Meta Muse Wonder 是什麼？主打記憶與長任務，版本、價格和成效一次看懂
Meta Muse Wonder 與 Full 版本主打跨對話記憶、持續執行與程式開發。本文整理程式接口每百萬 token 費率、Full 訂閱門檻、官方基準的優勢與限制，以及團隊評估導入時可用的實際驗收方法。
同一個專案交給 AI，隔天卻得重新解釋一次需求，這是 Meta Muse Wonder 想改善的工作情境。
它是 Meta 新發表的模型系列，主打記住重要背景，並持續完成需要多個步驟的任務。
Zuckerberg 在台灣時間 2026 年 10 月 13 日凌晨宣布新模型，官方公告日期則是 10 月 12 日。
這次同時推出 Muse Wonder 與 Muse Wonder Full，使用入口和費用並不相同。
對每天用 AI 寫程式、整理資料或處理專案的人來說，差別可能是少重講幾次需求、少接手幾次卡住的工作。
但這些能力能否替你省時間，還要看任務是否做對，以及出錯時是否知道停下來詢問。
我的判斷是值得拿長任務試用，購買前則先分清楚模型能力、訂閱權限與實際交付成果。
Meta Muse Wonder 是什麼？模型與工具怎麼分？
這次更新的是模型，也就是負責理解資料、推理與決定下一步的核心能力。你仍需要透過產品或程式接口使用它。
Muse 是面向使用者的 AI 助理，Muse Code 能透過工具採取多個步驟來開發程式，Meta Model API 則是讓程式向模型提問的接口。
API 可以想成程式向模型發問的窗口。你的應用程式送出資料與要求，再接收模型的回應，費用依使用量計算。
把這幾層分清楚，就能避免看到「新模型已發布」，便以為每個帳號、每個產品都已經同步更新。
Meta 研究團隊介紹 Muse Wonder 的能力與設計，約 2 分 33 秒，英文原音 影片來源：Meta AI Research。
Wonder 與 Full，各自在哪裡用？
依 Meta 發表公告，Wonder 已提供給 Model API 與 Muse Code，Full 則先提供給 Muse Code 訂閱者。
官方模型頁進一步列出，Full 的使用方案是 Power Usage 與 Maximum Usage。不能直接把一般版的 API 費率套到 Full。
Muse App 的安排是後續分批推出，先提供給訂閱者。讀者是否已經收到更新，仍要以自己的帳號介面為準。
| 名稱 | 定位 | 2026 年 10 月 13 日查詢的入口 |
|---|---|---|
| Wonder | 較重視快速回應的版本 | Model API、Muse Code |
| Wonder Full | 官方定位為完整、能力更強的版本 | Muse Code 的 Power 或 Maximum 方案 |
| Muse App | 使用模型的助理產品 | 新模型分批推出，優先給訂閱者 |
表格裡前兩列是模型，最後一列是產品，因此選擇時應先問自己要聊天、開發程式，還是串接工作流程。
能讀什麼，又會輸出什麼？
模型卡列出的輸入包括文字、圖片、影片與音訊，輸出則是文字。
這代表它能分析截圖、文件或影片內容。產品如果另外提供圖片或影音生成，也不能全部歸到這個模型的輸出能力。
Muse Wonder 兩個版本的上下文容量都是 100 萬 token。Token 是模型處理文字與其他內容時使用的計算單位，不能直接換成固定字數。
上下文容量較大，讓一次任務容納更多資料，但「裝得下」與「每次都能找對資料」是兩件不同的事。
後者正是這次記憶能力更新值得看的地方。
Active Memory 與 Active Focus，能改善哪種工作？
Meta 把這次的代理能力拆成記住背景與持續執行，對應到使用者最常接手補救的兩種情況。
AI 代理是能依目標呼叫工具、採取多個步驟的系統。它的實際能力也受產品提供的工具與帳號權限影響。
Muse Wonder 的記憶要能更新，才不會沿用舊要求
Active Memory 的意思是跨對話保留重要背景，當新任務需要時，再取回相關資訊，而不是要求使用者重新貼一次。
例如專案原本採用藍色主視覺，後來改成綠色，下一次修改頁面時，助理應該使用更新後的要求。
