Muse Wonder: Preise, Zugang und die Unterschiede zu Full

Was ist Muse Wonder?

Meta Superintelligence Labs hat Muse Wonder und Muse Wonder Full am 12. Oktober 2026 veröffentlicht. Damit steht ein leistungsfähigeres Modell für längere Aufgaben bereit, bei denen es zu planen, Tools einzusetzen und nach gescheiterten Versuchen weiterzuarbeiten gilt. Ein Agent ist die umgebende Software, die einem Modell solche Aktionen ermöglicht, statt es lediglich eine Chatantwort ausgeben zu lassen. Metas Ankündigung nennt das Veröffentlichungsdatum und die beiden Varianten.

In der Praxis kommt damit eine weitere Modelloption für bestehende Arbeitsabläufe hinzu. In der Entwicklung lässt sich Wonder etwa bei einer Codeüberarbeitung testen, die mehrere Pakete betrifft. Im operativen Geschäft wäre eine Recherche mit vielen Dokumenten denkbar, deren Ergebnis den Einsatz mehrerer Tools erfordert. Ein bewährtes, günstiges Klassifikationsmodell muss deshalb niemand ersetzen, nur weil ein neues Modell erschienen ist.

Meta beschreibt Planung, parallelen Tool-Einsatz und den Umgang mit Fehlern in seiner Ankündigung für Entwickler. Diese Fähigkeiten sind nur dann etwas wert, wenn das Ergebnis die eigenen Prüfungen besteht. Ein langer Durchlauf, der am Ende die falsche Aufgabe erledigt hat, verursacht weiterhin Prüfaufwand.

Muse Wonder und Wonder Full: Wie unterscheidet sich der Zugang?

Wonder ist über die API verfügbar; die leistungsfähigere Variante Wonder Full bleibt berechtigten Muse-Code-Abonnements vorbehalten. Für beide nennt Metas Modellseite ein Kontextfenster von 1M Tokens. Das Kontextfenster bestimmt, wie viel Material ein Modell gleichzeitig berücksichtigen kann. Gemessen wird es in Tokens: kleinen Einheiten aus Text und anderen codierten Eingaben.

Die Zugangsbeschränkungen sind in Metas Dokumentation zur Modellverfügbarkeit festgehalten. Dort steht ausdrücklich: Wer bei Wonder den Reasoning-Aufwand auf max stellt, wählt damit nicht Wonder Full aus. Die Einstellung beeinflusst, wie viel Denkarbeit das ausgewählte Modell leistet. Sie ändert nicht, für welches Modell eine Zugangsberechtigung besteht.

Was kostet Wonder Full?

Auf der Modellseite zu Wonder führt Meta Muse Code Power Usage für $50.00 pro Monat und Maximum Usage für $200.00 pro Monat auf. Beide enthalten Full. Das sind Preise für Muse Code, nicht für die separate Muse-App.

Um Full zu testen, reicht Power Usage, sofern das enthaltene Nutzungskontingent zum eigenen Bedarf passt. Maximum Usage kommt wegen seines größeren Kontingents infrage; für Full ist der teuerste Tarif keine Voraussetzung. Meta gibt die Kontingente mit 20x beziehungsweise 80x Everyday Usage an. Unbegrenzte Nutzung bedeutet keiner der beiden Werte.

Ein Abonnement deckt auch keinen beliebigen API-Verbrauch ab. Laut Abonnementdokumentation gilt der zugehörige Zugang ausschließlich für Muse Code; zusätzliche API-Schlüssel werden separat abgerechnet. Leistungen und Verfügbarkeit können je nach Region variieren.

Ist Wonder schon in der Muse-App verfügbar?

Meta kündigt den Zugang zum Start als „bald“ an, zunächst für Abonnenten. Daraus ergibt sich weder ein konkretes Startdatum noch eine Berechtigung für Wonder Full in der Muse-App. Dokumentiert ist derzeit der Zugang über die API oder Muse Code. Die Einführung in der App steht laut Metas Ankündigung noch aus.

