Meta 发布 Muse Wonder 系列：1M token 上下文，主打长跑型智能体与电脑操作

Meta Superintelligence Labs 于 2026 年 10 月 12 日在官方研究博客发布 Muse Wonder 系列，包含 Muse Wonder 与 Muse Wonder Full 两个版本。官方称其面向编码、长时运行智能体与电脑操作场景，支持 1M token 上下文，输入涵盖文本、图片与 PDF，并支持工具调用与结构化输出。同日 Vercel AI Gateway 上线该模型，模型名为 meta/muse-wonder-1.0。

这次发布的是什么

Meta Superintelligence Labs 于 2026 年 10 月 12 日在官方研究博客发布 Muse Wonder 系列模型，一次性给出 Muse Wonder 与 Muse Wonder Full 两个版本。官方把它的定位写得很直接：面向个人与专业场景智能体的前沿模型，两条被单独命名的支撑能力是 Active Memory（主动记忆）与 Active Focus（主动聚焦）。

按官方说明，主动记忆负责把与你相关的上下文跨会话带在身上，并在任务中主动取回相关的那一部分；主动聚焦负责在一个有难度的目标上持续推进——换方法、过障碍、吸收新信息，并在需要时主动提问、在重要动作前先确认。

关于可用性，官方称 Muse Wonder 当天即可通过 Meta Model API 与 Muse Code 使用，Muse Wonder Full 当天面向 Muse Code 订阅用户开放，后续会先推送给订阅用户所在的 Muse 体验，并用于产出物生成与需要更强智能的流程。

Vercel 在同一天（12 Oct 2026）发布的接入说明给出了更具体的口径：该模型面向编码、长时运行智能体与电脑操作；能规划多步任务、把工作分派给子智能体、并在推进过程中从错误里恢复；上下文窗口为 1M token；支持文本、图片与 PDF 输入，支持工具调用与结构化输出；模型名为 meta/muse-wonder-1.0，通过其网关一个 API key 即可调用，无需另建 Meta 账号。

可用性与限制

• 接入渠道：官方给出的入口是 Meta Model API 与 Muse Code；第三方渠道方面，Vercel AI Gateway 已于当日上线。是否开放权重、是否提供自托管，官方页面未说明，以官方公告为准。
• 版本差异：Muse Wonder 与 Muse Wonder Full 的能力边界不同，Full 版本官方写明面向 Muse Code 订阅用户；两者在额度、上下文或响应速度上的具体差别，官方页面未逐项列出。
• 参数口径：1M token 上下文窗口这一数字来自 Vercel AI Gateway 的当日说明；Meta 官方研究博客正文以图表形式呈现评测结果，未逐项列出参数表。两边是否完全一致，以官方文档为准。
• 评测与定价：官方称完整的安全评测报告会另行发布。图表中的具体分数以及任何费用信息本文不转述，以官方模型卡与官方渠道为准。
• 时间会变：模型命名、开放区域与计费方式随官方调整而变动，本文描述基于 2026-10-12 的官方页面内容。

主要功能

• 主动记忆：跨会话保留关键上下文，并在任务中主动取回相关细节
• 主动聚焦：在长任务中持续推进，受阻时改用备选路径并按需确认
• 多步规划：把复杂目标拆成可执行步骤并逐步推进
• 子智能体协作：把子任务分派给子智能体执行
• 工具调用：便于接入既有系统与既有流程
• 结构化输出：便于把结果直接交给下游程序处理
• 多模态输入：同一次流程里处理文本、图片与 PDF

技术原理

官方博客正文里能确认的信息分三层。

第一层是能力命名。主动记忆与主动聚焦是官方为两类行为起的名：前者解决「记住什么、什么时候想起来」，后者解决「如何在一个目标上不轻易停下」。这两个名字对应的是训练目标，而不是某个具体的模块名或开关。

第二层是训练路径。官方称模型在 Prometheus 这一吉瓦级数据中心完成训练，整体路线承接此前的 Muse Spark 与可预测的规模化方法，在预训练与强化学习两侧同时推进，并由多个团队协作完成。

