Muse Wonder 与 Opus 5.5 对比

Muse Wonder 和 Claude Opus 5.5 都是可以处理复杂任务的推理模型。前者来自 Meta，后者来自 Anthropic。它们都能分析材料、辅助编程，也都可以成为代理应用里的一个模型。

选型的困难在于，价格表、排行榜和真实工作回答的是不同问题。价格表告诉你每个 token 的费率；排行榜反映一组任务的成绩；你的产品还要考虑输入格式、等待时间和人工返工。

下面用一张故障工单串起这次比较：先看材料能否进入模型，再看公开成绩和费用，最后设计一个自己能重复的小测试。价格和资料核对日期为 2026 年 10 月 13 日。

本文整理公开资料并提供评估方法，文中的分数均注明来源。界面截图展示准备步骤，不代表我们已完成两模型对跑。

一、先拿出一张工单

假设登录页面发布后，部分 Android 用户又被送回登录页。你有部署时间、错误日志、页面截图，还有用户录下的一段操作视频。你希望模型整理已知事实、提出待验证假设，并给出下一步检查。

这份任务至少有两个问题：它能不能理解这些材料？理解以后，建议是否有证据支持？

Muse Wonder 的模型卡列出文本、图片、视频和音频输入，输出为文本。Opus 5.5 的公开规格列出文本和图片输入。两者都有约 100 万 tokens 的上下文窗口。Meta 模型卡，Opus 5.5 规格

因此，直接提交视频或录音时，Wonder 值得先检查。Meta 也提醒，音频是否可用要以实际服务入口为准。给 Opus 使用这类材料时，通常需要先转录或抽帧，并把这一步的成本与信息损失一起记下来。Meta 开发者说明

上下文大，只表示一次能容纳更多信息，不能保证模型找得到每个关键细节。故障诊断仍应要求它区分「材料里已有的事实」与「下一步才能验证的推测」。

二、先确认比较的是哪个版本

这里比较的是通过 API 使用的普通 Muse Wonder，以及 Claude Opus 5.5。

Meta 同时发布了 Muse Wonder Full，但目前将 Full 放在 Muse Code 的指定订阅计划中。普通 Wonder 的 API 名称与 OpenRouter 名称也不同。官方接入说明

入口	模型名称或 ID	在本文中的作用
Meta Model API	muse-wonder-1.0	普通 Wonder 的官方 API
OpenRouter	meta/muse-wonder	普通 Wonder 的中转标识
Muse Code 指定订阅	Muse Wonder Full	单独的版本，不能拿它的分数替代普通版
Claude API	claude-opus-5-5	Opus 5.5 的官方 API

模型 ID 与接入入口见 Meta 文档、OpenRouter 模型页 和 Anthropic 模型页。

还要确认你使用的是聊天界面、原始 API，还是配好工具的代理。模型能提出工具调用，不等于一个聊天接口已经替你执行命令、读取仓库或保存长期记忆。

三、同样的单价，为什么账单不同

先看标准 API 公布的基础费率，单位为美元 / 百万 tokens。

类型	Muse Wonder	Opus 5.5
普通输入	$4.00	$4.00
缓存读取	$0.20	$0.20
输出	$20.00	$20.00

两家的这三项单价相同。Meta 定价，Anthropic 定价

如果只计算 10,000 个非缓存输入 tokens 和 2,000 个计费输出 tokens，两者基础 token 费用都是 $0.08。这是给定用量的算术例子，实际运行不一定产生相同用量。

长任务会反复提交上下文，可能命中缓存，也可能重试。推理过程、工具结果和最终答案会影响实际账单。不同模型的分词方式也不完全相同，同一份文字不必然得到同样的 token 数。

Anthropic 还单列缓存写入费率：5 分钟为 $5、1 小时为 $8 / 百万 tokens；异步 Batch API 的输入与输出有 50% 折扣。Meta 的上述发布页没有列出对应批次折扣。比较时应固定使用的服务模式，而不是把一家的批次价与另一家的实时价放在一起。Anthropic 计费说明

Artificial Analysis 的发布评估提供了一个有意思的组合：Wonder 在 max 设置下，Intelligence Index 为 52，索引加权单任务成本为 $4.52；Opus 5.5 在 max、默认 fallback 设置下，分别为 58 和 $5.98。Wonder 评估，Opus 评估

这说明「每 token 同价」「综合分数不同」「一次测试的花费不同」可以同时成立。这里的单任务成本是该机构按索引权重计算的指标，也不能直接当成你的每张工单成本。

四、把“14 项里赢 5 项”读成线索

按 Meta 发布表中普通 Wonder 和 Opus 5.5 的 14 行分数逐项计数，Wonder 有 5 行较高，Opus 有 9 行较高。这个说法确实能从官方表格复核出来。Meta 成绩表

挑出四行，就能看到编码任务内部也有差异。下面都是 Meta 发布表中的分数，越高越好。

测试	普通 Wonder	Opus 5.5
DeepSWE 1.1	78.8	74.2
SWE-Marathon	53.1	46.3
Terminal-Bench 4.0-AA	52.0	59.6
ProgramBench	50.0	70.5

