Meta เปิดตัว Muse Wonder โมเดล frontier ตัวแรกที่ขึ้นนำงานเอเจนต์ส่วนตัวและงานอาชีพ — แต่ตัว Full ที่ชนะเกือบทุกตารางใช้ได้เฉพาะสมาชิก Muse Code ส่วนตัวบน API แพ้ Claude Opus 5.5 หลายข้อ

Meta เปิดตัวโมเดลตระกูลใหม่ Muse Wonder เมื่อวันที่ 12 ต.ค. 2026 มีสองรุ่นคือ Muse Wonder และ Muse Wonder Full Meta เรียกว่าเป็นโมเดลที่เก่งที่สุดของบริษัท และเป็น “ขั้นถัดไปบนบันไดการสเกล” ต่อจาก Muse Spark ทั้งสองรุ่นสร้างจาก base model ที่ใหญ่กว่า Spark และฝึกที่ดาต้าเซ็นเตอร์ Prometheus ขนาดระดับกิกะวัตต์ และกระทู้ประกาศบน Hacker News ได้เกือบ 500 คะแนน

สำหรับนักพัฒนา ต้องแยกสองรุ่นนี้ออกจากกันก่อน ตัวเลขที่เด่นที่สุดในตารางของ Meta มาจาก Muse Wonder Full ซึ่งไม่มีบน API ใช้ได้เฉพาะใน Muse Code (เอเจนต์เขียนโค้ดของ Meta) กับแพ็กเกจสมาชิกระดับ Power Usage และ Maximum Usage ส่วนตัวที่เรียกผ่าน API ได้คือ muse-wonder-1.0 ซึ่งยังตาม Claude Opus 5.5 อยู่หลายรายการ

สเปกและราคาบน Meta Model API

จากหน้า Models และ Pricing ใน dev.meta.ai:

• รุ่น: muse-wonder-1.0 (สถานะ preview)
• Input: ข้อความ ภาพ วิดีโอ เสียง และ PDF / Output: ข้อความ
• Context: 1,048,576 token รองรับ reasoning effort ตั้งแต่ minimal ถึง max
• ราคา (Standard mode): input $4.00, cached input $0.20, output $20.00 ต่อ 1M token และไม่คิดค่าบริการเพิ่มเมื่อใช้ context ยาว
• Rate limit: 3,000 RPM และ 4M TPM ต่อทีม
• ไม่มี Contributor mode สำหรับ Wonder บน API ต่างจาก Muse Spark 1.3 ที่ลดราคาเหลือ $0.10/$0.20 ได้ ถ้ายอมให้ Meta นำข้อมูลไปฝึกโมเดล

เมื่อเทียบกับ Muse Spark 1.3 ($1.25/$4.25) ราคา Wonder แพงกว่าราว 3–5 เท่า เอกสารแนะนำให้ใช้ Wonder กับงานยาวที่ความสามารถสำคัญกว่าต้นทุน เช่น แก้โค้ดหลายไฟล์ หรือเอเจนต์ที่รันนานหลายชั่วโมง ส่วน Spark เหมาะกับงานปริมาณมาก ทั้งสองตัวใช้ endpoint เดียวกัน (Responses, Chat Completions และ Messages) จึงสลับรุ่นได้โดยเปลี่ยนแค่ model ID

ตัวเลข benchmark จากตารางของ Meta

ทุกโมเดลรันที่ reasoning effort สูงสุด (max) ตัวเลขชุดนี้ Meta เป็นผู้รายงานเอง บางแถวใช้ผลจากบุคคลที่สาม เช่น Artificial Analysis, Vals AI, Datacurve และ Abundant AI

Benchmark	Wonder Full	Wonder	Fable 5.1	GPT-6 Astra	Opus 5.5
Harvey LAB-AA (งานกฎหมาย)	13.1	10.0	6.4	8.6	4.2
AutomationBench-AA	45.4	39.1	32.1	41.6	41.2
MemoryBench (ภายใน)	85.5	85.6	79.0	81.4	81.5
DeepSWE 1.1	79.0	78.8	67.4	74.1	74.2
SWE-Marathon	57.5 (xhigh)	53.1	45.6	42.5	46.3
Terminal-Bench 4.0-AA	57.1	52.0	52.0	59.1	59.6
ProgramBench	59.0	50.0	55.5	52.5	70.5
OSWorld V2.1 (partial)	78.4	72.6	80.7	75.8	81.8
AA Intelligence Index	56	52	53	53	58

ภาพรวมคือ Wonder Full ชนะชัดในงานเอเจนต์ระยะยาวและงานเฉพาะทาง เช่น กฎหมาย ระบบอัตโนมัติทางธุรกิจ และ SWE-Marathon ส่วน Opus 5.5 ยังนำในงานโค้ดแบบ terminal, การเขียนโปรแกรมจากศูนย์ และ computer use ถ้าดูเฉพาะ Wonder ตัวบน API จะได้ AA Index 52 ซึ่งต่ำกว่าทั้ง Opus 5.5 (58), Fable 5.1 และ GPT-6 Astra (53) และได้ ProgramBench 50.0 เทียบกับ 70.5 ของ Opus 5.5 ข้อควรระวังอีกข้อคือ SWE-Marathon ไม่ได้ใช้ harness เดียวกัน (GPT-6 Astra รันใน Codex, Fable 5.1 รันใน Claude Code) ตัว model card ระบุเองว่าแถวนี้ “ไม่ใช่การเปรียบเทียบแบบควบคุม”

