Benchmarki Muse Wonder wyjaśnione: 14 testów Mety po ludzku
Tabela Mety rozłożona na części: co sprawdza każdy z 14 testów, kto go liczył i gdzie Muse Wonder wygrywa, a gdzie przegrywa z Claude Opus 5.5.
👁 124 przeczytań
- Muse Wonder Full wygrywa w 7 z 14 testów tabeli Mety, ale w ProgramBench przegrywa z Claude Opus 5.5 wynikiem 59,0 do 70,5.
- Spośród 14 benchmarków tylko 8 pochodzi od niezależnych firm, takich jak Artificial Analysis, Vals AI, Surge, Datacurve i Abundant AI, a 3 to testy wewnętrzne Mety.
- W jedynym w pełni niezależnym indeksie zbiorczym Artificial Analysis Opus 5.5 wyprzedza Wonder Full wynikiem 58 do 56 punktów.
Meta pokazała Muse Wonder na tabeli z 14 testami, w której mało kto rozpozna więcej niż dwa. Poniżej każdy z nich po ludzku: co sprawdza, jaki wynik ma Muse Wonder (wg Meta) i na co uważać, zanim uznasz, że model „wygrywa”. W skrócie: 3 testy z 14 to wewnętrzne testy Mety, w kilku wierszach warunki nie były równe dla wszystkich, a w programowaniu „od zera” i obsłudze komputera Meta przegrywa z Claude Opus 5.5. Pełny opis modelu jest w przewodniku Muse Wonder.
Jak czytać tabelę Mety - 3 zasady
- Wszystkie liczby poniżej to dane producenta (wg Meta), modele na najwyższym poziomie rozumowania (max).
- Wynik „częściowy” i „pełny sukces” to różne miary - w OSWorld różnica wynosi ponad 39 punktów.
- Jedyny wiersz z niezależnego rankingu, który sprawdziłem osobno, to indeks Artificial Analysis: Wonder Full 56, Wonder 52, Opus 5.5 58.
Wszystkie 14 testów w jednej tabeli
| Test | Co sprawdza po ludzku | Kto liczył | Wonder Full / Wonder (wg Meta) | Najlepszy rywal |
|---|---|---|---|---|
| Personal Superintelligence Index | złożenie 7 testów pracy osobistej i biurowej | Meta (wewnętrzny) | 59,1 / 54,3 | Opus 5.5: 55,2 |
| Harvey LAB-AA | dokumenty prawnicze na podstawie akt sprawy, z kontrolą halucynacji | Artificial Analysis | 13,1 / 10,0 | GPT-6 Astra: 8,6 |
| Vals Finance Agent V2 | zadania analityka finansowego na raportach spółek | Vals AI | 59,1 / 56,6 | Fable 5.1: 58,9 |
| HealthBench Pro | 525 trudnych pytań medycznych, ocena wg kryteriów lekarzy | Meta (oficjalne zadania) | 62,3 / 60,5 | Opus 5.5: 65,6 |
| AutomationBench-AA | procesy firmowe w symulowanych aplikacjach | Artificial Analysis | 45,4 / 39,1 | Astra: 41,6 |
| GDP.pdf | praca zawodowa na dostarczonych plikach PDF | Surge | 33,2 / 30,8 | Astra: 34,2 |
| JobBench | 65 zadań z 35 zawodów biurowych | Meta | 75,3 / 70,5 | Opus 5.5: 75,4 |
| OSWorld V2.1 | 108 zadań na pulpicie Ubuntu, sterowanie myszą i klawiaturą | Meta (oficjalne środowisko) | 78,4 / 72,6 (częściowo) | Opus 5.5: 81,8 |
| MemoryBench | pamiętanie faktów w rozmowach na 64-100 tys. tokenów | Meta (wewnętrzny) | 85,5 / 85,6 | Opus 5.5: 81,5 |
| Terminal-Bench 4.0-AA | zadania w terminalu sprawdzane automatycznie | Artificial Analysis | 57,1 / 52,0 | Opus 5.5: 59,6 |
| DeepSWE 1.1 | 113 długich zadań w 91 repozytoriach, 5 języków | Datacurve | 79,0 / 78,8 | Opus 5.5: 74,2 |
| SWE-Marathon | bardzo długie projekty programistyczne | Abundant AI | 57,5 / 53,1 | Opus 5.5: 46,3 |
| ProgramBench | odtworzenie całego programu od zera, bez internetu | Meta (wspólne narzędzie) | 59,0 / 50,0 | Opus 5.5: 70,5 |
| Artificial Analysis Index | 10 niezależnych testów w jednym indeksie | Artificial Analysis | 56 / 52 | Opus 5.5: 58 |
Źródło: tabela i karta modelu Mety z 12 października 2026. Kolumna „Kto liczył” według opisu metod w karcie modelu.
