Meta发布首款前沿模型Muse Wonder，主动记忆能力成核心卖点

Meta的超级智能实验室在周一发布了两款新模型——Muse Wonder和Muse Wonder Full，这是该公司首次推出前沿模型。此前Meta在AI模型领域以轻量级产品示人，Muse Spark便是其主打低延迟场景的代表作。

Wonder系列的体量更大、能力更强，在编码等复杂任务上的基准测试得分也更高。Meta公布的模型卡信息显示，两款模型的成绩与Fable 5.1、GPT-6 Astra处于同一水平。

Meta在官方博客中将这两款模型描述为“扩展阶梯上的下一步”，以及“迈向个人超级智能的重要跨越”。这一定位意味着Meta不再满足于只做轻量级选手，而是要在最先进模型的赛道上与OpenAI、Anthropic正面交锋。

定价直接反映了模型的规模定位。通过Meta Model API调用Muse Wonder，每百万输入token收费4美元，每百万输出token收费20美元，与GPT-6 Sol或Opus 5.5的成本大致相当。Wonder Full则仅面向Muse Code订阅用户开放，不通过API提供。两款模型还将用于驱动Muse智能体。

Meta在发布中着重强调了模型的“主动记忆”能力，即留存并整合用户提供的信息。为验证这一能力，Meta引入了MemoryBench基准测试，专门考察持续学习与记忆构建框架。按照Meta的测试结果，Muse Wonder在MemoryBench上的得分高于Fable、Opus和Astra。

Meta研究科学家Kavya Kopparapu在伴随发布的视频中表示，团队投入了大量精力确保模型能够“在数天、数周、数月乃至更长时间里记住对你重要的信息”。

当下聊天机器人在单次对话中表现足够聪明，却常在跨会话、跨天数的场景中忘掉用户此前说过的话。谁能先解决长期记忆问题，谁就可能率先做出真正有黏性的个人助手。Meta把记忆能力当作核心卖点，赌的是用户最终会为“懂自己”的AI买单，而非仅仅为跑分买单。

这是自Scale AI创始人Alexandr Wang于2025年8月重组Meta的AI业务以来，Meta首次发布前沿模型。此后Meta陆续推出了轻量级Muse Spark模型和Muse智能体，但一直未涉足OpenAI和Anthropic所主导的最先进模型发布领域。

Alexandr Wang的加入本身就是一步棋。这位Scale AI创始人在数据标注和模型评估方面的积累，恰好是训练前沿模型的关键能力。Meta在过去一年多里没有急于发布前沿模型，更像是在等待算力和人才储备到位。

训练地点的选择同样有讲究。两款模型在Meta位于俄亥俄州中部的Prometheus数据中心完成训练，该中心在今年早些时候投入运营。自建数据中心意味着Meta在算力成本上拥有更大的掌控空间，这对需要持续投入的前沿模型竞赛而言，是一张重要的底牌。

产品策略上，Muse Wonder通过API按token计价，Wonder Full以订阅制绑定Muse Code用户，两条路线并行。这种分层做法在AI行业已有先例，但Meta定价直接对标GPT-6 Sol和Opus 5.5，摆明了要在成本与性能的平衡点上争夺开发者。

大二那年的秋天，宿舍里突然流行起某款云笔记，宣传语说存进去的东西永远不会丢。跟着凑热闹，花了一个周末把半个学期的课堂笔记全搬了进去，边搬边畅想期末复习时一键调取的从容。第三周同步出了问题，最长的那篇笔记打开只剩标题和几行乱码，对着屏幕缓了几秒，转头跟室友说，这记性还不如楼下看门大爷。从那以后养成习惯：电脑里一份、U盘里一份、重要章节再打印一份，三层备份才觉得稳当。眼下Meta把主动记忆说得天花乱坠，能记住数天、数周甚至更久，心里那根弦又被拨动了——要是当年那款云笔记真有这能耐，期末周大约能省下三趟打印店的路费。这回，希望能靠点谱。

回到模型本身，Muse Wonder和Wonder Full的发布标志着Meta在AI竞赛中完成了从观望到入场的转身。前沿模型的竞争不只是跑分和价格的较量，更是对用户需求判断力的考验。Meta选择把记忆能力推到台前，说明它认定个人助手的下一阶段竞争点在于长期陪伴而非单次问答——这条路能否走通，最终要看用户愿不愿意让一个AI真正记住自己。

两款模型的实际表现和开发者反馈，将在未来数月逐渐浮出水面。Meta能否借助Muse系列在前沿模型赛道上站稳脚跟，值得持续观察。