مدل جدید هوش مصنوعی Muse Wonder متا فاصله خود را با Anthropic و OpenAI کم می‌کند

مدل جدید هوش مصنوعی Muse Wonder شرکت متا در شاخص Coding Agents Index از سوی Artificial Analysis، در حالت بیشترین میزان تلاش، به امتیاز ۶۸ دست یافته است؛ امتیازی که در کنار Claude Code با مدل Sonnet 5.5 (حداکثر تلاش، ۶۸) و Opus 5.5 (حداکثر تلاش، ۶۶) قرار می‌گیرد. مدل Muse Wonder در حالت عادی نیز امتیاز ۶۳ را کسب کرده است.

متا مدل‌های Muse Wonder و Muse Wonder Full را عرضه کرده است؛ مدل‌هایی که نسبت به مدل قبلی Muse Spark در آزمون‌های برنامه‌نویسی نتایج بهتری به دست آورده‌اند. ارزیاب مستقل Artificial Analysis نشان داده است که این مدل‌ها در اصلاح پروژه‌های نرم‌افزاری و انجام وظایف ترمینالی که از فرمان‌های متنی برای کنترل نرم‌افزار استفاده می‌کنند، پیشرفت داشته‌اند. هر دو مدل از دستیار برنامه‌نویسی Muse Code متا پشتیبانی می‌کنند، هرچند نسخه قابل‌دسترس‌تر Wonder برای انجام وظایف آزمایش‌شده زمان بیشتری نیاز داشته است.

مدل Wonder که در ۱۲ اکتبر منتشر شد، از طریق پیش‌نمایش Meta Model API در دسترس است؛ این رابط به توسعه‌دهندگان اجازه می‌دهد مدل را در برنامه‌های خود استفاده کنند. این مدل همچنین در دستیار آماده برنامه‌نویسی Muse Code ارائه شده است. Muse Wonder Full مدلی جداگانه با توانایی بالاتر است که تنها برای کاربران اشتراک‌های Power Usage و Maximum Usage در Muse Code در دسترس قرار دارد.

Muse Code می‌تواند یک کار را برنامه‌ریزی کند، فایل‌ها را ویرایش کند و فرمان‌ها را از ترمینال توسعه‌دهنده یا جریان‌های کاری خودکار نرم‌افزاری اجرا کند. Artificial Analysis در آزمایش‌های خود، سیستم‌های کامل برنامه‌نویسی را ارزیابی کرده و هر مدل را همراه با نرم‌افزارهایی قرار داده است که امکان تعامل آن با یک پروژه را فراهم می‌کنند.

بهبود عملکرد برنامه‌نویسی در وظایف مختلف نرم‌افزاری

با تنظیم میزان تلاش استدلالی روی بیشترین سطح، Muse Code مجهز به Wonder در شاخص Coding Agent Index شرکت Artificial Analysis امتیاز ۶۳ کسب کرد؛ در حالی که Muse Spark 1.3 امتیاز ۵۴ گرفته بود. Wonder Full به امتیاز ۶۸ رسید و با Claude Code مبتنی بر مدل Sonnet 5.5 شرکت Anthropic در بیشترین سطح تلاش برابر شد. Claude Code با مدل Opus 5.5 نیز در همین مجموعه آزمایش امتیاز ۶۶ کسب کرد.

شاخص برنامه‌نویسی سه نوع کار را با وزن برابر بررسی می‌کند: اعمال تغییرات در مخازن نرم‌افزاری، تکمیل وظایف ترمینالی و پاسخ‌گویی به پرسش‌های مربوط به مخزن در SWE-Atlas-QnA. هر بخش، میانگین موفقیت در انجام هر وظیفه را بر اساس سه اجرای آزمایشی محاسبه می‌کند. این شاخص نتیجه کلی این آزمایش‌ها را خلاصه می‌کند و درصدهای هر بخش نشان می‌دهند عملکرد در کدام حوزه‌ها تغییر کرده است.

بزرگ‌ترین پیشرفت نسخه معمولی Wonder در Terminal-Bench 4.0 دیده شد؛ جایی که نرخ موفقیت Muse Code از ۳۲ درصد با Spark به ۴۷ درصد افزایش یافت. بهبود در بخش اجرای تغییرات در مخازن نرم‌افزاری که با DeepSWE v1.1 آزمایش شد، کمتر بود. نسخه Full بیشتر به لطف عملکرد بهتر در وظایف ترمینالی فاصله خود را افزایش داد.

مدل در Muse Code	شاخص Coding Agent	DeepSWE v1.1	Terminal-Bench 4.0	SWE-Atlas-QnA
Muse Spark 1.3	۵۴	۷۲٪	۳۲٪	۵۹٪
Muse Wonder	۶۳	۷۶٪	۴۷٪	۶۷٪
Muse Wonder Full	۶۸	۷۷٪	۵۹٪	۶۸٪

هر سه مدل با بیشترین میزان تلاش استدلالی آزمایش شدند. مقادیر هر بخش، درصد موفقیت در انجام وظایف هستند که از میانگین سه اجرای هر وظیفه به دست آمده‌اند.

متا مدل‌های Muse Wonder و Muse Wonder Full را عرضه کرده است که در شاخص Artificial Analysis Intelligence Index v4.3 در حالت بیشترین تلاش استدلالی به ترتیب امتیازهای ۵۲ و ۵۶ کسب کرده‌اند؛ هر دو مدل نسبت به Muse Spark 1.3 با امتیاز ۴۸ پیشرفت قابل‌توجهی داشته‌اند، آن هم تنها شش هفته پس از عرضه مدل قبلی.

Muse Wonder برای کاربران در دسترس است… pic.twitter.com/85mvsVA0ii

— Artificial Analysis (@ArtificialAnlys) ۱۲ اکتبر ۲۰۲۶

مدل‌های Muse متا در چه زمینه‌هایی توانمند هستند

خانواده جدید این مدل‌ها نقش برنامه‌نویسی Muse Spark را که در آوریل معرفی شد گسترش می‌دهد. آن مدل می‌توانست با دریافت دستورهای متنی، وب‌سایت‌ها و بازی‌های کوچک تولید کند. متا Wonder را برای کارهای پیچیده‌تر در چندین فایل و عامل‌هایی طراحی کرده است که می‌توانند ساعت‌ها روی یک وظیفه ادامه کار دهند.

متا دو قابلیت را برای پشتیبانی از این ماندگاری معرفی کرده است. Active Memory اطلاعات مهم را میان مکالمه‌ها حفظ می‌کند و هنگام نیاز آن‌ها را بازیابی می‌کند. Active Focus نیز باعث می‌شود مدل برای رسیدن به هدف تلاش خود را ادامه دهد، هنگام برخورد با مانع رویکرد دیگری را امتحان کند و در صورت مبهم بودن دستورها، درخواست توضیح بیشتری داشته باشد.

عاملی که اطلاعات قبلی یا هدف اصلی خود را از دست بدهد، ممکن است در ادامه کار با خطاهایی روبه‌رو شود که به مرور بیشتر می‌شوند.

آزمایش داخلی MemoryBench متا، توانایی یادآوری اطلاعات در مکالمه‌هایی شامل ۶۴ هزار تا ۱۰۰ هزار توکن را بررسی می‌کند. این آزمایش شامل اطلاعات حواس‌پرت‌کننده، تناقض‌ها و داده‌های به‌روزشده است و یک مدل زبانی دیگر پاسخ‌ها را ارزیابی می‌کند. کارت مدل متا توصیه می‌کند پیش از انجام اقدامات غیرقابل بازگشت، تأیید انسانی دریافت شود.

پیشرفت رقابتی در همه وظایف یکسان نیست

در بیشترین سطح تلاش استدلالی، Intelligence Index شرکت Artificial Analysis امتیاز Wonder را ۵۲ و Wonder Full را ۵۶ اعلام کرد، در حالی که Spark 1.3 امتیاز ۴۸ داشت. این شاخص ترکیبی با مقیاس صفر تا ۱۰۰، وظایف عاملی، برنامه‌نویسی، توانایی‌های عمومی و استدلال علمی را پوشش می‌دهد.

ارزیاب مستقل دیگری به نام Vals AI نیز افزایش چشمگیری را در توانایی ریاضی گزارش کرد. Wonder Full در بیشترین سطح تلاش توانست ۹۴ مسئله از ۱۰۰ مسئله آزمون خصوصی اثبات ریاضی ProofBench را حل کند؛ در حالی که Spark 1.3 به امتیاز ۵۸ رسیده بود.

در سه آزمون مالی و حقوقی Vals، امتیازهای Wonder Full نسبت به مدل قبلی تا دو امتیاز کاهش یافت، هرچند همچنان در میان پنج مدل برتر باقی ماند. این پیشرفت در اثبات‌های ریاضی همراه با نتایج تقریباً بدون تغییر در وظایف حرفه‌ای به دست آمد.

متا اکنون از همه مدل‌های OpenAI در شاخص Vals پیشی گرفته است.

Muse Wonder Full (Max) با قرار گرفتن در رتبه پنجم شاخص Vals، نسبت به مدل قبلی ۶.۴ امتیاز افزایش داشته است. pic.twitter.com/7YdW1N8Wwr

— Vals AI (@ValsAI) ۱۲ اکتبر ۲۰۲۶

امتیازهای بالاتر به زمان و هزینه بیشتری نیاز دارند

در مجموعه آزمون‌های برنامه‌نویسی، Wonder به طور میانگین برای هر وظیفه ۸.۰۵ دلار هزینه API داشت؛ در حالی که هزینه Spark برابر ۳.۹۸ دلار بود. زمان اجرای فعال آن نیز از ۱۸.۴ دقیقه به ۲۲.۴ دقیقه برای هر وظیفه افزایش یافت. Wonder Full به طور میانگین ۲۸.۸ دقیقه زمان نیاز داشت و هزینه API مشابه آن اعلام نشده است. معیار زمان Artificial Analysis هزینه راه‌اندازی و ارزیابی را در نظر نمی‌گیرد.

نرخ‌های اعلام‌شده توضیح می‌دهند چرا استفاده از مدل قدرتمندتر می‌تواند هزینه بیشتری داشته باشد، حتی اگر متن کمتری تولید کند. قیمت‌های استاندارد API مدل Wonder شامل ۴ دلار برای هر میلیون توکن ورودی، ۰.۲۰ دلار برای ورودی ذخیره‌شده و ۲۰ دلار برای خروجی است. نرخ‌های متناظر Spark برابر ۱.۲۵، ۰.۱۵ و ۴.۲۵ دلار هستند. ورودی ذخیره‌شده به متنی گفته می‌شود که قبلاً ارائه شده و سرویس دوباره از آن استفاده می‌کند. هزینه واقعی به ترکیب ورودی، ورودی بازیابی‌شده و خروجی تولیدشده در هر کار بستگی دارد.

Artificial Analysis در وظیفه جداگانه Intelligence Index، برای هر نسخه Wonder حدود ۵۴ هزار توکن خروجی به ازای هر وظیفه اندازه‌گیری کرد؛ در حالی که این رقم برای Spark برابر ۶۰ هزار توکن بود. با این حال، هزینه Wonder معمولی در همان مجموعه ۴.۵۲ دلار به ازای هر وظیفه بود، در حالی که Spark ۱.۶۰ دلار هزینه داشت. بنابراین کاهش تعداد توکن‌های خروجی لزوماً به معنای کاهش هزینه اندازه‌گیری‌شده نبود.

دسترسی پولی به این مدل‌ها شامل یک انتخاب درباره داده‌ها نیز می‌شود. اشتراک‌های Muse Code به طور پیش‌فرض در حالت Contributor قرار دارند؛ حالتی که در ازای اجازه استفاده از محتوای ارسالی برای آموزش، سهمیه استفاده بیشتری ارائه می‌کند. کاربران می‌توانند این گزینه را غیرفعال کنند، اما در این صورت سهمیه آن‌ها کاهش می‌یابد. Wonder در دسترسی API نسخه تخفیف‌دار Contributor ندارد و کلیدهای API جداگانه بر اساس مصرف محاسبه می‌شوند. مزایای اشتراک و دسترسی به خدمات بسته به منطقه متفاوت است.

ادغام Wonder با اپلیکیشن گسترده‌تر Muse هنوز در آینده انجام خواهد شد و مشترکان ابتدا به آن دسترسی خواهند داشت.