Нейросеть Muse Wonder: что выбрать и сколько стоит доступ

Что такое нейросеть Muse Wonder?

Meta Superintelligence Labs выпустила Muse Wonder и Muse Wonder Full 12 октября 2026 года. Новые модели расширяют выбор для задач, в которых нужно долго работать: строить план, пользоваться инструментами и продолжать после неудачных попыток. Агент — это программная оболочка, которая позволяет модели выполнять такие действия, а не только отвечать в чате. Дата выпуска и обе версии указаны в анонсе Meta.

На практике у вас появляется ещё одна модель для рабочих задач. Разработчик может проверить Wonder на рефакторинге, затрагивающем несколько пакетов. Специалист по операционной работе — на исследовании большого массива документов, где для ответа нужны несколько инструментов. При этом ни тому ни другому не обязательно менять недорогой классификатор, который уже справляется со своей работой, только потому, что вышла новая модель.

В анонсе для разработчиков Meta описывает планирование, параллельную работу с инструментами и восстановление после ошибок. Эти возможности имеют смысл, только если результат проходит вашу проверку. Если модель долго работала, но в итоге решила не ту задачу, проверять и исправлять всё равно придётся человеку.

Muse Wonder и Wonder Full: чем отличается доступ?

Wonder доступна через API, а более мощная Wonder Full — только по подходящей подписке Muse Code. Для обеих моделей на странице Meta указано контекстное окно 1M. Контекст — это весь материал, который модель может учитывать одновременно. Его измеряют в токенах: небольших единицах текста и других закодированных входных данных.

Ограничения доступа описаны в документации Meta по доступности моделей. Там прямо сказано: значение max в настройке глубины рассуждений Wonder не переключает её на Wonder Full. Эта настройка определяет, сколько усилий выбранная модель тратит на рассуждения, но не открывает доступ к другой модели.

Сколько стоит доступ к Wonder Full?

На странице модели Wonder Meta указывает цены Muse Code Power Usage — $50.00 в месяц, Maximum Usage — $200.00 в месяц. Оба тарифа дают доступ к Full. Это цены Muse Code, а не отдельного приложения Muse.

Чтобы оценить Full, достаточно Power Usage, если включённого объёма вам хватает. Maximum Usage имеет смысл ради большего лимита, а не потому, что Full якобы требует самого дорогого тарифа. Meta обозначает лимиты как 20x и 80x от объёма Everyday Usage соответственно. Ни один из них не означает безлимитную работу.

Подписка также не оплачивает произвольные запросы к API. Согласно документации по подпискам, выданные для подписки учётные данные предназначены только для Muse Code; использование дополнительных API-ключей оплачивается отдельно. Условия и доступность могут различаться по регионам.

Wonder уже появилась в приложении Muse?

В анонсе Meta сказано «скоро», причём сначала для подписчиков. Конкретная дата не названа, и доступ к Wonder Full в приложении Muse не обещан. Если нужен подтверждённый способ начать работу сейчас, выбирайте API или Muse Code. Запуск в приложении, судя по анонсу Meta, пока ещё впереди.

Цены Muse Wonder API: сколько стоит одна задача?

Считайте все токены, которые расходует задача, включая повторные вызовы модели. Контекстное окно 1M — это вместимость, а не запрос по фиксированной цене и не месячный лимит.

Эти тарифы в USD сверены с действующими страницами моделей и цен Meta 13 октября 2026 года. Каждая цена указана за миллион токенов в режиме Standard:

Кэшированный вход — это повторно используемая часть промпта, к которой применим пониженный тариф. В документации Meta по ценам указано, что доплаты за длинный контекст нет. Веб-поиск оплачивается отдельно: $2.50 за 1,000 запросов сверх стоимости токенов. Через API Wonder работает только в режиме Standard; скидки режима Contributor для Wonder API нет.