這是本文用來說明能力的假設情境，並非我們對新模型的實測結果。
官方 MemoryBench 就包含干擾對話，以及與先前資訊衝突或更新的細節，測試模型能否找回正確內容。
不過，這項內部測試的對話長度是 6.4 萬至 10 萬 token，因此不能用它證明 100 萬 token 裡的所有細節都能準確記住。
跨對話記憶也不等於所有資料永久保存。保留與刪除的方式，還要依實際使用產品的設定與政策判斷。
延伸閱讀：Judith Dada 畫出 AI 能力地圖：為何判斷推理已超越人類，記憶仍落後？
遇到障礙能換方法，也要知道何時問人
Active Focus 指的是模型遇到困難仍能朝目標前進，嘗試其他做法、處理阻礙，並隨新資訊調整工作。
官方也把需要時提出澄清、重要行動前確認，列入這項能力的描述。「持續執行」因此包含適時把決定交回使用者。
這對程式開發尤其重要，因為功能通常需要跨檔案修改、測試，再修正測試發現的問題，很少一次生成就結束。
官方示範包含從圖片輸入建立可玩的 3D 廚房遊戲，也展示跨瀏覽器與應用程式安排跑步計畫。
示範能讓人看見工作型態，卻沒有提供你自己的任務成功率。要判斷可靠程度，仍要把測試數字與評分方式一起看。
官方成績亮眼，為何仍不能說全面超越？
Muse Wonder Full 在部分代理與長程式任務得分較高，但一般版、Full 與競品各有領先項目。
下表節錄官方比較表。各列衡量不同能力，只能在同一列比較，不能把不同列的分數加總成一個通用排名。
| 測試與衡量內容 | Full | Wonder | 官方比較的重點 |
|---|---|---|---|
| MemoryBench：找回對話背景 | 85.5 | 85.6 | 一般版略高於 Full |
| AutomationBench-AA：完整業務流程 | 45.4 | 39.1 | Full 高於表內三個競品 |
| DeepSWE 1.1：長程式任務通過率 | 79.0 | 78.8 | 兩版本都高於表內三個競品 |
| SWE-Marathon：超長專案通過率 | 57.5 | 53.1 | Full 使用 xhigh 推理設定 |
| AA Intelligence Index：綜合能力 | 56 | 52 | 表內 Opus 5.5 為 58 |
表格裡的 MemoryBench 顯示，Full 並非每項都高於一般版。最後一列也顯示，代理優勢不代表綜合指標最高。
成績包含不同來源，執行工具也會影響結果
Meta 的模型卡說明，比較表混合第三方測試、供應商自報與內部執行結果，並列出各項來源。
內部跑競品時雖盡量使用共同設定，但提示詞、工具與執行環境，仍可能沒有替每個專有模型調到最佳狀態。
SWE-Marathon 更明確說明，部分競品透過 Codex 或 Claude Code 執行，因此該列包含模型與代理產品的共同影響。
這裡的執行框架，是把模型接到檔案、指令與測試工具的整套安排。同一模型換一套工具，表現也可能改變。
所以這些數字足以支持「值得評估長任務能力」，還不足以直接推算你的公司能省多少工時。
內部綜合分數，仍要回到單項任務看
官方 Personal Superintelligence Index 是七項個人與知識工作測試的內部綜合指標，Full 得分為 59.1。
這個綜合指標衡量的是七項指定測試，名稱中的「超級智能」是品牌與評估命名，59.1 也只代表該指標的得分。
對一般團隊更有用的做法，是先找最接近自己的測試，再用真實工作確認結果，避免被單一大分數帶走判斷。
Muse Wonder 價格多少？Full 要哪個方案？
截至 2026 年 10 月 13 日，官方模型與價格頁列出一般版按 token 用量收費，Full 則透過指定訂閱方案使用。
Muse Wonder 一般版的模型識別名稱為 muse-wonder-1.0，每百萬輸入 token 為 4 美元，每百萬輸出 token 為 20 美元。
快取輸入每百萬 token 為 0.20 美元。快取是讓符合條件的重複輸入以較低費率計算，並不表示每次傳入同一段文字都會自動折扣。
| 使用方式 | 官方列示費率或月費 | 選擇時要注意 |
|---|---|---|
| 一般版 API 輸入 | 每百萬 token 4 美元 | 按實際輸入用量計算 |
