Meta выпустила Muse Wonder: модель для кода, памяти и долгих задач

Meta представила Muse Wonder и Muse Wonder Full 12 октября 2026 года. Компания позиционирует их как модели для сложной разработки и агентных задач, в которых нужно удерживать требования, пользоваться инструментами и продолжать работу после неудачных попыток. Для разработчиков главное различие уже на старте — способ доступа: Wonder можно вызвать через API, а Full доступна по подписке в Muse Code.

Разбираем подтверждённые условия запуска, стоимость запросов и заявленные возможности. Отдельный вопрос — что из презентации модели можно проверить на собственном проекте и как оценивать результат длинной задачи.

Wonder и Wonder Full: два варианта доступа

Muse Code — терминальный инструмент Meta для работы с кодом. Meta Model API — интерфейс для подключения модели к собственному приложению. На 13 октября условия выглядят так:

Для обычной Wonder в Meta Model API используется идентификатор muse-wonder-1.0. Тариф для кешированного входа указан отдельно: $0,20 за миллион токенов. У Full на странице модели нет токенного тарифа: её доступ связан с подпиской Muse Code.

Эта разница важна при выборе инструмента. Если нужно встроить модель в свой сервис, изучайте условия API для Wonder. Если задача — работа в терминальном агенте Meta, оценивайте Muse Code и ограничения его плана. Нельзя переносить условия одного способа доступа на другой только из-за похожего названия модели.

Как посчитать стоимость API-запроса

Токены — единицы, на которые модель разбивает входные данные и ответ. Объём исходного текста и длина результата оплачиваются по разным ставкам. Если термин незнаком, на сайте есть разбор токенов, лимитов и способов экономии.

Рассмотрим расчётный пример для обычного некешированного входа: приложение отправляет 20 000 токенов и получает ответ на 2 000 токенов.

• Вход: 20 000 / 1 000 000 × $4 = $0,08.
• Выход: 2 000 / 1 000 000 × $20 = $0,04.
• Сумма этих двух частей: $0,12.

Это арифметический пример по опубликованным ставкам, а не измерение реального агентного запуска. В многошаговой задаче модель делает несколько обращений, получает результаты инструментов и продолжает рассуждение. Общую стоимость следует оценивать по фактическому учёту всего запуска, включая дополнительные платные возможности, если они используются.

Большое контекстное окно означает возможность передать много данных за раз. Оно само по себе не делает такой вход бесплатным и не подтверждает, что загрузка всего репозитория даст лучший ответ. Для пробного запуска подготовьте нужные файлы и критерии результата, затем посмотрите, что модель использовала и сколько стоило решение.

Что Meta называет Active Memory и Active Focus

В исследовательском анонсе выделены две возможности. Active Memory — «активная память» — описывает сохранение важного контекста между разговорами и извлечение деталей, которые нужны для текущей задачи. Active Focus — «активное удержание цели» — описывает продолжение работы над сложной задачей: поиск другого подхода, преодоление затруднений и адаптацию к новой информации.

Это заявления о поведении модели и продуктовых сценариях. Для своей интеграции отдельно выясните, где сохраняется информация, какие данные доступны при следующем обращении и как задаются ограничения. Название Active Memory не заменяет документированную схему хранения состояния вашего приложения.

Практический пример для проверки: дайте агенту задачу изменить несколько связанных файлов, а в требованиях укажите ограничение совместимости. После промежуточной ошибки посмотрите, помнит ли он это ограничение, объясняет ли следующий шаг и проверяет ли результат. Такой тест покажет полезность поведения на вашей работе лучше, чем одно красивое сообщение о завершении.

Для задач с историей решений полезно сохранять явное описание требований и критериев готовности. Тогда можно сравнить результат с исходной постановкой и понять, где модель потеряла контекст, а где проблема возникла из-за неполных данных.

На какие задачи рассчитан запуск

В анонсе для разработчиков Meta перечисляет работу с большими кодовыми базами, изменения в нескольких файлах, вызовы инструментов и восстановление после ошибок. Среди заявленных сценариев также есть computer use — управление приложениями через их интерфейсы — и интерпретация скриншотов, изображений, документов и видео.

