“超级智能实验室成立一年多之后，我们开始发布这个团队做出的东西。”
美东时间 10月12日，Meta 发布了两款新模型：Muse Wonder 和 Muse Wonder Full。内部代号「西瓜」（Watermelon），由首席人工智能官王以恒带队（就是那位用 143 亿美元交易入场的人）。
这是超级智能实验室重组以来的第二代模型，也是 Meta 第一次把“对标 OpenAI 和 Anthropic 顶尖模型”写进官方口径里。
先摆数字。第三方评测机构 Artificial Analysis 的智能指数 v4.3 里，Wonder 拿 52 分，Wonder Full 拿 56 分，排全场第二。
距离 Anthropic 的 Claude Opus 5.5 只差 2 分（对一年前的 Meta 来说，这个差距约等于没有）。
上一代 Muse Spark 1.3 是 48 分，两次发布只隔了 6 周。
100 万 token 上下文，文本、图像、视频、音频都能收（几乎把“个人”两个字焊死在产品定位上）；API 定价每百万输入 token 4 美元、输出 20 美元。
真正扎眼的是另一行字：更强一档的 Wonder Full 不上架 API，只向编程工具 Muse Code 的订阅用户开放。
按理说，这是一场值得鼓掌的“翻身仗”。但发布之后，围绕这两个模型的第一个问题不是“强不强”，而是“这次有没有造假”。
网上流传的说法把这事和 Llama 5 扯在一起。可 Llama 5 根本没发布过。真正该被翻出来的旧账，是 Llama 4。
一、Llama 怎么凉的
Llama 曾经是 Meta 最值钱的招牌。2023 到 2024 年，Llama 2 和 Llama 3 是全球开源模型的事实标准。
无数创业公司拿它当底座，“开源旗手”四个字值几百亿市值。
然后是 Llama 4。2025 年 4 月发布，公开榜单上风光了没几天（“风光”这个词都算客气），就被评测机构戳穿：公开基准和保密测试是“两副面孔”。
评测公司 Vals 的联合创始人 Rayan 后来在 a16z 的对谈里把它当反面教材讲：Llama 4 在主要公开 Benchmark 上成绩亮眼，在 Vals 的保密测试集里却低于预期。
这事坏在哪？坏在它把“榜单”这门生意的底裤掀了。试题公开、评分标准公开，模型就可以对着考纲刷题；分数和真实能力之间，隔着一道可以优化的缝。
从此业内谈起 Meta 模型，默认句式变成“官方数据仅供参考”。
更深的伤口在人。超级智能实验室重组时，Meta 用 143 亿美元换来了 Scale AI 的股份和王以恒。
又开出超过 2 亿美元的薪酬包从苹果挖走基础模型负责人（这个数字比很多上市公司一整年的研发预算都高）。
Llama 线的核心成员在 2025 年陆续离开，此后再没有 Llama 5 的官方消息。
一个可以参考的细节：到今年 9 月，亚马逊 AWS Bedrock 的模型货架上，Meta 系列的最新款还是 Llama 4（货架上同时躺着的还有 OpenAI、Anthropic、谷歌和一票中国模型）。
顺带说一句公道话，“大厂刷榜”不是 Meta 一家的毛病。9 月初 OpenAI 发布 GPT-6 Astra，公告里的基准数据被 Fortune 抓包改了好几轮，自家成绩上调、对手成绩下调。榜单的水分，是行业性的。
但第一个把公众信任刷没的，确实是 Meta。
二、先有 App，后补心脏
为什么突然冒出来一个 Muse？我先把结论放在这：它不是从模型线长出来的，是从应用线长出来的，顺序和别家正好相反。
时间线倒着捋。9 月 8 日，Meta 发布个人智能体应用 Muse，22 天拿下 500 万下载。
连续 12 天霸榜美国 App Store 免费榜，比 ChatGPT 当年快了一倍多。
10 月初，Muse 宣布登陆智能眼镜平台，底层是云端常驻的 Linux 虚拟机，用户关掉应用，它还在替你跑任务（苹果都得为它改系统权限，能量可想而知）。
小扎的口径是，要让数十亿人用上“个人超级智能”。
王以恒最近上了档播客，给这个顺序补了个注脚：行业都在押编程 Agent，他押的是个人 Agent，理由是 Meta 在覆盖“人类欲望”上有独家优势。
