上周你刚告诉 AI我对花生过敏下个月要去东京出差。这周你让它帮忙订餐厅它一脸无辜地推荐了一家花生酱拉面。这是现在大多数 AI 的通病聪明但健忘能聊但不能干活。10 月份Meta 发布了新一代模型Muse Wonder专门瞄准这两个痛点。Meta 的说法是他们用 14 个月把整个 AI 体系推倒重来在自家吉瓦级的 Prometheus 数据中心里训练出了这个模型。吉瓦级大致相当于一座大型发电站的供电规模。一、它是什么两个版本两个关键词Muse Wonder 其实是一个系列Muse Wonder标准版开发者现在就能通过 Meta 的 API 调用。Muse Wonder Full更强的旗舰版目前只对 Muse CodeMeta 的编程工具的付费订阅用户开放。Meta 给它贴了两个标签① Active Memory主动记忆通俗讲就是*记得你并且在该想起来的时候想起来。不是把聊天记录无脑塞进去而是跨对话记住对你重要的信息做事时主动调出相关的部分。回到开头的例子理想状态下它订餐厅时会自己想起这个人对花生过敏。② Active Focus主动专注通俗讲就是遇到难题不躺平。Meta 的描述是它会换思路、绕过障碍、根据新信息调整必要时向你确认做重要操作前会先问一声。官方还强调它能连续跑好几个小时的长任务会拆解计划、把子任务分给小弟子智能体并行处理出错了自己恢复。Meta 演示了几个场景帮你规划周六的跑步路线、根据你 Instagram 上的真实照片设计并下单定制周边、按一堆复杂条件排婚礼座位表还有一键做出一个能玩的 3D 厨房小游戏。二、成绩单赢在哪输在哪这是我最想认真讲的部分因为标题党容易只报喜不报忧。Meta 拿 Muse Wonder 系列去和 Claude Fable 5.1、GPT-6 Astra、Claude Opus 5.5 对比下面是网页上的数据均为 Meta 自己公布的成绩所以重归巅峰这个说法对吗我的判断是对一半。Meta 赢得最漂亮的恰好是它主打的方向记忆、长时间持续工作、长流程工程任务。但在从零写代码终端操作和综合智能指数上Claude Opus 5.5 仍然领先它。另外有两点要留意这些几乎都是 Meta 自己公布的数据。官网提到 DeepSWE 和 SWE-Marathon 有独立第三方复测但其他项目还要等社区验证。跑分不等于体验。这点 Meta 自己都承认他们在文章里专门提到了圈子里常说的benchmaxxing刷榜和大模型味。三、Meta 为什么特意聊大模型味这是整篇文章里我觉得最有意思的一段。想象两个学生期末考分数一样高。A 是把历年真题刷烂了B 是真正学通了。换一套没见过的题B 会比 A 强很多。Meta 做了个实验来证明自己是 B他们把任务分成训练时重点练过的题和完全没练过的题对比新旧模型。结果是在同样的练过的题成绩下Muse Wonder Full 在没练过的题上比上一代 Muse Spark 1.3 的趋势预测还要好。Meta 的解释是底座更大更强学到的本事就更容易举一反三。这对个人助理很重要因为你的生活没法被提前出题今天订机票明天排座位后天读租房合同。四、普通人什么时候能用上花多少钱开发者现在就能通过 Meta Model API 调用价格是每百万 token 输入 4 美元、输出 20 美元上下文窗口 100 万 token大概能塞下几本长篇小说。想用旗舰版 Full需要订阅 Muse Code档位是每月 50 美元Power或 200 美元Maximum。普通用户Meta 说 Muse Wonder 之后会陆续进入 Muse 应用会先向订阅用户推送。五、这次是追上来了还是超过去了如果你问我我会这么说Meta 不是在所有赛道上重归巅峰但它选对了一条很有野心的赛道做一个真正懂你、能替你干长活的 AI。在记忆和长程任务上它交出了领先的成绩单这比单纯在聊天跑分上刷第一更有意义。真正的考验不在发布会而在接下来几个月当几十万真实用户把真实的生活交给它时它会不会还记得你对花生过敏1. 五分钟快速上手...Pythonimport osfrom openai import OpenAIclient OpenAI(base_url从 dev.meta.ai/docs 获取,api_keyos.environ[META_API_KEY],)resp client.chat.completions.create(modelmuse-wonder-1.0,messages[{role: user, content: 帮我把这份租房合同里对租客不利的条款列出来。}],)print(resp.choices[0].message.content)因为是 OpenAI 兼容格式你现有的工具链各类 SDK、Agent 框架理论上只需要换 base_url 和模型名。2. 用最朴素的方式理解 Active MemoryMeta 的 Active Memory 是模型和产品层面的能力不是你几行代码能复现的。但下面这个迷你版能帮你理解它的思路存下来 → 需要时检索 → 注入上下文。...Pythonimport json, mathfrom pathlib import PathMEM_FILE Path(memory.json)def load_mem():return json.loads(MEM_FILE.read_text()) if MEM_FILE.exists() else []def save_fact(fact: str):mem load_mem()mem.append(fact)MEM_FILE.write_text(json.dumps(mem, ensure_asciiFalse, indent2))def recall(query: str, k: int 3):# 演示用简单关键词重叠打分。生产环境请换成向量检索embeddingdef score(fact):return sum(ch in fact for ch in set(query))return sorted(load_mem(), keyscore, reverseTrue)[:k]def ask_with_memory(client, user_msg: str):relevant recall(user_msg)system 你是用户的个人助理。以下是你记得的关于用户的重要信息\n \n.join(f- {m} for m in relevant)return client.chat.completions.create(modelmuse-wonder-1.0,messages[{role: system, content: system},{role: user, content: user_msg},],).choices[0].message.contentsave_fact(用户对花生过敏)save_fact(用户下个月去东京出差)print(ask_with_memory(client, 帮我推荐东京的晚餐))3. Active Focus 的骨架一个会自己重试的 Agent 循环长时间任务的核心是一个循环想 → 调用工具 → 看结果 → 失败了换思路。...Python# import jsontools [{type: function,function: {name: run_tests,description: 运行项目测试并返回结果,parameters: {type: object, properties: {}},},}]def run_tests():# 这里替换为你真实的测试执行逻辑return FAILED: test_login - AssertionErrormessages [{role: user, content: 让所有测试通过改完后告诉我改了什么。}]for step in range(20): # 设置上限防止无限循环烧钱resp client.chat.completions.create(modelmuse-wonder-1.0, messagesmessages, toolstools)msg resp.choices[0].messagemessages.append(msg)if not msg.tool_calls: # 没有再调用工具说明模型认为任务完成print(msg.content)breakfor call in msg.tool_calls:result run_tests() if call.function.name run_tests else unknown toolmessages.append({role: tool,tool_call_id: call.id,content: result,})实战提醒 必须设置最大步数和预算上限。长任务的 Agent 最怕的不是做不好而是做不完还一直在花钱。4. 一笔成本账假设一个长任务新输入 30 万 token缓存命中输入 300 万 token输出 10 万 token。...Pythonfresh_in, cached_in, out 0.3, 3.0, 0.1 # 单位百万 tokencost fresh_in * 4.00 cached_in * 0.20 out * 20.00print(f${cost:.2f}) # → $3.80可以看到缓存输入只要 0.2 美元/百万 token是普通输入价格的二十分之一。做长任务 Agent 时把固定不变的内容系统提示、代码库、文档放在前面以命中缓存是最划算的省钱手段。5. 值得关注的官方 Cookbook官方列了几个示例多智能体编排四个角色的小团队把一句话想法做成 SaaS 应用、子智能体并行在隔离的 git worktree 里同时干活避免互相冲突、Computer Use让模型看屏幕、操作浏览器和桌面应用、GitHub 机器人以及搜索接入。感兴趣的朋友建议直接去官方文档看。更多transformerVITswin tranformer 参考头条号人工智能研究所 v号人工智能研究Suo, 启示AI科技动画详解transformer 在线视频教程