شگفتی تازه متا در دنیای هوش مصنوعی؛ رونمایی از دو مدل قدرتمند Muse Wonder با جهش خیره‌کننده در مهارت‌های ایجنتی

متا به‌تازگی از دو مدل هوش مصنوعی قدرتمند خود به نام‌های Muse Wonder و Muse Wonder Full رونمایی کرده است؛ مدل‌هایی که در حداکثر توان استدلال، به ترتیب امتیازهای چشمگیر ۵۲ و ۵۶ را در شاخص ارزیابی هوش (نسخه ۴.۳) به دست آورده‌اند. این یک جهش واقعی نسبت به مدل قبلی یعنی Muse Spark 1.3 با امتیاز ۴۸ محسوب می‌شود، آن هم در شرایطی که تنها ۶ هفته از عرضه نسخه قبلی می‌گذرد!

مدل Muse Wonder هم‌اکنون از طریق API اختصاصی متا و محیط Muse Code در دسترس قرار گرفته و نسخه قدرتمندتر یعنی Muse Wonder Full فعلاً به‌طور اختصاصی در اختیار کاربران سرویس Muse Code است. متا تأکید کرده که هر دو مدل منحصراً برای انجام وظایف ایجنتی، چه در کاربردهای شخصی و چه در سطح حرفه‌ای، مهندسی شده‌اند.

مهم‌ترین دستاوردها و نکات کلیدی مدل‌های جدید:

➤ جهش چشمگیر امتیاز کلی در شاخص ارزیابی هوش: مدل Muse Wonder Full در تمامی ۱۰ آزمون شاخص هوش نسبت به نسخه پیشین خود (Muse Spark 1.3) پیشرفت داشته و با کسب ۸ امتیاز بیش‌تر به امتیاز ۵۶ رسیده است. بیش‌ترین جهش عملکردی در آزمون‌های ایجنتی رقم خورده؛ جایی که در آزمون کار با ترمینال (Terminal-Bench 4.0) شاهد رشد فوق‌العاده ۲۴ امتیازی (از ۳۳٪ به ۵۷٪)، در آزمون GDPval شاهد ارتقای ۱۷۶ امتیازی الو (از ۱۶۸۱ به ۱۸۵۷) و در آزمون Briefcase شاهد افزایش ۱۴۸ امتیازی الو (از ۱۵۸۱ به ۱۷۲۹) هستیم. مدل استاندارد Muse Wonder نیز با ۴ امتیاز افزایش به امتیاز ۵۲ رسیده و بهبودهای چشمگیری در آزمون‌های ترمینال (از ۳۳٪ به ۵۲٪) و آزمون اتوماسیون (از ۵۸٪ به ۶۸٪) به نمایش گذاشته است.

➤ قرارگیری نسخه Full در جمع ۳ مدل برتر دنیا در اکثر بنچمارک‌ها: مدل Muse Wonder Full در ۶ ارزیابی از کل ۱۰ ارزیابی شاخص هوش موفق شده رتبه اول تا سوم جهان را از آن خود کند و به‌ویژه در فعالیت‌های دانش‌محور ایجنتی و استدلال علمی خوش درخشیده است. در حوزه فعالیت‌های ایجنتی، این مدل با برتری نزدیک در آزمون GDP.pdf (با ۳۳٪) در جایگاه نخست نشسته، در GDPval رتبه دوم را به دست آورده و در دو بنچمارک Briefcase و AutomationBench رتبه سوم را کسب کرده است. در بخش استدلال علمی نیز با ثبت ۳۳٪ در صدر آزمون CritPt قرار گرفته و در SciCode با ۶۳٪ حائز رتبه سوم شده است؛ دستاوردی که بر نقاط قوت نسخه قبلی استوار بوده و تخصص عمیق این مدل در استدلال پیچیده را نشان می‌دهد.