Muse Wonder: API-Preise und Kosten pro Aufgabe

Für die Kalkulation zählt der tatsächliche Tokenverbrauch einer Aufgabe, einschließlich wiederholter Aufrufe. Das Kontextfenster von 1M Tokens beschreibt eine Kapazität. Es ist weder eine Anfrage zum Pauschalpreis noch ein monatliches Kontingent.

Die folgenden USD-Preise wurden am 13. Oktober 2026 anhand von Metas aktuellen Modell- und Preisseiten geprüft. Jeder Preis gilt pro Million Tokens im Standard-Modus:

Eingaben aus dem Cache sind wiederverwendete Prompt-Inhalte, für die der günstigere Tarif gilt. Laut Metas Preisdokumentation gibt es keinen Aufschlag für lange Kontexte. Websuchen werden zusätzlich zu den Tokens mit $2.50 pro 1,000 Suchanfragen berechnet. Wonder ist über die API ausschließlich im Standard-Modus verfügbar; einen API-Rabatt im Contributor-Modus gibt es für Wonder nicht.

Kostenbeispiel für Entwicklung und operatives Geschäft

Angenommen, eine Aufgabe verbraucht über alle Aufrufe hinweg 200,000 Eingabetokens ohne Cache und 20,000 abgerechnete Ausgabetokens. Das ist ein Rechenbeispiel, kein gemessener Modelldurchlauf. Suchkosten und andere Kosten außerhalb der Tokenabrechnung bleiben unberücksichtigt; der Verbrauch wird für beide Modelle gleich angesetzt:

• Spark 1.2: (0.2 × $1.25) + (0.02 × $4.25) = $0.335 pro Aufgabe.
• Wonder: (0.2 × $4.00) + (0.02 × $20.00) = $1.20 pro Aufgabe.
• Differenz: $0.865 pro Aufgabe. Die Tokenkosten liegen damit etwa beim 3.58-Fachen.

Bei 1,000 Aufgaben ergeben sich $335 für Spark gegenüber $1,200 für Wonder, also $865 Mehrkosten. Wer als Gründer nur die schwierigsten 10% an Wonder weiterleitet und die übrigen 90% auf Spark belässt, kommt bei demselben angenommenen Verbrauch auf $421.50. Dieses Beispiel setzt voraus, dass sich die Aufgaben nach Schwierigkeit trennen lassen. Es belegt nicht, dass eines der Modelle sie erfolgreich erledigt.

Der tatsächliche Tokenverbrauch kann sich zwischen den Modellen unterscheiden. Die Rechnung mit identischem Verbrauch hilft bei der Versuchsplanung. Anschließend sollten die Annahmen durch den abgerechneten Verbrauch und den Prüfaufwand der eigenen Aufgaben ersetzt werden.

Wann bleibt Muse Spark 1.2 die richtige Wahl?

Ein bewährter Spark-Ablauf sollte bestehen bleiben, solange Wonder bei dieser Aufgabe keinen nachgewiesenen Vorteil bietet. Muse Spark 1.2 hat bereits ein Kontextfenster von 1M Tokens und wird auf seiner Modellseite für Programmieraufgaben und Tool-Einsatz positioniert. Ein großes Kontextfenster allein ist daher kein Grund für einen Wechsel.

Wer im operativen Geschäft eingehende Anfragen sortiert, Felder extrahiert oder regelmäßig Zusammenfassungen erstellt, muss vor allem prüfen, ob das Ergebnis die Abnahmekriterien erfüllt. Bei einem klar eingegrenzten Fehler, den ein einzelner Entwickler behebt, geht es darum, ob Patch und Tests korrekt sind. Wenn Spark diese Anforderungen bereits erfüllt, braucht Wonders höherer Preis eine konkrete Begründung.

Bei den Versionen ist eine Unterscheidung zu beachten: Meta empfiehlt für neue Projekte mit Spark inzwischen Muse Spark 1.3, während 1.2 weiterhin verfügbar bleibt. Die Modelldokumentation weist außerdem auf die unvollständige Audiounterstützung in 1.3 hin und verweist für Audioanwendungen auf 1.2. Bei der Modellfamilie Spark zu bleiben und eine erprobte Installation von 1.2 bewusst weiterzubetreiben, sind zwei unterschiedliche Entscheidungen.

Wer sollte testen, abwarten oder beim bisherigen Modell bleiben?

