企业官网建设流程全解析

两个新名字，指向同一个老问题

2026 年 10 月 12 日，Meta 发布 Muse Wonder 与 Muse Wonder Full。这是 Meta Superintelligence Labs（负责人 Alexandr Wang）在 14 个月前重组 AI 业务后，第一次把模型摆到与 OpenAI、Anthropic 同级的位置。模型在俄亥俄州中部的 Prometheus 数据中心训练，方法上延续 4 月 Muse Spark 的预训练 + 强化学习路线，内部代号「Watermelon」。

规格层面：1,048,576 token 上下文；输入支持文本、图像、视频、音频、PDF，输出只有文本；API 定价每百万 token 输入 4 美元、输出 20 美元、缓存读取 0.20 美元。Muse Wonder Full 只对 Muse Code 订阅者开放（50 美元/月 Power、200 美元/月 Maximum 两档），不进 API。OpenRouter 的模型卡描述它「规划、委派子智能体、并行调用工具、从错误中恢复」，并能操作浏览器与桌面/移动应用——全部是厂商自述。

比规格更值得拆的是两个功能名：Active Memory 和 Active Focus。它们不是新模态，也不是新推理范式，而是对长任务两个具体失败模式的定向补丁。

Active Memory：记忆被拆成写、存、取三段

Active Memory 的定义是：跨对话保留对用户重要的信息，并在新任务需要时主动调出相关细节。关键在「主动」二字——不是把历史对话做摘要后常驻 prompt，而是判断此刻是否相关。

Meta 用内部 MemoryBench 展示效果：Muse Wonder 85.6、Wonder Full 85.5，对比 Claude Opus 5.5 的 81.5、GPT-6 Astra 的 81.4、Claude Fable 5.1 的 79.0。这个基准的形态值得注意：要求模型从 6.4 万到 10 万 token 的多轮对话里找回关键信息，同时面对无关内容干扰，以及前后冲突或后来被更新的信息。换句话说，它考的不是「记得住」，而是「冲突时取哪一条、被推翻后能不能改口」。

Meta 没有公开实现细节，但从能力描述可以反推至少需要三套策略：写入门控（什么值得长期留）、检索触发（什么条件下取、取多少）、冲突消解（新旧矛盾时以谁为准）。研究科学家 Kavya Kopparapu 的说法是团队在「跨数天、数周、数月乃至更久地记住重要信息」上投入了大量精力。

与已有方案相比，取舍很清楚。现在多数团队在 harness 层做记忆：把要点写进文件或向量库，每轮塞进上下文。区别不在存储，而在写与取的决策权归谁。如果模型本身在 RL 里被奖励「在合适的时机调用记忆工具」，它就从「被喂上下文」变成「主动查上下文」，代价是记忆相关的失败模式也随之内化进模型，排查难度上升。

Active Focus：长任务的头号杀手是提前收工

要理解 Active Focus 为什么值得单列，先看另一个基准。SWE-Marathon 是 20 个超长程软件工程任务构成的评测（arXiv 2606.07682，NeurIPS 2026 Datasets & Evaluations Track），单次 agent 尝试平均消耗 2720 万 token。论文给出的结论是：当前前沿编码 agent 解决率不到 30%，而失败主要来自自验证能力差、自报「这个任务不可行」、以及过早终止。也就是说，长任务的死亡率大部分落在「它自己停下了」这一步上，而不是「它不会做」。

Active Focus 针对的正是这个：卡住时换方法、从错误中恢复、信息不足时反问用户、重要动作前先确认。Meta 公布的 SWE-Marathon 成绩是 Wonder Full 57.5%（xhigh 档）、Wonder 53.1%（max 档），对比 Opus 5.5 的 46.3%、GPT-6 Astra 的 42.5%、Fable 5.1 的 45.6%。

但有一句 Meta 自己写在模型卡里的限定：SWE-Marathon 的数字不是受控对比——对手模型的分数由 Codex / Claude Code 产出，Meta 模型跑在 xhigh 推理档，提示词与工具也未必针对对手模型调优。这类跨厂商对比对模型版本、采样设置、推理预算都高度敏感，读数字时要把这句话一起读进去。

