Meta · 12/10/2026 · gráficos conferidos
A IA da Meta que passou o Opus na maratona de código
Muse Wonder e Wonder Full em gráficos comparativos, onde ganham, onde perdem, como usar e como testar no seu projeto.
Muse Wonder e Wonder Full em gráficos comparativos, onde ganham, onde perdem, como usar e como testar no seu projeto.
Em 12 de outubro de 2026 a Meta lançou dois modelos de inteligência artificial, o Muse Wonder e o Muse Wonder Full, feitos para trabalhar sozinhos por muito tempo em programação e tarefas de escritório. Este guia junta os números que conferimos nas fontes oficiais e independentes, mostra onde eles ganham e onde perdem do Claude Opus 5.5 e do GPT-6 Astra, e ensina a usar e a testar você mesmo. Serve para quem programa com agentes e quer decidir com prova própria, não com o gráfico de quem vende. Para ler, não precisa instalar nada.
Os dois leem 1.048.576 tokens de contexto, recebem texto, imagem, vídeo, áudio e PDF, e respondem só em texto.
Está na API da Meta (muse-wonder-1.0, em Preview), no Muse Code e no OpenRouter. Custa US$ 4 por milhão de tokens de entrada e US$ 20 de saída, o mesmo que o Opus 5.5.
A versão mais forte. Não tem API: só roda no Muse Code, o agente de terminal da Meta, nos planos Power (US$ 50/mês) e Maximum (US$ 200/mês).
Trabalho longo e autônomo: programação em vários arquivos, agentes, uso do computador, direito e finanças. O antigo Muse Spark era o rápido e compacto.
Barras em escala a partir do zero. Em âmbar, o modelo da Meta. Cada gráfico traz a fonte; "Meta" quer dizer a tabela oficial da própria Meta (autoavaliação).
Fonte: Meta, dev.meta.ai/models/muse-wonder. O Full foi medido em xhigh, e cada modelo rodou no seu próprio harness.
Fonte: Meta (números de terceiros: Datacurve, OpenAI e Anthropic).
Fonte: Artificial Analysis, 12/10/2026 (avaliação independente).
Fonte: Artificial Analysis. O Full empata com o Claude Code + Sonnet; passa o Opus por 2 pontos.
Fonte: Meta. Índice criado pela própria Meta (7 tarefas pessoais e de escritório): ler com cautela.
Fonte: Meta e Vals.ai. No índice geral da Vals o Full ficou em 5º, com 64,57%.
Pela própria tabela da Meta e pela Artificial Analysis, há áreas em que o Opus e o Astra ficam na frente.
Fonte: Meta.
Fonte: Meta. O Full subiu de 33% (Spark 1.3) para 57%, mas ainda fica atrás.
Fonte: Artificial Analysis (6.000 perguntas).
Fonte: Artificial Analysis. A taxa do Opus e do Astra não aparece no texto da AA (só num gráfico em imagem), por isso ficou de fora.
O Wonder lê muito: 7,69 milhões de tokens de entrada por tarefa, que são 76% do custo. Por isso Astra, Argon e GPT-6.1 saem mais baratos por tarefa.
Fonte: Artificial Analysis. O Full não tem preço por token, então não entra.
| Modelo | Entrada | Saída |
|---|---|---|
| Muse Wonder | US$ 4 | US$ 20 |
| Claude Opus 5.5 | US$ 4 | US$ 20 |
| GPT-6 Astra / Fable 5.1 | US$ 10 | US$ 50 |
| Muse Spark 1.3 | US$ 1,25 | US$ 4,25 |
Cache de entrada do Wonder: US$ 0,20. Sem acréscimo para contexto longo. Full: só pela assinatura do Muse Code (Power US$ 50, Maximum US$ 200 por mês).
O Wonder roda por API (paga por uso) e no Muse Code. O Full só no Muse Code, com assinatura Power ou Maximum. Pagar a assinatura não dá acesso ao Full por API.