Muse 团队为此建了一张一百多项行为能力的检查表，追求“绝大多数情况下都很好”，而不是“偶尔惊艳一下”。
支撑这个 App 的，是 9 月第一周发布的 Muse Spark 1.3，超级智能实验室的第一个模型家族。
那批发布有多挤？72 小时之内，Anthropic 的 Claude Fable 5.1、谷歌的 Gemini 3.8 Flash、Meta 的 Spark 1.3、OpenAI 的 GPT-6 Astra 接连亮相。
Spark 1.3 在 Artificial Analysis 智能指数上拿 48 分，与 GPT-5.6 Sol、Grok 4.6 打平。
单个任务成本约 0.55 美元，还开了个“贡献版”白菜价 API 换开发者反馈。
所以故事的顺序是：Meta 先把 500 万用户的壳造好，再回头给它“换心脏”。「西瓜」就是那颗心脏。
扎克伯格在 X 上把话说得很明白，这是实验室成立一年多来团队做出的第一批成果。言下之意：Spark 1.3 只是“热身”，“交作业”的是「西瓜」。
这 14 个月 Meta 花了多少钱？资本开支从 2024 年的 390 亿美元涨到 2025 年的 722 亿，2026 年的指引是 1300 亿到 1450 亿。
但人不多：小扎自己透露，核心研发团队只有约 100 人（烧的是钱，不是人头）。
长期债务从 288 亿涨到 837 亿（三年前这个数字只会出现在财报脚注里）。据 IT 之家报道，今年 7 月 Meta 还暂停过一次模型预训练（自家的团队踩下自家的刹车，这事本身就够写一条），直接把「西瓜」的发布拖到了 10 月。
彭博社把这次发布称作“对重建后超级智能团队的检验”，话讲得很客气，潜台词是：花成这样，总得拿点东西出来。
三、几斤几两
先说强的地方。Artificial Analysis 是第三方，不是 Meta 自己拉表。它给 Wonder Full 56 分，全场第二（Opus 5.5 是 58 分），和 Claude Sonnet 5.5 打平；Wonder 52 分，同在前三。
从 48 到 56，六周涨 8 分。
Meta 官方的口径更激进：在 14 项公开基准里，Wonder Full 有 8 项超过 Opus 5.5。两个最能体现定位的长任务基准，SWE-Marathon 拿 57.5 分，Opus 5.5 只有 46.3，差了 11 分。
DeepSWE 拿 79.0%，压过 GPT-6 Astra 的 74.1%、Opus 5.5 的 74.2%，也压过 Claude Fable 5.1。
SWE-Marathon 值得多说一句（这是“西瓜”含金量的核心证据）：它要求智能体在 2 到 10 小时里独立完成整个软件项目，中途自己规划、自己调工具、自己从错误里爬出来。
这正是「西瓜」和聊天机器人的分野：它卖的不是“答题”，是“连续干活”。跨对话记忆（Active Memory）加长时任务（Active Focus），Muse 应用那 500 万用户等的就是这个。
再说虚的地方。王以恒自己承认，编程能力还不如 Opus 5.5（自家旗舰发布当天自曝短板），“团队正在排查 bug”。
开发者实测里，它生成 3D 场景明显逊色于 Opus 5.5，连 Meta 自己都承认视觉与空间推理是“已知局限”。响应速度倒是有好评。
第三方评测还给出了一排“没追上”的清单：计算机操作、从零构建程序这类测试，它仍落后于 Opus 5.5。
安全方面，上代 Spark 1.3 在谷歌 Gemini 4 发布时的安全测试里，提示注入破解成功率 15.9%，对照 Claude 的 1%、Astra 的 8.5%，属于“差生”区间（好在「西瓜」还没人测，悬念留给下一场）。
独立实测呢？还没出分。Agent Arena 上线了 Muse Wonder 系列，截至 13 日晚，评分还是“即将公布”，流出的只有第三方开发者的实测视频（3D 场景、动画 HTML、前端设计，挨个和 Astra、Opus 5.5 打擂台那种）。
发布当天拿不出独立人评，不是 Meta 一家的问题，是整个行业的发布姿势。现在为「西瓜」下任何结论，证据都不齐。
四、造假疑云
回到那个绕不开的问题：这次的跑分，是不是又刷出来的？
我的做法是把能查到的证据摆成一排，再下判断。