数据来自 Meta 发布表。前两项偏向长程软件工程，后两项分别涉及终端任务和完整程序重建，不能简单合成一句「编码更强」。

分数旁边的注释同样重要。模型卡说明，DeepSWE 的这两个模型结果来自 Datacurve；SWE-Marathon 采用外部结果，整行并非统一代理框架下的受控比较；部分竞争模型的内部运行也只是尽力对齐配置。评估方法与限制

另外，14 行不是 14 次独立的业务投票，综合指数与单项测试还有重合。Wonder 在 GDP.pdf 的 30.8 对 30.6，也缺少足以支持「稳定胜出」的误差说明。更稳妥的做法，是把这些数字当作候选任务的线索。

我的选型建议是：通用编码和知识任务，可以先用 Opus 5.5 建立基线；长程工程任务和原生音视频输入，把 Wonder 加入候选。这个建议来自公开数据的取舍，最终仍要由自己的验收结果决定。

五、四步做一个可重复的比较

回到登录故障。先比较「根据已有材料提出检查计划」，再单独比较「有仓库和工具时完成修复」。两个阶段需要的权限、上下文和验收标准不同。

（1）固定一份材料包。文本与图片任务给两者相同证据；视频、音频任务则分别记录原生处理与转录、抽帧的完整流程。

（2）固定验收标准。例如，是否区分事实与假设，是否引用材料，是否遗漏关键线索；若要求修改代码，则预先确定测试和允许修改的范围。

（3）记录配置并重复运行。保存模型版本、推理设置、工具、提示和输出上限。同名的 max 不代表两个模型使用相同计算量，适合再比较一组相近的时间或费用预算。

（4）隐藏模型名称后评审，再记录总费用和人工修改时间。保留失败与重试，不只选最好的一次。

下面这段提示可以作为文本分析阶段的起点。

材料：10:02 部署登录页面；10:05 Android 用户报告登录后又回到登录页；桌面端暂未复现。
任务：分别列出已知事实、待验证假设、下一步检查。
要求：每条结论注明材料依据；没有依据时明确说明。
限制：不要把假设写成结论，不要声称已经执行检查。

上面提示固定了输入事实和评审重点。它适合检查推理是否克制；真正的修复任务还需要代码、运行环境和可执行的验收条件。

费用可以多看一个指标：「每个通过验收的任务花了多少钱」。下面使用两组虚构汇总数字说明计算方法，并非两模型的实测。

def cost_per_accepted(total_usd, accepted):
    return total_usd / accepted if accepted else float("inf")

print(cost_per_accepted(30, 60))  # 0.50 USD
print(cost_per_accepted(40, 90))  # about 0.44 USD

上面代码中，总费用要包含失败与重试的模型费用，以及实际发生的工具或预处理费用。第二组花的钱更多，但每个验收通过的任务成本更低；人工评审时间另列，便于判断是否值得。

六、先把 Wonder 的这一侧跑起来

想先准备 Wonder 的材料，可以使用我们的 Decisions API 多模态 Playground，并在 独立模型页 查看价格和限制。完整的密钥与 API 步骤见 Muse Wonder 入门。

（1）登录并确认余额，先粘贴上一节的文字材料。

（2）为这个短文本任务把最大输出设为 256。若回答被截断，增加上限，并在评估记录里记下变化。

（3）发送后保留回答、用量和实际扣费，再到你使用的 Claude 服务里执行同一项文本任务。

这里是真实界面里已经填好的案例，截图停在发送前。

本站当前的该聊天接口提供 meta/muse-wonder，Opus 5.5 需要使用另外的服务入口。本站展示的 Wonder 费率为输入 $5.72、缓存读取 $0.29、输出 $28.58 / 百万 tokens，与前面的上游基础价格口径不同。

此外，这个 Playground 提供文本与媒体对话，当前中转没有启用工具执行或可调推理努力参数。因此，这一步适合检查材料理解和回答质量；要复现 max 设置的代理基准，需要选择支持相应配置和工具的入口。

七、把选择落实到工作类型

现在可以做一张自己的决策表。

你的主要任务	建议先做什么
通用编码、知识分析	先用 Opus 5.5 建立质量与费用基线
较长的软件工程任务	把 Wonder 加入同仓库、同验收标准的评估
原生视频、音频理解	先确认 Wonder 的入口支持，再与 Opus 的预处理流程比较
可以等待的离线任务	将 Opus Batch 作为单独模式计算
已有稳定生产流程	先小规模验证，再决定是否更换或按任务分流

一次模型选择，应当得到一份能复查的记录：它读了什么、做对了什么、用了多久，以及为了交付最终结果总共花了多少。排行榜适合缩小候选范围，这份记录才适合指导产品上线。

延伸阅读

本次选题也参考了 MyClaw 的比较文章 和 Gabriel Anhaia 对 Meta 成绩表的分析。正文中的价格和分数已回到相应官方资料或评测机构核对；这两篇适合继续阅读不同的选型观点。

（完）