Für Entwickler lohnt sich ein Test mit Wonder, wenn eine Aufgabe bei der Arbeit über mehrere Dateien hinweg, beim Tool-Einsatz oder nach zwischenzeitlichen Fehlern wiederholt ins Stocken gerät. Umfang und Abnahmekriterien sollten unverändert bleiben, damit der Nutzen des Modellwechsels erkennbar wird. Full sollte innerhalb von Muse Code erst dann geprüft werden, wenn die anspruchsvolleren Programmieraufgaben das Abonnement rechtfertigen.

Im operativen Geschäft sollten günstige Aufgaben auf Spark bleiben. Wonder lässt sich an einem klar eingegrenzten Ausnahmefall testen, etwa wenn für einen schwierigen Vorgang mehrere Dokumente zu einer belegten Antwort zusammengeführt werden müssen. Dabei sind dieselben Nachweise zu verlangen wie von einem Menschen, der diese Aufgabe übernimmt.

Einkauf und CTOs sollten die Entscheidung über den Einsatz vom Modellranking trennen. Ein Produkt, das eine API-Anbindung benötigt, kann Full derzeit nicht über die API nutzen. Wer gezielt auf Wonder in der Muse-App wartet, sollte dort die bestätigte Verfügbarkeit abwarten, statt ein Muse-Code-Abonnement für das falsche Produkt abzuschließen.

Active Memory und Active Focus: Was Meta verspricht

Meta verspricht, relevante Informationen wiederzufinden und Aufgaben ausdauernd zu bearbeiten – nicht bloß einen größeren Prompt. Diese Unterscheidung ist wichtig: Eine Anweisung in Erinnerung zu behalten und sie über die gesamte Bearbeitung hinweg umzusetzen, kann an unterschiedlichen Stellen scheitern.

Active Memory soll laut Meta nützlichen Kontext über Gespräche hinweg bewahren und das abrufen, was für die aktuelle Aufgabe relevant ist. Active Focus soll Metas Beschreibung zufolge schwierige Ziele weiterverfolgen, Alternativen ausprobieren, Hindernisse bewältigen und vor wichtigen Aktionen Rückfragen stellen oder Prüfungen vornehmen. Das sind Metas Aussagen zum Modellverhalten, keine in diesem Artikel unabhängig bestätigten Zusicherungen.

Im operativen Geschäft lässt sich die Erinnerungsfunktion etwa daran prüfen, ob ein Agent bei einem neuen Auftrag eine zuvor mitgeteilte Lieferbedingung wieder aufgreift. Für die Ausdauer wäre ein sinnvoller Test, ob er nach einer gescheiterten Abfrage weiterkommt und diese Bedingung dabei beibehält. Der erste Test prüft das Erinnern, der zweite die konsequente Umsetzung. Ein glatt formulierter Schlussabsatz beweist keines von beidem.

Bei einer eigenen Integration muss festgelegt werden, wo frühere Informationen gespeichert werden und wie sie zum Modell gelangen. Der Wechsel einer Modell-ID in der API schafft nicht automatisch ein dauerhaftes Gedächtnis. Muse Code dokumentiert beispielsweise ein Markdown-Gedächtnis mit getrennten Geltungsbereichen. Daran zeigt sich, dass auch das umgebende Produkt eine Rolle spielt.

Muse Wonder nutzen: mit Muse Code oder über die API

Für eine Aufgabe im Repository eignet sich Muse Code, für eine selbst kontrollierte Anwendung die API. Ein erster Test sollte eine konkrete Frage beantworten und ein Ergebnis liefern, das sich überprüfen lässt.

Einstieg mit Muse Code

Muse Code ist Metas Programmieragent für das Terminal. Unter macOS oder Linux erfolgt die Einrichtung nach der offiziellen Schnellstartanleitung:

curl -fsSL https://dev.meta.ai/install.sh | sh
muse

Muse Code wird aus dem Repository heraus gestartet, an dem gearbeitet werden soll. Beim ersten Start erfolgt die Anmeldung über den Browser oder mit einem API-Schlüssel. Über /models lässt sich Wonder auswählen. Full sollte nur gewählt werden, wenn das Abonnement es enthält.