第三层是评测方式。官方列出的评测包括 Harvey 的 Legal Agent Benchmark（LAB）、LegalBench 与 PLawBench，用于法律等专业领域的推理与起草；FocusBench 用于聚焦能力；SWE-Marathon 用于长时软件项目的持续执行。官方还专门回应了「刷榜」质疑：他们比较了后训练目标内任务与未针对性训练任务在测试时算力扩展下的表现，结论是 Muse Wonder Full 在未针对性训练的任务上，表现高于按 Muse Spark 1.3 趋势所预测的水平，官方把这一偏移归因于更大规模、更强的基座模型。

需要提醒的是，以上结论均出自官方自评。独立第三方的复现与横向评测尚未出现，据此做选型时应把这个前提考虑进去。

实际体验

可以按下面几步自己核对，全程不需要真实业务数据：

1. 打开官方研究博客的 Muse Wonder 页面，确认页首标注的发布日期为 October 12, 2026。
2. 在 Vercel AI Gateway 的模型目录中检索 muse-wonder，确认给出的模型名为 meta/muse-wonder-1.0，并核对页面列出的上下文窗口与输入模态。
3. 用官方给出的最小示例跑一次调用，观察返回是否为结构化输出，以及工具调用是否能正常触发。
4. 把输入换成同时带图片与 PDF 的组合，确认两种模态是否都能被接受。
5. 在一个多步任务里故意安排一个会失败的步骤，观察模型是否改走备选路径，而不是直接停下。
6. 对照官方列出的评测名称，判断它们与自己关心的场景是否对得上。

任何一步与上文描述不符时，先确认所用接入渠道与模型名是否一致，再回到官方页面与官方模型卡核对。

项目地址与获取方式

官方研究博客：https://research.meta.ai/blog/muse-wonder

第三方接入说明（Vercel AI Gateway，12 Oct 2026）：https://vercel.com/changelog/muse-wonder-now-available-on-ai-gateway

官方给出的调用入口为 Meta Model API 与 Muse Code，区域、额度与计费以官方渠道为准，本文不转述任何价格。请通过官方入口获取，避免使用名称相近的第三方镜像或转接服务。

适合谁用

• 需要长任务不断推进、希望模型在受阻时能换路走的人。
• 做编码与电脑操作类自动化的开发者：官方把这两类场景写进了模型定位。
• 处理合同、财务、健康等专业材料的知识工作者：官方评测覆盖了法律等专业领域。
• 已经在用 Muse / Muse Code 的人：官方称模型会先行推送给订阅用户。
• 不必急着用：只做单轮问答的人——主动记忆与主动聚焦的价值要跑长任务才显现得出来。
• 不适合：要求自托管或离线部署的团队——官方页面未给出权重或自托管安排。

常见问题

Muse Wonder 与 Muse Wonder Full 是什么关系？

官方把两者放在同一个 Muse Wonder 系列里一起发布，并说明 Full 版本面向 Muse Code 订阅用户开放。两者在能力、额度或上下文上的具体差别，官方页面未逐项列出，以官方文档为准。

模型权重开放了吗？

官方研究博客的正文没有提到权重开放、许可协议或自托管方式。是否已经提供或计划提供，以官方公告为准，本文不做推测。

1M token 上下文这个数字来自哪里？

该数字出现在 Vercel AI Gateway 于 2026 年 10 月 12 日发布的接入说明中。Meta 官方研究博客的正文以图表形式呈现评测结果，没有逐项列出参数表。两个来源的口径是否完全一致，以官方文档为准。

官方公布的评测结果可以直接引用吗？

官方博客把对比结果放在图片里，正文只给出了评测名称与定性结论，并称完整报告会另行发布。图片中的具体数值本文不转述，需要引用时请以官方模型卡与后续报告为准。

现在接入需要什么前置条件？

按 Vercel 的说明，通过其网关调用只需配置一个 API key，不需要单独注册 Meta 账号。走官方渠道则需要按官方给出的入口申请。额度、区域与合规要求以官方说明为准。

相关工具与内容

• 分类：AI 智能体、AI 对话、AI 编程
• 同题材快讯：Claude Haiku 5.5 发布
• 同题材快讯：GPT-6.1 Sol 发布
• 延伸阅读：智能体任务分层：什么交给 AI，什么留给人工
• 工具页：Claude、ChatGPT、Gemini