到"记不记得住"。
一个记不住上下文的助手，只能陪你聊十分钟；能记住三个月的，才敢让它去办真事。
反过来说，过去两年那些 agent 大多卡在这儿：不是不会做，是做完一轮就忘，你每次都得从头交代。
二、把14行拆开看，它是长跑选手先看 Meta 想让你看的数字。
超长项目基准 SWE-Marathon，Wonder Full 57.5，Opus 5.5 是 46.3，Astra 42.5。
法律 agent 基准 Harvey LAB-AA，Wonder Full 13.1，Opus 5.5 只有 4.2。
长文编程 DeepSWE 1.1，Wonder Full 79.0，对手是 74.1 和 74.2。
但那张表有 14 行，Wonder Full 只赢 6 行。
输的 8 行里有几行很关键：OSWorld V2.1 电脑操作，78.4 对 Opus 5.5 的 81.8。
ProgramBench 从零写程序，59.0 对 70.5；Terminal-Bench 终端任务，57.1 对 59.6。
还有两行咬得很死：HealthBench Pro 62.3 对 65.6，JobBench 75.3 对 75.4。
看出来了吧——它赢在长跑，输在短打。
项目拖得越久、上下文越脏，它越占便宜；换成"看一眼就动手"的活，它反而落后。
再看 Meta 自己在模型卡里写下的三句话。
第一，凡是找不到第三方成绩的项目，取"内部复现、自报成绩、官方榜"三者里的最高值。
第二，竞品分数是 Meta 自己跑的，标注"尽力而为"，并承认提示词和工具"可能没调到最优"。
第三，SWE-Marathon 那一行，Wonder Full 用 xhigh 档，其余行是 max 档。
对手分数还来自 Codex 和 Claude Code，Meta 自己写明"不是受控的同 harness 对比"。
所以那 11 分领先，是上限，不是下限。
第三方机构 Artificial Analysis 更冷静：Wonder Full 综合 56 分，与 Claude Sonnet 5.5 持平，比 Opus 5.5 低两分。
能买的那个 Wonder 是 52。
结论不复杂：Meta 挤进第一梯队了，但没坐上头把交椅。
三、能打的那个，压根不进 API这才是这次发布里最耐人寻味的地方。
Muse Wonder Full 只开放给 Muse Code 订阅用户，不走 API。
开发者能调的只有小号 Wonder，每百万 token 输入 4 美元、输出 20 美元，和 Claude Opus 5.5 一分不差。
对上 Opus 5.5，小号 Wonder 在 14 行里只赢 5 行。
换句话说：你对标的是它最能打的那一档，掏钱买到的是退一档的那一个。
对开发者来说，这意味着 Wonder Full 只能"用"，不能"接"——你能买订阅让它在 Muse Code 里干活，却没法把它嵌进自己的产品里对外服务。
为什么不卖？因为 Meta 要的不是 API 账单。
API 是卖零件的钱，Muse 订阅是卖入口的钱。
把最能打的锁进订阅，是在给用户留存加砝码：用得越久，它记得越多，换平台的成本就越高。
硬件底子是真舍得。两个模型在俄亥俄州中部的 Prometheus 数据中心训练，吉瓦级园区，今年才通电。
内部代号 Watermelon，扎克伯格 9 月 2 日先发了个西瓜 emoji 当预告。
华尔街日报的判断更直接：真正的考验不是跑分，是能不能把 Muse 的用户留下来、把放缓的下载量重新拉起来。
四、Meta 赌的不是卖 token如果把这次发布只看成"又一个大模型"，会漏掉 Meta 的真实意图。
它的产品线现在这么摆：底层是 Muse 系列模型，中间是 Meta Model API 和 Muse Code，最上面是个人助理 Muse。
模型是零件，入口才是生意。
这条路它铺了有一阵。
4 月 Muse Spark 是重组后的第一款旗舰；7 月 Muse Image 和 Muse Video 补齐媒体生成。
8 月 Muse Glimmer 开源权重，单张显卡就能跑 agent 任务；9 月 Muse 上线；10 月 Wonder 补上前沿这块拼图。
一条完整链路，14 个月走完。
Muse Spark 1.3 的发布博客结尾还留了一句路线图：更大的模型，以及 Muse Spark 的开源权重。
一边把最能打的锁进订阅，一边把次一档的开源出去，这套打法 Meta 很熟。
开源那张牌，打的是开发者生态。
多数同行是反着来的：先把 API 铺开、按 token 收钱，产品慢慢补。
Meta 把顺序倒过来了——先攥住入口，再决定放多少模型出来。
至于这一轮真正的变量，可能不是排名，而是"记忆"第一次被当成产品指标来考核。
收束一下。
这次发布真正改变的，是 agent 的能力边界：从"你问一句它答一句"，变成"你交代一件事，它记着、扛着、办完再回来"。
它没改变的，是那条老规矩：榜单可以自己定口径，用户留存骗不了人。
对国内做应用的团队来说，这反倒是个提醒：上下文管理、记忆写入与检索这些脏活，比追一个新版本号更值钱。
你愿意把一件要办三天的事，交给一个记得住你的 AI 吗？还是更怕它记得太清楚？评论区说说你的底线。
#探寻人工智能，从技术到真实世界#