Пример расчёта для разработки и операционных задач

Допустим, на задачу суммарно уходит 200,000 входных токенов без кэширования и 20,000 оплачиваемых выходных токенов. Это условный пример нагрузки, а не замер реального запуска модели. Исключим поиск и прочие расходы помимо токенов и примем одинаковый расход для обеих моделей:

• Spark 1.2: (0.2 × $1.25) + (0.02 × $4.25) = $0.335 за задачу.
• Wonder: (0.2 × $4.00) + (0.02 × $20.00) = $1.20 за задачу.
• Разница: $0.865 на задачу; расходы на токены выше примерно в 3.58 раза.

Для 1,000 задач это $335 на Spark против $1,200 на Wonder, то есть на $865 больше. Если основатель проекта направит в Wonder только самые сложные 10% задач, а остальные 90% оставит Spark, та же условная нагрузка обойдётся в $421.50. Пример предполагает, что задачи можно разделить по сложности. Он не доказывает, что какая-либо из моделей с ними справится.

Реальный расход токенов у моделей может отличаться. Расчёт с одинаковым расходом поможет спланировать пробное использование. Затем замените допущения фактическими данными: сколько токенов было оплачено и сколько времени ушло на проверку ваших задач.

Когда стоит остаться на Muse Spark 1.2?

Сохраняйте проверенный рабочий процесс на Spark, если преимущество Wonder именно в этой задаче не доказано. У Muse Spark 1.2 уже есть контекст 1M, а на странице модели она позиционируется для программирования и работы с инструментами. Поэтому само по себе большое контекстное окно — ещё не повод переходить на другую модель.

Для опытного специалиста, который сортирует входящие обращения, извлекает поля из данных или собирает регулярную сводку, главный вопрос — соответствует ли результат критериям приёмки. Для самостоятельного разработчика, исправляющего локальную ошибку, — верны ли исправление и тесты. Если Spark уже проходит такую проверку, более высокая цена Wonder требует конкретного обоснования.

При выборе версии стоит учесть: для новых задач на Spark Meta теперь рекомендует Muse Spark 1.3, хотя 1.2 остаётся доступной. В документации по моделям также отмечена неполная поддержка аудио в 1.3; для работы со звуком предлагается 1.2. Решение остаться в семействе Spark и решение сохранить проверенную систему на версии 1.2 — разные вещи.

Кому пробовать Wonder, кому ждать, а кому оставить текущую модель?

Разработчикам стоит испытать Wonder, если задача регулярно застревает при работе с несколькими файлами, инструментами или после промежуточных сбоев. Зафиксируйте границы задачи и критерии приёмки, чтобы понять, помогает ли смена модели. Проверять Full в Muse Code стоит тогда, когда сложность задач программирования оправдывает подписку.

Специалистам по операционной работе стоит оставить недорогие задачи на Spark, а Wonder проверить на отдельном сложном случае с чёткими границами. Например, когда нужно сопоставить несколько документов и дать ответ с подтверждающими данными. Требуйте такие же доказательства, какие запросили бы у человека, выполняющего эту работу.

Тем, кто выбирает решения для компании, и техническим директорам стоит разделять выбор способа внедрения и сравнение качества моделей. Если продукту нужна интеграция через API, использовать в нём Full через API сейчас нельзя. Если вам нужна именно Wonder в приложении Muse, дождитесь подтверждённой доступности там: подписка Muse Code относится к другому продукту.

Active Memory и Active Focus: что обещает Meta?

Meta обещает вспоминать нужную информацию и продолжать работу над задачей, а не просто принимать более длинный промпт. Это различие существенно: забыть инструкцию и не выполнить её до конца — разные виды ошибок.

Active Memory, по описанию Meta, сохраняет полезный контекст между беседами и извлекает то, что нужно для текущей задачи. Active Focus, как её описывает Meta, помогает продолжать работу над сложными целями: пробовать альтернативы, преодолевать препятствия, запрашивать уточнения или проверки перед важными действиями. Это заявления Meta о поведении моделей, а не гарантии, независимо подтверждённые в этой статье.

В операционной работе полезно проверить память так: вспомнит ли агент ранее заданное ограничение по доставке при рассмотрении нового заказа? Проверка устойчивости работы другая: сможет ли он продолжить после неудачного поиска, не упустив это ограничение? Первый тест проверяет извлечение информации из памяти, второй — выполнение задачи до конца. Красиво написанный итоговый абзац не доказывает ни того ни другого.

