Muse Wonder: preços, acesso e quando vale usar

O que é o Muse Wonder?

A Meta Superintelligence Labs lançou Muse Wonder e Muse Wonder Full em 12 de outubro de 2026. Os modelos ampliam as opções para trabalhos que exigem planejamento, uso de ferramentas e recuperação após tentativas malsucedidas ao longo de uma tarefa extensa. Um agente é o software que envolve o modelo e permite que ele execute essas ações, em vez de apenas responder no chat. O anúncio da Meta informa a data de lançamento e apresenta as duas variantes.

Na prática, você ganha mais uma opção de modelo para o seu fluxo de trabalho. Quem desenvolve pode avaliar o Wonder em uma refatoração que atravessa vários pacotes. Quem cuida da operação pode testá-lo em uma investigação com muitos documentos, cuja resposta dependa de várias ferramentas. Nenhum desses casos exige substituir um classificador barato que já funciona só porque chegou um modelo novo.

A Meta descreve recursos de planejamento, uso paralelo de ferramentas e recuperação de erros no anúncio para desenvolvedores. Essas capacidades só fazem diferença se o resultado passar pelas suas verificações. Uma execução longa que resolve a tarefa errada ainda gera trabalho de revisão.

Muse Wonder ou Wonder Full: o que muda no acesso?

O Wonder é a opção disponível por API; o Wonder Full é a variante de maior capacidade, restrita a assinaturas elegíveis do Muse Code. Ambos aparecem com contexto de 1M na página de modelos da Meta. Contexto é o conjunto de informações que o modelo consegue considerar de uma só vez. Ele é medido em tokens, pequenas unidades de texto e de outros tipos de entrada codificada.

As restrições de acesso estão na documentação de disponibilidade dos modelos da Meta. A página deixa explícito que definir o esforço de raciocínio do Wonder como max não seleciona o Wonder Full. O esforço de raciocínio ajusta quanto o modelo escolhido dedica a pensar; ele não muda os modelos aos quais você tem acesso.

Quanto custa o Wonder Full?

Na página do modelo Wonder, a Meta lista o Muse Code Power Usage por $50.00/mês e o Maximum Usage por $200.00/mês. Os dois incluem o Full. Esses preços são do Muse Code, não do aplicativo Muse, que é um produto separado.

Para avaliar o Full, escolha o Power Usage se a franquia incluída atender ao seu trabalho. Considere o Maximum Usage quando precisar de uma franquia maior: o Full não exige o plano mais caro. A Meta informa que as franquias equivalem a 20x e 80x a do Everyday Usage, respectivamente. Nenhuma delas significa uso ilimitado.

A assinatura também não cobre qualquer tráfego de API. Segundo a documentação de assinaturas, a credencial da assinatura serve apenas para o Muse Code; chaves de API adicionais têm cobrança separada. Benefícios e disponibilidade podem variar conforme a região.

O Wonder já está no aplicativo Muse?

No anúncio de lançamento, a Meta diz “em breve”, com prioridade para assinantes. Isso não define uma data de lançamento nem garante acesso ao Wonder Full no aplicativo Muse. Para uma forma de acesso já documentada, use a API ou o Muse Code. Pelo anúncio da Meta, a liberação no aplicativo ainda está pendente.

Preços da API do Muse Wonder: quanto custa uma tarefa?

Calcule o orçamento com base nos tokens que a tarefa realmente consome, incluindo as chamadas repetidas. A janela de contexto de 1M indica capacidade; não é uma requisição com preço fixo nem uma franquia mensal.

Os valores abaixo, em USD, foram conferidos nas páginas de modelos e preços da Meta em 13 de outubro de 2026. Cada preço corresponde a um milhão de tokens no modo Standard:

Entrada em cache é o conteúdo de prompt reutilizado que se qualifica para a tarifa reduzida. A documentação de preços da Meta informa que não há cobrança adicional por contexto longo. A busca na web é cobrada separadamente, a $2.50 por 1,000 consultas, além dos tokens. Na API, o Wonder só está disponível no modo Standard: não há desconto de modo Contributor para ele.