Testy „osobiste”: PSI i MemoryBench
Personal Superintelligence Index to sztandarowy wynik ogłoszenia i jednocześnie najmniej niezależny. Meta złożyła go z siedmiu testów: Agents’ Last Exam, AutomationBench-AA, FocusBench, JobBench, GDP.pdf, VBT i DRACO. Dwa z nich (FocusBench i VBT) są wewnętrzne. Wybór składników to decyzja Mety, więc indeks mówi tyle, że Wonder Full jest najlepszy w zestawie zadań, który Meta uznała za ważny. Przypomina to wielobój: wygrana w klasyfikacji ogólnej nie znaczy wygranej w każdej konkurencji.
MemoryBench sprawdza, czy model pamięta kluczowe fakty z długiej rozmowy (64-100 tys. tokenów), także wtedy, gdy w międzyczasie padły sprzeczne lub poprawione informacje. To ważne dla agenta, który ma pamiętać twoje preferencje, ale test też jest wewnętrzny i ocenia go sędzia AI. Ciekawostka: zwykły Wonder ma tu o 0,1 pkt więcej niż Full. Podobny mechanizm sprawdziłem sam na 80 protokołach zarządu, z decyzją zmienioną w późniejszym protokole - poradziło sobie pięć z pięciu modeli, wyniki w tekście mój test na 23 zadaniach.
Praca zawodowa: prawo, finanse, zdrowie, biuro
- Harvey LAB-AA - największa przewaga Mety w całej tabeli: 13,1 wobec 4,2 Opusa 5.5. Liczba jest niska, bo zadanie zalicza się tylko wtedy, gdy dokument spełnia wszystkie kryteria i nie ma halucynacji. Wersja 1.1 dodała kontrolę zmyśleń, więc wyników nie porównuje się z wersją 1.0.
- Vals Finance Agent V2 - analiza raportów spółek i danych rynkowych. Wonder Full wygrywa z Fable 5.1 o 0,2 pkt, czyli praktycznie remis.
- HealthBench Pro - odpowiedzi na 525 profesjonalnych pytań zdrowotnych bez narzędzi. Tu Meta przegrywa: 62,3 wobec 65,6 Opusa. Wyniki Anthropic Meta wzięła z kart systemowych Claude’a, nie liczyła ich sama.
- GDP.pdf - praca na dostarczonych dokumentach PDF, wynik liczony przez firmę Surge. Wygrywa GPT-6 Astra (34,2).
- JobBench - 65 praktycznych zadań z 35 zawodów biurowych. Remis Full z Opusem (75,3 do 75,4).
- AutomationBench-AA - firmowe procesy w symulowanych aplikacjach, zaliczone tylko wtedy, gdy stan końcowy aplikacji jest dokładnie taki, jak trzeba. Full 45,4, najlepszy rywal 41,6.
Obsługa komputera: OSWorld V2.1
Nie przepłacaj za te subskrypcje
Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.
OSWorld to 108 zadań na prawdziwym pulpicie Ubuntu: model widzi zrzuty ekranu i klika, pisze, przewija. Meta podaje dwie liczby i warto znać obie. W ocenie częściowej (za każdy wykonany fragment) Wonder Full ma 78,4, a w ocenie binarnej (zadanie zrobione w całości albo wcale) 39,4. Czyli w praktyce model kończy w pełni mniej więcej co trzecie złożone zadanie. W tym teście Meta jest za Opusem 5.5 (81,8 częściowo) i Fable 5.1 (80,7 częściowo, 43,1 w pełni).