При собственной интеграции заранее решите, где хранится прошлая информация и как она передаётся модели. Не стоит ожидать, что смена идентификатора модели в API автоматически создаст систему долговременной памяти. Например, в Muse Code описана память в Markdown с разными областями действия. Это показывает, что важна и реализация в самом продукте.

Как начать пользоваться Wonder: Muse Code или API

Для задачи в репозитории используйте Muse Code, а для собственного приложения — API. Первая проба должна ответить на конкретный вопрос и дать результат, который вы сможете проверить.

Начните с Muse Code

Muse Code — агент Meta для программирования в терминале. На macOS или Linux выполните команды из официального краткого руководства:

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

Запускайте его из репозитория, с которым собираетесь работать. При первом запуске войдите через браузер или укажите API-ключ. Откройте /models и выберите Wonder. Full выбирайте только в том случае, если она входит в вашу подписку.

Задайте цель с чёткими границами, например: «Разберись, почему падает тест пагинации, предложи минимальное исправление и покажи результат проверки соответствующим тестом». Прежде чем принять изменение, изучите diff и подтверждение того, что исправление работает. В нашем руководстве по Muse Code подробнее описаны установка, планирование и проверка результатов.

Отправьте запрос напрямую через API

В панели Meta Model API создайте ключ через API keys → Create API key и задайте его в оболочке как MODEL_API_KEY. Когда переменная установлена, можно выполнить этот пример: запрос Responses из документации Meta, адаптированный под идентификатор 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."
  }'

В ответ придёт план, а не изменение в репозитории: этот запрос не предоставляет модели ни репозиторий, ни инструменты. По данным Meta, Wonder и Spark принимают одинаковые запросы на одних и тех же эндпоинтах. Поэтому существующая интеграция со Spark — удобная отправная точка для проверки Wonder.

Завышенные ожидания: доступ к модели не гарантирует выполнения задачи

Самая серьёзная ошибка — заплатить за доступ, неверно понимая, что вы покупаете. Перед оплатой учитывайте следующие различия:

• Full — отдельная версия модели. Wonder с глубиной рассуждений max остаётся Wonder. Тарифы API $4/$20 не дают доступа к Full.
• Контекст 1M не гарантирует, что модель вспомнит нужное. Вместимость окна не доказывает, что модель нашла важный факт и учитывала его на протяжении всей задачи.
• Подписка не даёт безлимитного баланса для API. Использование Muse Code и отдельно созданных API-ключей тарифицируется раздельно.
• Модель доступна как облачный сервис. В приведённых анонсах и документации по доступу нет весов Wonder, которые можно скачать и запустить на собственной инфраструктуре.

Есть и важная настройка: в подписках Muse Code по умолчанию включён режим Contributor. Он разрешает Meta использовать переданный контент для обучения моделей в обмен на больший объём использования. Если это не подходит для вашей работы, отключите режим в настройках. Для режима Standard в API Wonder Meta заявляет, что контент не используется для обучения её моделей. Проверяйте условия именно того продукта и режима, с которыми работаете.

Если выбираете между моделями, прочитайте сравнение Muse Wonder и Claude Opus 5.5. Представление о предыдущем поколении Spark даст обзор Muse Spark 1.1, но для расчёта текущего бюджета используйте тарифы, приведённые выше.

Частые вопросы

С чего начать проверку на своих задачах?

Выберите 10 задач с чёткими границами из существующего рабочего процесса. Сохраните одинаковые входные данные и критерии приёмки, сравните текущую конфигурацию Spark с Wonder и запишите принятые результаты, общий оплаченный объём использования и время на проверку. Оставьте Spark те задачи, с которыми она уже справляется; переходите на Wonder там, где измеренное улучшение покрывает дополнительные расходы. Full оценивайте отдельно и только в том случае, если эту работу удобно выполнять в Muse Code.

За практическими руководствами по выбору моделей ИИ и расчёту расходов подписывайтесь на рассылку.