Um exemplo de orçamento para desenvolvimento ou operação

Suponha que uma tarefa consuma 200,000 tokens de entrada sem cache e 20,000 tokens de saída faturados, somando todas as chamadas. É uma carga de trabalho ilustrativa, não uma execução medida do modelo. Sem incluir busca e outros custos além dos tokens, e mantendo o mesmo consumo:

• Spark 1.2: (0.2 × $1.25) + (0.02 × $4.25) = $0.335 por tarefa.
• Wonder: (0.2 × $4.00) + (0.02 × $20.00) = $1.20 por tarefa.
• Diferença: $0.865 por tarefa, ou cerca de 3.58 vezes o custo em tokens.

Em 1,000 tarefas, isso representa $335 no Spark contra $1,200 no Wonder, um aumento de $865. Se uma pessoa à frente de um negócio direcionar apenas os 10% mais difíceis ao Wonder e mantiver os outros 90% no Spark, a mesma carga ilustrativa custará $421.50. Esse exemplo pressupõe que seja possível separar as tarefas por dificuldade; ele não demonstra que qualquer um dos modelos terá sucesso.

O consumo real de tokens pode variar entre modelos. Use o cálculo com consumo igual para planejar um teste; depois, substitua a hipótese pelos dados de uso faturado e tempo de revisão das suas próprias tarefas.

Quando continuar com o Muse Spark 1.2?

Mantenha um fluxo de trabalho validado no Spark quando o Wonder não tiver demonstrado vantagem naquela tarefa. O Muse Spark 1.2 já tem contexto de 1M e é apresentado como opção para programação e uso de ferramentas na sua página de modelo. Por isso, uma janela de contexto grande, por si só, não justifica a troca.

Para um profissional experiente de operações que organiza solicitações recebidas, extrai campos ou monta um resumo de rotina, a pergunta útil é se a saída atende ao critério de aceitação. Para quem desenvolve sozinho e está corrigindo um bug pontual, é se a alteração e os testes estão corretos. Se o Spark já atende a esses requisitos, o preço maior do Wonder precisa de uma justificativa específica.

Há uma distinção de versão a observar: a Meta agora recomenda o Muse Spark 1.3 para novos trabalhos com Spark, enquanto o 1.2 segue disponível. A documentação dos modelos também alerta que o suporte a áudio no 1.3 é incompleto e orienta quem usa áudio a escolher o 1.2. Continuar na família Spark e manter deliberadamente uma implementação já testada do 1.2 são decisões diferentes.

Quem deve testar, esperar ou manter o modelo atual?

Quem desenvolve deve testar o Wonder quando uma tarefa empaca repetidamente ao lidar com vários arquivos, ferramentas ou falhas intermediárias. Mantenha o escopo e as verificações de aceitação para identificar se a troca de modelo ajuda. Avalie o Full no Muse Code apenas quando o trabalho de programação mais difícil justificar a assinatura.

Quem cuida da operação deve manter as tarefas baratas no Spark e testar o Wonder em uma exceção bem delimitada: por exemplo, um caso difícil que exija cruzar vários documentos para chegar a uma resposta com evidências. Exija as mesmas evidências que pediria a uma pessoa responsável por esse trabalho.

Responsáveis por compras e CTOs devem separar a decisão de implementação da posição do modelo nos rankings. Um produto que depende de integração por API não pode usar o Full por essa via hoje. Quem espera especificamente pelo Wonder no aplicativo Muse deve aguardar a confirmação de disponibilidade ali, em vez de contratar um plano do Muse Code para o produto errado.

Active Memory e Active Focus: o que a Meta promete?

A promessa da Meta combina recuperação de informações relevantes com continuidade no trabalho, não apenas um prompt maior. A distinção importa porque lembrar uma instrução e segui-la até o fim são pontos diferentes em que o modelo pode falhar.

Segundo a Meta, o Active Memory leva contexto útil de uma conversa para outra e recupera o que importa para a tarefa atual. Já o Active Focus, na descrição da empresa, mantém o trabalho em objetivos difíceis, tenta alternativas, lida com impedimentos e busca esclarecimentos ou faz verificações antes de ações importantes. Esses são comportamentos atribuídos aos modelos pela Meta, não garantias verificadas de forma independente neste artigo.