| 一般版 API 快取輸入 | 每百萬 token 0.20 美元 | 須符合快取條件 |
| 一般版 API 輸出 | 每百萬 token 20 美元 | 多步工作可能有多次模型回應 |
| Full：Power Usage | 每月 50 美元 | Muse Code 訂閱方案 |
| Full：Maximum Usage | 每月 200 美元 | 更高使用額度的方案 |
以未使用快取的 10 萬輸入 token、2 萬輸出 token 計算，模型費為 0.40 加 0.40，共 0.80 美元。
這只是按公告費率做的算例，沒有把外部工具、其他服務與額外往返請求算進去，也不是完成一個專案的報價。
Muse Code 方案頁另列出 5 與 15 美元的較低價方案，但 Full 模型頁指定的是 50 與 200 美元方案。
想體驗 Full 的人，應先看方案是否列出這個模型與實際額度，不能只看到「可用 Muse 系列」就認為包含所有版本。
文章裡的免費訂閱是 AI 郵報的電子報，與 Meta 的付費模型方案是不同服務。
小團隊怎麼試，才知道它是否值得換？
我會先挑需要記住修改、跨工具操作的任務做比較，因為短問答很難看出這次更新主打的差異。
對內容團隊，可以用同一份資料包做文章草稿，途中修改目標讀者，再要求同步調整正文、圖說與交付檢查。
對開發團隊，則可選一個跨檔案的小功能，要求模型完成修改、執行測試，再回報哪些部分仍需要人決定。
以上是本文提出的評估方法，未實測。比較時應使用相同資料、權限與預算，才知道差別是否來自模型。
驗收成果，也記錄你接手幾次
內容任務可以檢查引用是否真的支持文章、變更是否改到所有相關段落，以及輸出是否符合指定格式。
程式任務則要確認功能與回歸測試，回歸測試是檢查新增修改有沒有把原本能用的功能弄壞。
兩種任務都要記錄花費、執行時間與人工補救次數。如果回答看起來完整，卻要你逐項重做，交付效率就沒有改善。
較強的記憶也應包含「忘掉已作廢的要求」，可以刻意更新一個條件，觀察它是否仍抓著舊版本不放。
延伸閱讀：GitSwarm 是什麼？Meta 用共享 Git 記憶讓 AI 代理接力，團隊如何借用這套方法
真實操作的權限，先從可回復的工作開始
官方模型卡承認，多步推理、陌生情境、視覺與空間理解仍可能出錯，語言與工具設定也會影響表現。
因此第一輪可以讓代理整理資料或產生草稿，對寄信、付款、公開發布與不可逆修改，則保留人工確認。
Meta 的安全設計與測試是評估資訊，不能替代你自己的權限設定。工具只開任務需要的範圍，能減少出錯後的影響。
台灣團隊還可以把繁體中文列入驗收，檢查用語、文件格式與當地情境，因為多語訓練不代表每種語言都已完成評估。
例如輸出客戶通知時，應檢查日期、稱謂、連結與承諾是否符合原始資料，避免只因文字流暢就直接送出。
如果相同任務的補救次數減少、成果品質維持，才有理由把較多工作交給它，並評估訂閱成本是否划算。
Muse Wonder 常見問題
Muse Wonder 是開源模型嗎？
這次公告與官方模型頁提供的是 API 與產品訂閱入口，未提供可下載的模型權重。權重是模型學到的參數，因此不能把這次發表當成可直接在本機部署的開源模型發布。
100 萬 token 容量，等於永久記憶嗎？
不等於。容量描述一次推理能處理的上下文規模，跨對話記憶則涉及相關資料如何保存與取回，兩者要分開看。
Full 一定比較適合我嗎？
不一定。官方測試裡一般版在 MemoryBench 略高，而兩版 DeepSWE 得分接近。如果你的任務以這些能力為主，可以先比較一般版與 Full 的實際成果。
台灣所有帳號已經能用了嗎？
官方公告的入口不代表每個地區與帳號都同步開放。Muse App 採分批推出，API 與訂閱也應以自己的帳號資格和購買介面為準。
要不要導入，先看少了多少重講與補救
Muse Wonder 提供了一個很具體的試用理由：如果你的工作常因背景遺失或任務中斷而重來，記憶與持續執行值得一起測。
先用一個既有專案比較成果、費用與人工接手次數，再決定是否升級 Full，會比看到官方排名就整批換工具更有依據。
想持續追蹤模型更新與實用工作流程，可以免費訂閱 AI 郵報，讓後續整理直接送到信箱。