Programowanie: cztery testy, cztery różne pytania
| Test | Pytanie | Wonder Full (wg Meta) | Opus 5.5 |
|---|---|---|---|
| Terminal-Bench 4.0-AA | czy model załatwi zadanie w terminalu? | 57,1 | 59,6 |
| DeepSWE 1.1 | czy poprawi kod w cudzym, dużym repozytorium? | 79,0 | 74,2 |
| SWE-Marathon | czy wytrwa w wielogodzinnym projekcie? | 57,5 | 46,3 |
| ProgramBench | czy napisze cały program od zera? | 59,0 | 70,5 |
Meta wygrywa w długich zadaniach na istniejącym kodzie, przegrywa w pisaniu programu od zera i w terminalu. Dwie uwagi z karty modelu: w SWE-Marathon wyniki GPT-6 Astra i Fable 5.1 pochodzą z ich własnych agentów (Codex i Claude Code), a Wonder Full był liczony na poziomie xhigh, więc Meta sama pisze, że to nie jest porównanie w równych warunkach. W ProgramBench zalicza się próba, która przechodzi co najmniej 95% ukrytych testów.
Jedyny niezależny wiersz: indeks Artificial Analysis
Artificial Analysis samo uruchamia 10 testów (m.in. GDPval-AA, Terminal-Bench 4.0, Humanity’s Last Exam, SciCode) i łączy je w indeks 4.3. Sprawdziłem jego ranking 12 października: Opus 5.5 ma 58, Wonder Full 56 (tyle samo co Claude Sonnet 5.5, którego Meta na swoim wykresie pominęła), a zwykły Wonder 52 - tyle co GPT-6.1 Sol. To liczba, której ufałbym najbardziej. Indeks nie jest procentem rozwiązanych zadań, tylko punktami na skali AA.
Na co patrzeć, porównując modele
- Kto liczył. Test producenta to deklaracja, test niezależnej firmy to dowód.
- Poziom rozumowania. Meta podaje wszystko na max; w aplikacjach i API domyślnie jest niższy.
- Który wariant. Najlepsze wyniki ma Full, a w API jest tylko zwykły Wonder.
- Miara. Częściowy wynik, pełny sukces i indeks to trzy różne liczby.
- Twoje zadania. Na 23 praktycznych zadaniach wszystkie pięć modeli miało u mnie 99-100% - różnice wyszły w koszcie i czasie.
Najczęstsze pytania
Czy Personal Superintelligence Index mierzy superinteligencję?
Nie. To wewnętrzne złożenie siedmiu testów pracy osobistej i biurowej, które wybrała Meta. Nazwa jest marketingowa.
W ilu testach Muse Wonder wygrywa?
Muse Wonder Full jest najlepszy w 7 z 14 wierszy tabeli Mety. Zwykły Muse Wonder, dostępny w API, jest lepszy od Opusa 5.5 w 5 wierszach.
Które benchmarki są niezależne?
Harvey LAB-AA, AutomationBench-AA, Terminal-Bench 4.0-AA i indeks AA liczy Artificial Analysis, Vals Finance - Vals AI, GDP.pdf - Surge, DeepSWE - Datacurve, SWE-Marathon - Abundant AI. Wewnętrzne są PSI, MemoryBench i składniki FocusBench i VBT.
Gdzie Muse Wonder przegrywa?
Według tabeli Mety: ProgramBench (59,0 wobec 70,5 Opusa), HealthBench Pro, Terminal-Bench 4.0, OSWorld i GDP.pdf.
Źródła
- Meta AI Research: Muse Wonder, tabela wyników (12.10.2026)
- Meta: karta modelu Muse Wonder, opis metod (12.10.2026)
- Artificial Analysis: Harvey LAB-AA
- Artificial Analysis: AutomationBench-AA
- Artificial Analysis: Terminal-Bench 4.0
- Artificial Analysis: metodologia indeksu
- Artificial Analysis: ranking modeli (odczyt 12.10.2026)
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Podobne tematy na Promptowym
