Meta花了两年时间追赶的那一块，终于补齐了。
10月12日，Meta超级智能实验室（Meta Superintelligence Lab）发布一对新的顶尖模型：Muse Wonder与Muse Wonder Full。这是该公司首次尝试前沿模型（frontier model）——即当前能力上限梯队的大模型。
先交代这条产品线的脉络。此前Meta推出的Muse Spark定位是轻量模型，目标是低延迟、可大规模部署，配合Muse智能体使用。Wonder系列则完全不同：规模更大、能力更强，按Meta的说法，在基准测试上取得更高分数，在编码等复杂任务上表现更好。根据Meta公布的模型卡数据，Wonder与Wonder Full取得的基准成绩与Fable 5.1、GPT-6 Astra可比。
定价与分发方式透露出产品定位。经Meta Model API接入的Wonder，价格为每百万输入词元4美元、每百万输出词元20美元，大致与GPT-6 Sol或Opus 5.5相当。而Wonder Full仅向Muse Code订阅者开放，不通过API提供服务。两个模型都将用于驱动Muse智能体。这套安排的逻辑很清楚：标准版走API变现，满血版作为订阅制的差异化权益——把最强能力留在自家付费产品里，是各家模型厂商近一年的共同选择。
Meta这次特别强调的能力叫「主动记忆」（active memory）。考虑到Meta长期押注的是能长时间替用户推进任务的个人助理，这一强调并不意外：如果模型记不住用户交待过什么、缺什么信息、下一步该做什么，长期任务就无从谈起。为了让这个卖点可量化，Meta亮出了MemoryBench这一基准——它考察的是持续学习与记忆构建框架的能力，即模型能否在长周期交互中正确积累并检索信息。按Meta的测试，Muse Wonder在MemoryBench上的得分高于Fable、Opus与Astra。
配套的官方表述来自研究科学家Kavya Kopparapu：团队投入了大量精力，确保模型能记住对你重要的东西，时间跨度从数天、数周、数月延伸到更久。Meta在博文中的定位则是：这两个模型「标志着我们扩展阶梯上的下一步，也是朝个人超级智能迈出的重要一跃」。
训练基础设施同样值得记录。这批模型在Meta位于俄亥俄州中部的Prometheus数据中心完成训练，该中心今年早些时候才投运。从数据中心上线到前沿模型训出，间隔不到一年，反映出Meta在算力基建上的投入速度。
这件事的转折意义需要放在时间线里看。这是Scale AI创始人Alexandr Wang去年8月重组Meta AI业务以来的首个前沿模型发布。此后Meta陆续推出了轻量模型Muse Spark与Muse智能体，但一直没有做OpenAI与Anthropic那种级别的顶尖模型发布。扎克伯格在近期的表态中称，公司已在AI前沿领域追上竞争对手。
需要标注的不确定性有两点。其一，模型卡中的基准对比来自Meta自家测试，第三方复现与独立评测尚未跟进。其二，「Wonder Full仅向订阅者开放」意味着外界无法对满血版做独立评测，实际能力上限有待观察。
接下来值得跟踪的是三件事：独立评测机构对Wonder的复现结果、Muse智能体换装Wonder后的实际表现，以及Meta是否会在后续开放Wonder Full的API。前沿模型的竞争已经从「谁先发」转向「谁能持续迭代」——一次发布不足以改写格局，接下来几个月的更新节奏才是真正的检验。