83.4%的桌面操作得分，不能直接读成83.4%的任务全部做完。Meta于10月12日推出Muse Wonder和Muse Wonder Full：在其披露的OSWorld V2.1评测中，Full的平均部分奖励为83.4%，严格完成率则为64.0%。比单一排行榜更值得关注的，是它把跨会话记忆、遇阻后的持续执行和长周期编程放进同一套模型能力与交付入口。

先开放开发入口，普通Muse用户还要等

Wonder已经通过Meta Model API和Muse Code提供，Wonder Full面向Muse Code订阅者开放。Meta表示Wonder将用于Muse体验，并先向订阅者推出，但尚未给出具体时间。模型发布、开发者能调用和消费级产品已经全面切换，是三个不同阶段，不能混写。

模型卡列出的输入包括文本、图像、视频和音频，输出为文本，推理上下文为100万token。它面向文档分析、研究、规划、软件工程与多步骤工作流。100万是可容纳的上下文规模，并不保证每一条旧信息都能被准确找回，也不代表任何长度的项目都可以无人值守。

本次公开材料提供了模型卡和评测说明，但没有宣布开放可下载权重。企业若要纳入自己的系统，应分别确认账户可用范围、接口限制、数据处理条件与预算；不能从开发入口上线推导出本地部署或免费使用。

记忆与专注，处理的是不同的失败

Active Memory强调跨对话携带重要背景，并在当前任务需要时主动找回相关细节。例如，一个项目先提出输出格式，数轮之后改了交付对象，系统需要用新约束覆盖旧约束。单纯把全部历史塞进窗口，会同时带入过时要求、无关讨论和互相冲突的信息。

Active Focus处理另一类问题：执行没有按第一条路线成功后，能否继续尝试、适应新信息，并在需要时请求澄清或在重要动作前确认。记忆回答的是“哪些信息现在有用”，持续执行回答的是“接下来怎样完成目标”。二者结合，才可能让长任务少一些反复交代。

Meta用内部MemoryBench测试64K至100K token的复杂多轮对话，其中加入干扰、冲突和后来更新的事实；FocusBench则关注住房、旅行、IT等个人任务中的阻碍。它们提供了观察方向，但内部基准尚不能替代企业自己的历史记录、权限配置与真实失败样本。

同一张成绩表，包含不同的测试条件

OSWorld V2.1覆盖108个Ubuntu桌面工作流。平均部分奖励允许一项任务因完成若干步骤获得分数，严格完成率要求整项通过。因此Full的83.4%与64.0%描述的是不同结果；Wonder对应为72.5%与45.4%。采购或验收时应先问评分口径，再看分数高低。

模型卡还说明，Wonder系列通常以最高推理强度评测。竞争模型数据混合使用第三方结果、厂商自报和内部测试；内部竞争模型运行尽量保持共同设置，但提示词、工具与运行时并不一定是对方最优配置。这张表不构成所有业务上的统一对照实验。

长周期软件评测SWE-Marathon中，部分对照项使用Codex或Claude Code，Full则以xhigh推理强度报告，模型卡明确它不是共同Harness下的受控比较。模型与工具链、推理预算和测试环境共同影响结果，不能只凭模型名字解释所有差异。

对于法务、金融和健康场景，官方展示的是模型在特定知识任务中的能力，不能由此推出可独立作出专业决定。涉及后果的内容仍需按行业流程由人员复核；图表中漂亮的分数，也不会自动承担错误信息带来的责任。

小编判断：长任务要把可接管性一起验收

这次发布把个人Agent的竞争推进到记忆和持续行动，也给企业实施提出更具体的测试方式：准备一段包含旧要求、新约束和无关信息的历史，让Agent执行可检查的任务，在中途加入工具失败，再观察它能否修正计划、保留有效进度并准确请求帮助。

试点应分别统计整项完成率、部分完成程度、人工介入次数、恢复耗时与总费用。把中间产物、失败理由、调用动作和最终结果留下来，才能判断模型是在持续推进，还是重复尝试并消耗预算。长上下文和长推理只是投入条件，最终交付才是结果。

更强的持续执行也需要更清楚的停止条件：超出权限、预算或约定时间，就交给人接管；会改变外部状态的动作仍保留确认。现有材料没有给出这两款模型在企业生产中的采用率、ROI或长期故障数据。下一阶段真正有价值的证据，是上述能力能否在可审计的流程里稳定兑现。