- 一是第三方独立机构测了。Artificial Analysis 自购算力、统一流程，56 分、全场第二。如果「西瓜」是 Llama 4 式的注水货，这一关过不去。
- 二是官方口径有收敛痕迹。Meta 自己承认编程不如 Opus 5.5，官方基准图也没敢全绿。真正拿下“SOTA”的项，集中在自家定义的长任务基准上：和公司愿景同名的 Personal Superintelligence Index，配套“主动专注”发布的 FocusBench，连 SWE-Marathon 的出题人也是 Meta 自己。评测项自己起名、自己算分（既当运动员又当裁判，这题怎么出、怎么判都是自家说了算），说服力天然打折。
- 三是独立人评缺席。Agent Arena 分数截至发稿未出，早期口碑两极，夸和骂都先攒着。
- 四是行业背景添了乱。Astra 9 月被 Fortune 抓包改数据，Harvey 和 Artificial Analysis 上月搞了“幻觉门控”评分——要求通过测试的交付物不得含重大事实错误，结果超过六成的“通过”答卷里都有大幻觉。连第三方基准都在防作弊，用户对官方口径什么态度，可想而知。
我的判断：这次没抓到造假。但这份成绩单的可信度结构很别扭：独立机构背书了“模型确实是前沿级”，而“哪些项超 Opus”主要靠 Meta 自选自评。
这和造假是两回事：造假是伪造数据，这次更像是“选择性出题”。
真正值得记下的是另一件事：Llama 4 之后，行业对 Meta 的默认预期被调到了最严档，任何不规范都会被按上次的罪名“预审”一遍。这份警惕不是公众多疑，是 Meta 自己欠的债。
五、价格
这次发布里最容易被略过、但分量最重的一行字：Wonder Full 不上 API，只给 Muse Code 订阅用户。
Meta Model API 的定价是输入每百万 token 4 美元、输出 20 美元，缓存输入 0.2 美元（对 Agent 这门生意这项很关键：长任务要反复读上下文，缓存能省一大截），在一线模型里不算贵。
但 Full 版被锁进订阅墙，等于 Meta 第一次把“最强模型”和“付费身份”焊在了一起（发布首日订阅额度还算错了账，王以恒说已经修复）。
因为推理成本先涨了。第三方测算，「西瓜」的平均任务成本从上一代的 1.60 美元涨到 4.52 美元，涨幅 183%。
为什么现在收钱？看账单。2026 年资本开支指引 1300 亿到 1450 亿美元，长期债务 837 亿，外加 143 亿美元的 Scale AI 交易和 2 亿美元一人的挖角包。
CNBC 说得直白：这是在检验用户的付费意愿。
模型强不强是技术问题，用户掏不掏钱是生死问题。
Muse 应用 22 天拿 500 万下载，靠的是免费和新鲜感。发布六个星期后，到了“把流量折现”的段落。
上一篇文章里那笔账还没结：Muse 为了替用户订机票、发邮件，要拿到住址、联系人和支付通道，苹果已经为此收紧了 macOS 权限。隐私的账单没还清，「西瓜」又递来一张新的：“订阅费”。
六、跟我们有什么关系
几条实在的。
对普通用户：又多一个能“干长活”的 AI 助手选项。连续几小时跑任务、跨对话记住你（前提是它别把你的住址发给陌生人），这两样恰好是聊天机器人最缺的。
Muse 应用免费，可以先用起来；要不要为 Muse Code 付费，建议等 Agent Arena 的独立分数出来再决定（截至发稿还没出）。反正它“跑不了”。
对开发者：前沿能力还在降价。4 美元的百万输入 token，摆在两年前是天方夜谭，现在它是对一线模型的“报价单”。
不过任务级成本涨了 183%（单任务均价从 1.60 美元到 4.52 美元），用量大的项目得先算自己的账。
国内这边，字节的项目代号 Spell 在加速推进，腾讯一口气盘点了四款 Muse 类产品（“追赶”这个词是 IT 之家的，我觉得准确）。追赶已经开始。
Meta 用一年半追平了前沿，但中国用户大概率还是先在国产模型上体验到这些能力：生态那道墙，上篇稿子写过，这里不展开。
对 Meta 自己：「西瓜」把 Llama 4 欠下的债还了一半。跑分追上了，第三方背书拿到了，剩下的一半叫信任，得靠一次不缩水的独立实测和一季不跳水的财报来还。
模型的账可以四五周结一次，信任的账，14 个月都不够。