Польза таких возможностей зависит от окружения агента. Чтобы проверить исправление, ему нужны доступные команды и работающие тесты. Чтобы обратиться к внешнему сервису, интеграция должна предоставить подходящий инструмент. Чтобы выполнить действие в браузере, требуется соответствующая среда управления интерфейсом.

Поэтому при первом знакомстве выберите одну задачу с понятным результатом. Например, исправление воспроизводимой ошибки, небольшое изменение интерфейса с проверкой в браузере или согласованное обновление нескольких связанных модулей. Заранее определите, какие файлы и инструменты доступны и что будет считаться успешным завершением.

По сравнению с быстрыми массовыми запросами это другой режим оценки. Недавно мы разбирали Claude Haiku 5.5 для массовых задач. Для сложного агентного запуска важны ещё число повторных попыток, сохранение требований и объём ручной проверки после работы модели.

Как читать результаты тестов

Meta публикует сравнения Wonder и Full с другими моделями и выделяет тесты программирования, агентной работы и памяти. В презентации встречаются DeepSWE, SWE-Marathon и MemoryBench. Это полезные ориентиры для выбора сценариев проверки; вывод о качестве конкретного проекта требует собственного сравнения.

Не смешивайте результаты двух вариантов. Если таблица показывает Full, а вы тестируете Wonder через API, сравнивается другой объект. Учитывайте также режим рассуждений, доступные инструменты, ограничения запуска и способ подсчёта успешных решений.

Редакционная рекомендация для небольшого сравнения — взять одинаковую постановку, один исходный снимок проекта и одинаковые критерии готовности. Зафиксируйте итоговые изменения, результат проверок, длительность, расход и необходимые исправления человеком. Если агент завершил работу раньше, но оставил незамеченную ошибку, скорость отдельно от качества мало что говорит.

Что учитывать в подписке Muse Code

Meta описывает подписку как оплату использования Muse Code по фиксированной месячной цене. Она работает через CLI — интерфейс командной строки — при входе с аккаунтом Meta Model API. Использование дополнительных API-ключей оплачивается отдельно по мере расхода.

В анонсе Maximum Usage указан лимит использования в 80 раз выше Everyday Usage, с пятичасовыми и недельными сбросами. Это относительное описание плана, а не обещание фиксированного количества завершённых инженерных задач. Одна длинная работа и несколько коротких запросов могут потреблять ресурсы по-разному.

Есть и настройка работы с данными: по справке Meta подписки Muse Code по умолчанию используют Contributor mode. В этом режиме отправленные запросы, код, файлы, контекст и ответы могут использоваться для обучения будущих моделей Meta. Режим можно отключить в настройках; правило для будущих отправок изменится. Доступность преимуществ подписки также может зависеть от региона — Meta показывает условия при подключении.

При выборе подписки сверяйте доступ к нужной модели, правила лимитов и то, через какой инструмент вы собираетесь работать. Для команды полезно заранее записать ожидаемую нагрузку: короткие правки, длительные задачи, параллельные запуски и долю работы, которую всё равно проверяет человек.

С чего начать проверку Wonder

1. Выберите способ доступа. Собственное приложение и терминальная работа требуют разных условий и расчётов.
2. Подготовьте задачу. Опишите нужное изменение, доступные материалы и критерии успешной проверки.
3. Сохраните исходное состояние. Это позволит сравнить изменения и повторить запуск на тех же данных.
4. Запишите результат. Оцените корректность, соблюдение требований, длительность, стоимость и ручные исправления.

Новость важна прежде всего появлением ещё одного варианта для сложной разработки и длительной агентной работы. На старте наиболее полезно проверить разницу в доступе, посчитать собственный сценарий и посмотреть, сохраняет ли агент требования по ходу задачи. Заявленные память и сосредоточенность приобретают практический смысл, когда помогают получить проверяемый результат.