Entre em dev.meta.ai, crie a conta de desenvolvedor e gere uma chave. Guarde-a numa variável de ambiente, nunca no código.
export MODEL_API_KEY="sua-chave" curl -s https://api.meta.ai/v1/models -H "Authorization: Bearer $MODEL_API_KEY" # confere se o muse-wonder-1.0 aparece
O endpoint Chat Completions é compatível com o formato da OpenAI: troque o base_url e o nome do modelo. Para tarefas longas com ferramentas, a Meta recomenda a Responses API (POST /v1/responses).
import os from openai import OpenAI client = OpenAI(base_url="https://api.meta.ai/v1", api_key=os.environ["MODEL_API_KEY"]) r = client.chat.completions.create( model="muse-wonder-1.0", reasoning_effort="high", # vai de "minimal" a "max"; "max" NÃO vira o Full messages=[{"role": "user", "content": "Explique o que este repositório faz."}], ) print(r.choices[0].message.content)
O Wonder está no OpenRouter como meta/muse-wonder, com o mesmo preço (US$ 4 / US$ 20) e 1M de contexto. O Full não está lá.
client = OpenAI(base_url="https://openrouter.ai/api/v1", api_key=os.environ["OPENROUTER_API_KEY"]) client.chat.completions.create(model="meta/muse-wonder", messages=[...])
É o caminho para o Wonder Full. Rode na pasta do projeto, confie na pasta e faça login pelo navegador ou com a chave. Os planos ficam em dev.meta.ai/docs/muse-code/subscriptions.
curl -fsSL https://dev.meta.ai/install.sh | sh # Linux e macOS irm https://dev.meta.ai/install.ps1 | iex # Windows (PowerShell) muse --version cd meu-projeto && muse # escolha o modelo Wonder na sessão muse exec "rode os testes e corrija o que falhar" # sem tela (CI), com META_API_KEY
Benchmark é média de tarefas dos outros. Para decidir, compare na sua base, com as mesmas condições. Defina antes o que vai comparar: Wonder × Opus por API (mesmo preço) ou Muse Code + Full × Claude Code + Opus (assinatura × assinatura).
Um bug com teste que falha, um recurso médio, uma refatoração em vários arquivos e, se puder, uma tarefa longa (horas). Sem teste não há como dizer quem acertou.
Mesmo commit, uma cópia limpa para cada agente, o mesmo pedido, e os testes de verificação fora do alcance dele.
git worktree add ../teste-wonder <commit> git worktree add ../teste-opus <commit> # mesmo arquivo de pedido nos dois; mesmas regras (AGENTS.md / CLAUDE.md equivalentes)
Mesmo nível de raciocínio, mesmo limite de tempo, mesmas ferramentas e permissões. O resultado varia de uma rodada para outra; três rodadas dão uma média honesta.
Tempo de relógio, custo (tokens de entrada, cache e saída × preço) e testes passando, incluindo a suíte inteira para pegar regressão. Anote também quantas vezes você precisou intervir.
| Tarefa | Agente | Rodada | Tempo | Custo | Testes | Regressão | Intervenções |
|---|---|---|---|---|---|---|---|
| bug-login | Wonder | 1 | 12 min | US$ 0,80 | 14/14 | não | 0 |
| bug-login | Opus 5.5 | 1 | … | … | … | … | … |
Linha de exemplo, só para mostrar o formato da planilha.
Peça a outra pessoa (ou a um terceiro modelo) para avaliar a qualidade sem saber quem fez. Compare taxa de acerto, custo por tarefa resolvida e tempo. Lembre: o Wonder é forte em tarefa longa e fraco em conhecimento puro.
Terminal-Bench (tarefas em contêineres), SWE-bench Verified/Pro (local com Docker), ProgramBench (com mini-swe-agent) e OSWorld (uso do computador). Procure a página oficial de cada um para as instruções. O Personal Superintelligence Index e o MemoryBench são internos da Meta e não dá para rodar.
O explicativo 16:9 com todos os gráficos animados e o reel 9:16 no modelo de 7 etapas.
Pesquisa feita em 14/10/2026. Quando duas fontes divergem, o gráfico diz qual foi usada.