独立指数与开发者实测，都在打折

Artificial Analysis 的 Intelligence Index 上，Wonder Full 56 分、Wonder 52 分，落后 Opus 5.5 两分（58），高于 GPT-6 Astra（53），上一代 Muse Spark 1.3 只有 48。独立口径里它是第二，不是第一。Harvey 的法律 agent 基准上 Wonder Full 拿到 13.1% 的通过率（每项标准全过、且通过幻觉检查才算交付），GPT-6 Astra 8.6%；但 HealthBench Pro、OSWorld V2.1 计算机操作两个方向上，Opus 5.5 仍然领先。

发布形式本身也值得注意：Meta 研究博客的主索引里没有对应条目，最新一篇还是 7 月 9 日的 Muse Spark 1.1，发布走的是扎克伯格的 Threads 帖。没有论文，没有第三方复现，所有性能主张目前都可追溯到 Meta 内部测试。

开发者反馈更直接。有开发者把 Full 与 Opus 5.5 排在同一档，同时提醒：通过 API 拿到的标准版 Wonder 明显更弱，并顺带吐槽了命名和 Full 只能订阅获取的安排。另一位测试者给出分类评价：agentic 任务突出、编程有竞争力、写邮件不错，但前端设计和其他写作/创意任务不理想，Muse Code 的使用体验也被点名。有人做图生 HTML 的对比，结论是明显不如 Opus 5.5，更接近 Sonnet / Haiku 档位，怀疑视觉部分还没成熟。也有人反馈 Muse Code 沙箱在 Mac 和 Linux 上都没能正常跑起来。

一个反直觉的发现：system prompt 也是能力的一部分

最有信息量的一条反馈来自 Cline：他们把 Muse Code 的系统提示词抽出来，移植进自己的 harness，同一个模型、同一类任务，结果是 2.7 倍更少的 token、2 倍更快、2.4 倍更便宜。被移植的规则包括「以源码为准而不是以用户描述为准」「不要只改不验证」。

这对做长任务的团队是个实用信号：很长一段「Active Focus」可能并不在权重里，而在脚手架的指令与循环里。这也解释了为什么同一个模型换 harness，分数会大幅波动——能力是模型和脚手架共同产出的。

怎么落地：三个可迁移的设计

即使不用 Meta 的模型，它的拆法也可以抄。可迁移的部分有三块。

第一，记忆分层 + 写入门控。只写「决策、偏好、约束、实体、未完成事项」，不写闲聊；条目带来源与时间戳，便于冲突时判断谁更新。

第二，检索触发条件要显式写成规则，而不是靠语义相似度兜底。例如：当新任务出现与历史条目相同的项目名、人名、文件路径时才检索；检索到的条目必须标注「这是 N 天前的偏好，可能已过期」。

第三，focus loop 要显式处理失败。一个最小可用的骨架大致是这样：

defrun_long_task(goal,max_steps=200,token_budget=5_000_000):plan,spent=plan_for(goal),0forstepinrange(max_steps):ifspent>token_budget:returnescalate(goal,state,"预算耗尽")# 不要静默停下act=next_action(plan)ifis_irreversible(act):# 付款、发邮件、删数据ifnotask_user_approval(act):plan=replan(plan,reason="用户否决");continueresult,cost=execute(act);spent+=costiffailed(result):kind=classify(result)# 环境错 / 需求错 / 方法错ifkind=="need_info":plan=replan(plan,user_hint=ask_user(goal,result))elifkind=="method":plan=replan(plan,avoid=act)# 换一条路，别重试同一条else:plan=replan(plan,fix_env=result)checkpoint(goal,plan,state)# 每 N 步落盘，防上下文爆掉后重来returninspect(goal,state)