Para quem cuida da operação, um teste útil de memória é verificar se o agente recupera uma restrição de entrega informada anteriormente ao analisar um novo pedido. Um teste útil de foco é observar se ele se recupera de uma consulta malsucedida sem perder de vista essa restrição. O primeiro avalia a recuperação da informação; o segundo, a continuidade da execução. Um parágrafo final bem escrito não comprova nenhum dos dois.

Em uma integração própria, defina onde as informações anteriores ficam armazenadas e como chegam ao modelo. Não presuma que trocar o ID do modelo na API crie automaticamente um sistema de memória persistente. O Muse Code, por exemplo, documenta memória em Markdown com escopos separados, o que mostra que o produto ao redor do modelo também tem um papel.

Como usar o Muse Wonder: Muse Code ou API

Use o Muse Code para uma tarefa em um repositório, ou a API para uma aplicação sob seu controle. O primeiro teste deve responder a uma pergunta, com um resultado que você consiga inspecionar.

Comece pelo Muse Code

O Muse Code é o agente de programação da Meta para o terminal. Siga o guia oficial de início rápido no macOS ou Linux:

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

Execute-o a partir do repositório em que deseja trabalhar. Na primeira inicialização, faça login pelo navegador ou use uma chave de API. Abra /models e selecione Wonder; escolha Full apenas se a sua assinatura incluir essa variante.

Dê a ele um objetivo delimitado, como: “Diagnostique a falha no teste de paginação, proponha a menor correção possível e mostre o resultado do teste específico.” Inspecione o diff e as evidências antes de aceitar a alteração. Nosso guia de uso do Muse Code detalha o fluxo de instalação, planejamento e revisão.

Faça uma requisição direta à API

Crie uma chave de API no painel da Meta Model API, pelo caminho API keys → Create API key, e defina-a no shell como MODEL_API_KEY. Com essa variável configurada, o exemplo abaixo adapta a requisição à API Responses documentada pela Meta para o ID do modelo Wonder:

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."
  }'

A resposta é um plano, não uma alteração no repositório: essa requisição não fornece repositório nem ferramentas. A Meta informa que Wonder e Spark aceitam as mesmas requisições nos mesmos endpoints. Por isso, uma integração existente com o Spark é um ponto de partida prático para avaliar o Wonder.

Onde o hype exagera: acesso não garante execução autônoma

O erro de maior impacto é contratar o acesso com uma expectativa equivocada. Leve estas distinções em conta na decisão de compra:

• O Full é uma variante separada. Wonder com esforço de raciocínio max continua sendo Wonder. As tarifas de $4/$20 da API não dão acesso ao Full.
• Contexto de 1M não garante que o modelo se lembre de tudo. A capacidade não comprova que ele encontrou a informação relevante ou a respeitou ao longo da tarefa.
• Uma assinatura não equivale a crédito ilimitado na API. O Muse Code e as chaves de API criadas separadamente têm medição de uso e cobrança próprias.
• Esta versão funciona na infraestrutura do provedor. O anúncio e a documentação de acesso citados não oferecem pesos do Wonder para download e hospedagem própria.

Há também uma escolha concreta na configuração: as assinaturas do Muse Code vêm com o modo Contributor ativado por padrão. Ele permite que a Meta use o conteúdo fornecido para treinar modelos em troca de uma franquia maior. Desative-o nas configurações se isso não for adequado ao seu trabalho. No modo Standard da API do Wonder, a Meta afirma que o conteúdo não é usado para treinar seus modelos. Confira as condições do produto e do modo que você realmente usa.

Para a decisão de comparar modelos, leia Muse Wonder vs Claude Opus 5.5. A análise do Muse Spark 1.1 traz o contexto histórico da geração anterior do Spark; para o orçamento de hoje, use as tarifas atuais apresentadas acima.

Perguntas frequentes

Como decidir o próximo passo

Escolha 10 tarefas bem delimitadas de um fluxo de trabalho existente. Mantenha as mesmas entradas e os mesmos critérios de aceitação, compare sua configuração atual do Spark com o Wonder e registre os resultados aceitos, o uso total faturado e o tempo de revisão. Mantenha o Spark no trabalho que ele já resolve; adote o Wonder onde a melhora medida compensar o custo adicional. Avalie o Full separadamente, e apenas se o Muse Code for o ambiente adequado para esse trabalho.

Para receber guias práticos sobre escolha de modelos de IA e custos de operação, assine a newsletter.