Eine klar eingegrenzte Aufgabe wäre etwa: „Untersuche den fehlschlagenden Test für die Seitennavigation, schlage die kleinstmögliche Korrektur vor und zeige das Ergebnis des gezielten Testlaufs.“ Vor der Übernahme der Änderung sollten Diff und Nachweise geprüft werden. Unsere Anleitung zur Nutzung von Muse Code beschreibt Installation, Planung und Prüfung ausführlicher.

Eine direkte API-Anfrage senden

Im Dashboard der Meta Model API wird über API keys → Create API key ein API-Schlüssel erstellt und in der Shell als MODEL_API_KEY hinterlegt. Sobald diese Variable gesetzt ist, lässt sich Metas dokumentierte Responses-Anfrage wie folgt mit Wonders Modell-ID verwenden:

curl -sS https://api.meta.ai/v1/responses \
  -H "Authorization: Bearer $MODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-wonder-1.0",
    "input": "Plan a contained fix for a pagination bug. List the evidence needed to verify it."
  }'

Die Antwort ist ein Plan, keine Änderung am Repository: Diese Anfrage stellt weder ein Repository noch Tools bereit. Meta zufolge akzeptieren Wonder und Spark dieselben Anfragen an denselben Endpunkten. Eine bestehende Spark-Integration ist damit ein praktischer Ausgangspunkt für die Erprobung.

Wo die Erwartungen zu hoch sind: Zugang allein erledigt noch keine Aufgabe

Der folgenreichste Fehler ist ein Kauf auf Grundlage falscher Annahmen. Bei der Entscheidung müssen diese Unterschiede klar sein:

• Full ist eine eigenständige Variante. Wonder mit dem Reasoning-Aufwand max bleibt Wonder. Die API-Preise von $4/$20 gelten nicht für Full.
• 1M Tokens Kontext garantieren keine zuverlässige Erinnerung. Die Kapazität beweist nicht, dass das Modell die relevante Information gefunden oder während der gesamten Aufgabe berücksichtigt hat.
• Ein Abonnement ist kein unbegrenztes API-Guthaben. Muse Code und separat erstellte API-Schlüssel werden getrennt abgerechnet.
• Das Modell wird als gehosteter Dienst bereitgestellt. Die verlinkten Veröffentlichungen und Zugangsdokumentationen bieten keine Wonder-Modellgewichte zum Herunterladen und Selbsthosten an.

Außerdem steht eine konkrete Entscheidung bei der Einrichtung an: Muse-Code-Abonnements verwenden standardmäßig den Contributor-Modus. Er erlaubt Meta, bereitgestellte Inhalte zum Modelltraining zu verwenden; im Gegenzug steigt das Nutzungskontingent. Wenn das für die eigene Arbeit ungeeignet ist, lässt sich der Modus in den Einstellungen deaktivieren. Für Wonders API im Standard-Modus erklärt Meta, dass Inhalte nicht zum Training seiner Modelle verwendet werden. Entscheidend ist der tatsächlich genutzte Zugangsweg.

Für die gesonderte Entscheidung zwischen Modellen bietet sich der Vergleich Muse Wonder vs. Claude Opus 5.5 an. Hintergrund zur früheren Spark-Generation liefert der Test von Muse Spark 1.1. Für die heutige Kostenplanung gelten die aktuellen Preise weiter oben.

Häufige Fragen

Der nächste Schritt: mit eigenen Aufgaben vergleichen

Aus einem bestehenden Arbeitsablauf werden 10 klar eingegrenzte Aufgaben ausgewählt. Mit identischen Eingaben und Abnahmekriterien lässt sich das bisherige Spark-Setup gegen Wonder prüfen. Erfasst werden die abgenommenen Ergebnisse, der gesamte abgerechnete Verbrauch und die Zeit für die Ergebnisprüfung. Spark bleibt bei den Aufgaben, die es bereits bewältigt. Wonder kommt dort zum Einsatz, wo die gemessene Verbesserung seine Mehrkosten deckt. Full wird separat geprüft, und nur dann, wenn die betreffende Arbeit in Muse Code stattfinden soll.

Praxisanleitungen zur Auswahl von KI-Modellen und zu Betriebskosten gibt es im Newsletter.