Ngày 12/10, Meta ra mắt hai mô hình Muse Wonder và Muse Wonder Full, định vị cho các tác vụ tác tử (agent) trong bối cảnh cá nhân và chuyên nghiệp. Đây là bản nâng cấp lớn thứ hai sau Muse Spark, dòng mô hình đóng của Meta, và cách Spark 1.3 khoảng sáu tuần.
Trong bài đăng trên blog nghiên cứu, Meta cho biết thế hệ này được huấn luyện tại trung tâm dữ liệu Prometheus quy mô gigawatt, 14 tháng sau khi công ty bắt đầu tái cấu trúc mảng AI. Cả hai mô hình đều có cửa sổ ngữ cảnh 1 triệu token, đầu vào hỗ trợ văn bản, hình ảnh, video và âm thanh, đầu ra chỉ có văn bản.
Có gì mới
Blog nhấn mạnh hai năng lực. Active Memory ghi nhớ bối cảnh quan trọng của người dùng qua nhiều cuộc hội thoại và gọi lại trong các tác vụ liên quan; Active Focus giúp mô hình bền bỉ theo đuổi những mục tiêu khó, đổi hướng khi gặp trở ngại, hỏi lại người dùng khi cần làm rõ và xác nhận trước khi thực hiện thao tác quan trọng.
Lập trình là trọng tâm còn lại. Meta cho biết mô hình mới có thể làm từ ứng dụng nhỏ đến dự án phần mềm phức tạp và giữ được tiến độ trong các tác vụ kéo dài. Các bài đánh giá được dẫn gồm SWE-Marathon (benchmark dự án phần mềm dài hạn), FocusBench do chính Meta xây dựng, và LAB, benchmark tác tử pháp lý của Harvey, công ty cung cấp công cụ cho các hãng luật. Về an toàn, Meta nói đây là mô hình có lớp bảo vệ mạnh nhất từ trước đến nay trước nguy cơ lạm dụng trong lĩnh vực hóa học, sinh học, phóng xạ, hạt nhân và an ninh mạng, nhưng báo cáo đánh giá an toàn đầy đủ vẫn chưa được công bố; blog chỉ ghi là "sắp công khai".
Kênh phân phối và giá
Muse Wonder hiện có thể dùng qua Model API của chính Meta và công cụ lập trình Muse Code. Muse Wonder Full hiện chỉ dành cho người đăng ký Muse Code và không mở qua API. Ứng dụng Muse dành cho người dùng phổ thông sẽ tích hợp mô hình mới "sớm", ưu tiên người đăng ký, nhưng chưa nêu ngày cụ thể.
Theo đơn vị đánh giá độc lập Artificial Analysis, giá API là 4 USD cho mỗi triệu token đầu vào, 0,2 USD cho đầu vào được lưu đệm và 20 USD cho đầu ra. Spark 1.3 trước đó lần lượt là 1,25, 0,15 và 4,25 USD, nghĩa là giá đầu ra tăng lên khoảng 4,7 lần.
So với đối thủ
Trong lần đo ngày 12/10, Artificial Analysis chạy hai mô hình mới ở mức suy luận cao nhất. Trên chỉ số trí tuệ tổng hợp v4.3, Wonder Full đạt 56 điểm, Wonder 52 điểm và Spark 1.3 là 48 điểm; bản Full cao hơn thế hệ trước ở cả mười bài kiểm tra con. Một số kết quả nổi bật:
| Bài kiểm tra | Wonder Full | Xếp hạng hoặc đối chiếu |
|---|---|---|
| CritPt | 33% | Hạng 1 |
| GDPval-AA v2.1 | 1857 Elo | Hạng 2, Opus 5.5 đạt 1866 |
| Terminal-Bench 4.0 | 57% | Thế hệ trước 33%, ngang Gemini 4 Argon |
| Chỉ số tác tử lập trình | 68 | Bằng điểm Claude Code (Sonnet 5.5) |
Điểm yếu nằm ở các bài kiểm tra kiến thức. Trên AA-Omniscience, Wonder Full đạt 30 điểm, trong khi Claude Opus 5.5 là 46 và GPT-6 Astra là 43. Đổi lại, tỷ lệ ảo giác giảm từ 33% xuống 23%.
Đặt giá và mức tiêu thụ cạnh nhau, Artificial Analysis đo được chi phí mỗi tác vụ để chạy hết chỉ số tổng hợp của Muse Wonder vào khoảng 4,52 USD, gấp 2,8 lần Spark 1.3, thấp hơn Opus 5.5 (5,98 USD) và Sonnet 5.5 (5,46 USD) nhưng cao hơn GPT-6 Astra (3,26 USD). Số token đầu ra của mô hình ít hơn thế hệ trước khoảng một phần mười, còn token đầu vào lại nhiều hơn 28%, trung bình 7,69 triệu cho mỗi câu hỏi, gấp 2 đến 7 lần các mô hình như Gemini 4 Argon và GPT-6.1 Sol; ba phần tư chi phí dồn vào việc đọc ngữ cảnh.
Trước đây Meta theo đuổi chiến lược giá rẻ với dòng Spark, và chúng tôi từng đưa tin về việc hãng dùng mô hình trả phí để gây chiến giá. Thế hệ này đẩy đơn giá lên cùng vùng với các mô hình tầm trung đến cao cấp của Anthropic, đồng thời điểm số tác tử lập trình cũng đuổi kịp cùng nhóm. Về giá thuê bao ứng dụng Muse, theo CNBC, gói cá nhân vẫn từ 20 USD mỗi tháng; blog của Meta không nói các gói Muse Code có thay đổi theo mô hình mới hay không.
Một đợt thử nghiệm bên ngoài khác cũng đang đến. Nền tảng đấu mô hình lớn Arena đã đưa dòng Muse Wonder vào Agent Arena để người dùng tự trải nghiệm, điểm xếp hạng chưa được công bố.
Nguồn tham khảo: blog nghiên cứu của Meta, báo cáo đánh giá của Artificial Analysis, CocoLoop, CNBC, Arena; Artificial Analysis dùng để đối chiếu các điểm benchmark, đơn giá API và chi phí mỗi tác vụ, blog của Meta dùng để đối chiếu phạm vi kênh phân phối và mô tả năng lực.