ตัวชี้วัดที่ Meta ชูมากที่สุดคือ Personal Superintelligence Index (Wonder Full 59.1 เทียบกับ Opus 5.5 55.2) เป็นดัชนีที่ Meta สร้างเองจาก 7 eval ซึ่งหลายตัวเป็น eval ภายใน (FocusBench, VBT) จึงควรอ่านเป็นข้อมูลจากผู้ขาย ไม่ใช่ผลวัดจากภายนอก

Active Memory, Active Focus และความปลอดภัย

Meta อธิบายความสามารถใหม่ไว้สองแนวคิด Active Memory คือการจำบริบทของผู้ใช้ข้ามบทสนทนา และดึงข้อมูลที่เกี่ยวข้องขึ้นมาใช้เมื่อถึงเวลา Active Focus คือการทำงานต่อเนื่องเมื่อเจออุปสรรค ลองวิธีอื่น และถามยืนยันก่อนทำสิ่งสำคัญ เดโมในบล็อกเป็นงานเอเจนต์บนเบราว์เซอร์ เช่น วางแผนวิ่งจากความชอบส่วนตัว และจัดผังที่นั่งงานแต่งตามเงื่อนไขที่ซับซ้อน

Meta ยังทดลองให้เห็นว่าโมเดลที่ base ใหญ่ขึ้นทำคะแนนงานที่ไม่ได้ฝึกมา (out-of-distribution) ได้ดีกว่าที่เส้นแนวโน้มของ Muse Spark 1.3 ทำนายไว้ ซึ่งเป็นการตอบข้อวิจารณ์เรื่อง “benchmaxxing” ตรงๆ

ด้านความปลอดภัย model card ประเมินว่า ถ้าไม่มีมาตรการป้องกัน ไม่อาจตัดความเสี่ยงระดับสูงในหมวดเคมีและชีวภาพออกได้ จึงใส่ทั้ง safety post-training และ classifier ระดับระบบ ส่วนด้าน cyber รายงานคะแนน CyberGym 88.4% และ ExploitBench 58.9% ใน ExploitGym โมเดลยึดธงได้ 92 ธง แต่การตรวจซ้ำพบว่ามีเพียง 21 ธงที่ได้มาจากช่องโหว่ที่โจทย์ตั้งใจไว้ อีก 71 ธงได้จากช่องโหว่ที่ไม่ได้ตั้งใจ Meta บอกว่ารายงานความปลอดภัยฉบับเต็มจะออก “เร็วๆ นี้”

มุมมอง AI Curator

นี่เป็นครั้งแรกในรอบกว่าปีที่ Meta มีโมเดลที่แข่งกับแนวหน้าได้จริงในบางสนาม โดยเฉพาะงานเอเจนต์ระยะยาวอย่าง SWE-Marathon และ DeepSWE ซึ่งตรงกับทิศทางที่ทั้งวงการกำลังไป แต่การวางสินค้าของ Meta ควรอ่านให้ละเอียด ตัวที่ชนะตารางถูกล็อกไว้ใน Muse Code แบบสมัครสมาชิก และแพ็กเกจเหล่านั้นเปิด Contributor mode ไว้เป็นค่าเริ่มต้น หมายความว่าโค้ดของผู้ใช้จะกลายเป็นข้อมูลฝึกให้ Meta ถ้าไม่เข้าไปปิดเอง ส่วนนักพัฒนาที่ต่อ API จะได้รุ่นรองที่ยังตาม Opus 5.5 ในงานโค้ดหลายด้าน ในราคาที่ไม่ได้ถูกกว่าคู่แข่ง

สำหรับทีมในไทยและ SEA ที่ทำแชตบอต ระบบหลังบ้าน หรือเอเจนต์งานเอกสาร จุดน่าสนใจจริงคือ Active Memory และคะแนนงานเฉพาะทางอย่างกฎหมายและการเงิน ซึ่งเป็นงานที่ลูกค้าองค์กรต้องการ แต่ควรทดสอบกับข้อมูลภาษาไทยของตัวเองก่อน เพราะ Meta ไม่ได้เปิดเผยผลรายภาษา และ Harvey LAB-AA ที่ได้ 13.1 ก็ยังหมายความว่าโมเดลทำงานกฎหมายผ่านเกณฑ์ทุกข้อได้ไม่ถึง 1 ใน 7 อีกเรื่องที่ควรจับตาคือฝั่ง open weights ทุกวันนี้ Meta มีเพียง Muse Glimmer ที่กลั่นมาจาก Spark ส่วนน้ำหนักของ Muse Spark 1.2 ที่สัญญาไว้ก็ยังไม่ออก ยุคที่ Meta เป็นผู้นำโมเดลเปิดดูจะจบไปแล้ว และ Wonder ยืนยันว่าตอนนี้ Meta เดินเกมแบบโมเดลปิดเต็มตัว

---

แหล่งข่าว

• Meta AI Research — Muse Wonder: A Frontier Model For Personal & Professional AI Agents
• Meta — Muse Wonder Model Card (PDF)
• Meta Model API — Models
• Meta Model API — Pricing and rate limits