三个细节比循环本身重要：失败要分类再决定重试还是换路，「救不回来」要显式上报而不是静默停下，不可逆动作要有闸门。

成本意识同样关键。SWE-Marathon 单次尝试均值 2720 万 token，按 4/20 美元每百万 token 计，纯堆 token 跑长任务很容易失控；缓存读取 0.20 美元/百万 token 是输入价的 1/20，把稳定不变的系统提示词、工具定义、项目背景放在可缓存前缀里，是长任务成本控制的基本功。

取舍与适合谁

Meta 这次最大的结构变化不是基准分，而是供给方式。此前 Meta 的标签是开放权重（Llama 系列，以及 8 月发布、MIT 风格许可的 Muse Glimmer 30B，定价 0.30/1.20 美元）；两周前扎克伯格还在抨击闭源对手。如今最强能力档闭源、权重不公开，开放只保留在 30B 端侧档。任何以「Meta = 开放权重」为选型前提的团队，在前沿档这个前提已经失效。

其次是能力档位错配：榜单上的高分多来自 Wonder Full，而 API 里只有标准版 Wonder；Muse Code 订阅目前也仅限北美。再者是隐私与合规成本——Meta 自测的个人信息违规率为 2.2%，但面向非技术用户的个人助理产品，任何非零违规率都会被放大审视；作为对照，Amazon 在 Muse 上线约两周后开始向用户弹出提示，称未授权 AI 代理的持续访问违反其服务条款。

适合谁用：需要「跨天跨周持续推进」的个人助理型产品，可以借鉴它的记忆分层与触发式检索设计，未必非用它不可；做编码 agent 的团队，建议先把 SWE-Marathon 这类超长程任务挑 2–3 个在自己的仓库上做 A/B，再决定是否换栈。不适合谁：需要把最强版本跑在自己基础设施里的团队（Full 不进 API），以及把开放权重当作硬性选型条件的团队。

一句话总结：Active Memory 与 Active Focus 的真正含义，是把「上下文管理」和「不放弃」从应用层的补丁升格为模型级目标，这个方向是对的。但在没有论文、没有独立复现、最强版本只走订阅之前，它更像一份设计蓝图，而不是一个已经验证过的换代结论。

参考链接

1. SiliconANGLE,Meta releases Muse Wonder AI models built to run personal and professional agents, 2026-10-12 — https://siliconangle.com/2026/10/12/meta-releases-muse-wonder-ai-models-built-to-run-personal-and-professional-agents/
2. Engadget,Meta says it’s caught up to the frontier with its latest Wonder AI models— https://www.engadget.com/2284478/meta-says-its-caught-up-to-the-frontier-with-its-latest-wonder-ai-models/
3. Forkast / Yahoo Tech,Meta Ships Muse Wonder, Its First Frontier Model — and Leaves the Research Blog Empty— https://forkast.news/meta-ships-muse-wonder-its-first-frontier-model-and-leaves-the-research-blog-empty/
4. AlphaSignal,Meta’s Muse Wonder Beats Claude on Long-Running Agent Tasks— https://alphasignal.ai/news/meta-s-muse-wonder-beats-claude-on-long-running-agent-tasks
5. ICARIFIED,Meta Launches Muse Wonder AI Models With Improved Memory and Coding（含 MemoryBench / SWE-Marathon 数值） — https://www.iclarified.com/102756/meta-launches-muse-wonder-ai-models-with-improved-memory-and-coding
6. SWE-Marathon 论文与仓库, arXiv:2606.07682 / abundant-ai/swe-marathon — https://arxiv.org/abs/2606.07682 ，https://github.com/abundant-ai/swe-marathon
7. Hacker News 讨论串,Muse Wonder— https://news.ycombinator.com/item?id=50059115
8. Dev.to,Don’t Trust Anyone’s Muse Wonder Benchmark. Race It Against Opus 5.5 on Your Repo— https://dev.to/gabrielanhaia/dont-trust-anyones-muse-wonder-benchmark-race-it-against-opus-55-on-your-repo-hcb

创作说明：本文在资料整理与成文中使用了 AI 辅助（DeepSeek），经作者审阅后发布，作者对内容负责。