➤ کاهش مصرف توکن‌های خروجی: هر دو مدل در مقایسه با نسخه قبلی توکن خروجی کمتری مصرف می‌کنند. این مدل‌ها برای انجام هر تسک به‌طور میانگین حدود ۵۴ هزار توکن خروجی به کار می‌برند که افتی ۱۰ درصدی نسبت به مصرف ۶۰ هزار توکنی مدل اسپارک به حساب می‌آید. این حجم مصرف از مدل‌های هم‌رده‌ای مثل Gemini 4 Argon (با ۶۲ هزار توکن) و Claude Fable 5.1 (با ۷۸ هزار توکن) کم‌تر است، هرچند همچنان بالا‌تر از مدل‌های بسیار کم‌مصرفی همچون GPT-6.1 Sol (با ۳۸ هزار) و GPT-6 Astra (با ۲۷ هزار) قرار دارد. نکته قابل‌توجه اینکه نسخه قدرتمندتر Muse Wonder Full حدود ۱۶ درصد توکن ورودی کمتری هم نسبت به نسخه استاندارد مصرف می‌کند (۶.۴۴ میلیون در برابر ۷.۶۹ میلیون) که نشان می‌دهد هم باهوش‌تر است و هم از نظر مصرف توکن راندمان بالاتری دارد.

➤ هزینه بالا‌تر انجام هر تسک در نسخه Muse Wonder: با وجود تولید بهینه‌تر توکن‌های خروجی، تعرفه بالای استفاده از API (۴ دلار به‌ازای هر میلیون توکن ورودی و ۲۰ دلار به‌ازای هر میلیون توکن خروجی) و حجم بالای توکن‌های ورودی، هزینه انجام هر تسک برای Muse Wonder را به ۴.۵۲ دلار رسانده است. البته این رقم همچنان نسبت به غول‌هایی مانند Claude Fable 5.1 (با ۷.۶۳ دلار)، Claude Opus 5.5 (با ۵.۹۸ دلار) و Claude Sonnet 5.5 (با ۵.۴۶ دلار) به‌صرفه‌تر است، اما در مقایسه با رقبایی چون GPT-6 Astra (با ۳.۲۶ دلار)، Gemini 4 Argon (با ۱.۹۹ دلار)، GPT-6.1 Sol (با ۰.۷۲ دلار) و مدل قبلی اسپارک (با ۱.۶۰ دلار) گران‌تر تمام می‌شود. نسخه Muse Wonder Full نیز بر مبنای توکن قیمت‌گذاری نمی‌شود و هزینه‌ای بر حسب تسک برای آن درج نشده است.

➤ جهش چشمگیر در قامت ایجنت کدنویسی: هر دو مدل در آزمون‌های ارزیابی ایجنت‌های کدنویسی پیشرفت شگفت‌انگیزی ثبت کرده‌اند. مدل Muse Wonder Full در محیط اختصاصی Muse Code به امتیاز ۶۸ دست یافته و شانه به شانه ابزار Claude Code با مدل پرچمدار Sonnet 5.5 (با امتیاز ۶۸) و بالا‌تر از Opus 5.5 (با امتیاز ۶۶) ایستاده است. نسخه عادی Muse Wonder هم به امتیاز ۶۳ رسیده که هر دو رشد چشمگیری نسبت به نسخه قبلی با امتیاز ۵۴ نشان می‌دهند.

سایر مشخصات کلیدی این دو مدل:

➤ پنجره کانتکست (Context Window): پشتیبانی از ۱ میلیون توکن در هر دو مدل (بدون تغییر نسبت به نسل پیشین).

➤ تعرفه‌ها و قیمت‌گذاری: برای نسخه Muse Wonder، به‌ازای هر ۱ میلیون توکن ورودی ۴ دلار، ورودی‌های کَش‌شده ۰.۲۰ دلار و توکن‌های خروجی ۲۰ دلار قیمت تعیین شده است. نسخه Muse Wonder Full قیمت‌گذاری توکنی ندارد.

➤ فرمت‌های ورودی (چندوجهی): توانایی پردازش متن، تصویر، ویدیو و فایل‌های صوتی.

➤ فرمت خروجی: خروجی متنی.

➤ وضعیت دسترسی: مدل Muse Wonder هم‌اکنون از طریق API رسمی متا و ابزار Muse Code در دسترس قرار دارد؛ درحالی‌که نسخه Muse Wonder Full اختصاصاً به کاربران Muse Code محدود شده است.

حضور مدل Muse Wonder Full در بین سه مدل برتر در ۶ آزمون شاخص هوش:

➤ رتبه اول در آزمون‌های CritPt (با ۳۳٪) و GDP.pdf (با ۳۳٪)

➤ رتبه دوم در آزمون GDPval (با امتیاز ۱۸۵۷ الو)

➤ رتبه سوم در آزمون Briefcase (با امتیاز ۱۷۲۹ الو)، آزمون اتوماسیون (با ۷۱٪) و آزمون SciCode (با ۶۳٪)

برتری این مدل در آزمون‌های CritPt و GDP.pdf با اختلافی اندک و میلی‌متری به دست آمده و نزدیک‌ترین رقبا امتیازهای ۳۱ تا ۳۲ درصدی دارند. در بنچمارک GDPval نیز عملکرد این مدل در محدوده اطمینان مدل‌های شاخص آنتروپیک یعنی Claude Opus 5.5 (با ۱۸۶۶) و Claude Sonnet 5.5 (با ۱۸۳۸) قرار دارد.

بزرگ‌ترین جهش این مدل نسبت به نسل پیشین، در آزمون Terminal-Bench 4.0 با جهش از ۳۳٪ به ۵۷٪ ثبت شده که آن را دقیقاً هم‌سطح مدل Gemini 4 Argon گوگل قرار داده است.

هزینه ۴.۵۲ دلاری Muse Wonder در هر تسک؛ ۲.۸ برابر گران‌تر از نسل قبل به‌علت افزایش تعرفه‌ها و حجم بالای ورودی

➤ قیمت توکن‌ها: تعرفه ۴ دلاری برای هر ۱ میلیون توکن ورودی، ۰.۲۰ دلار برای کَش و ۲۰ دلار برای خروجی، افزایشی قابل‌توجه در مقایسه با تعرفه قبلی (۱.۲۵ / ۰.۱۵ / ۴.۲۵ دلار) است. این نرخ با تعرفه Claude Opus 5.5 برابری می‌کند، دو برابر مدل‌هایی نظیر Claude Sonnet 5.5، Gemini 4 Argon و GPT-6.1 Sol است و حدود ۶۰ درصد از مدل‌های فوق‌العاده گرانی مانند GPT-6 Astra و Claude Fable 5.1 ارزان‌تر است.

➤ حجم ورودی: مصرف ۷.۶۹ میلیون توکن ورودی در هر تسک، ۲۸ درصد بیش‌تر از مدل قبلی (با ۶.۰۳ میلیون) و بین ۲ تا ۷ برابر بیش‌تر از مدل‌هایی چون Gemini 4 Argon و خانواده GPT-6 است. هزینه توکن‌های ورودی ۳.۴۳ دلار (۷۶ درصد از کل هزینه تسک) است که بخش اعظم آن به فرآیند نوشتن و بازخوانی کَش مربوط می‌شود.

➤ حجم خروجی: حدود ۵۴ هزار توکن خروجی در هر تسک مصرف می‌شود (معادل ۱.۰۸ دلار) که ۱۰ درصد کم‌تر و بهینه‌تر از مصرف ۶۰ هزار توکنی نسخه پیشین است.

احاطه به دانش عمومی؛ پاشنه آشیل نسبی در کنار نرخ توهم فوق‌العاده پایین

در آزمون‌های ارزیابی اطلاعات عمومی، این دو مدل امتیازهای ۳۰ و ۲۵ را کسب کرده‌اند که نشان می‌دهد دانش عمومی همچنان نقطه ضعف نسبی آن‌هاست و در سطحی پایین‌تر از مدل‌هایی مثل Claude Opus 5.5 (با ۴۶)، GPT-6 Astra (با ۴۳) و Gemini 4 Argon (با ۴۲) قرار می‌گیرند. با این حال، متا توانسته این نقص را با مهار چشمگیر نرخ توهم به خوبی جبران کند.

مدل Muse Wonder Full توانسته نرخ توهم خود را از ۳۳٪ به ۲۳٪ کاهش دهد؛ رکوردی درخشان که آن را به یکی از قابل‌اعتمادترین مدل‌های هوش مصنوعی دنیا تبدیل می‌کند. در واقع این مدل پس از Gemini 4 Argon (با نرخ توهم ۱۵٪)، دومین مدل کم‌توهم در میان تمامی مدل‌های دارای امتیاز بالای ۴۵ در شاخص هوش است و نسخه Muse Wonder نیز با نرخ توهم ۲۷٪ در جایگاه سوم جای گرفته است.

نتایج کامل آزمون‌های شاخص هوش برای دو مدل جدید متا: