Meta lanza Muse Wonder, sus modelos de IA más potentes hasta la fecha
Índice
Meta ha lanzado Muse Wonder y Muse Wonder Full y los califica como sus modelos de IA más capaces hasta la fecha. Anunciado el 12 de octubre de 2026, el lanzamiento pone en manos de los desarrolladores los avances más recientes de la empresa en memoria, ejecución sostenida de tareas y programación.
Hay una distinción importante entre ambos. Muse Wonder está disponible mediante Meta Model API y Muse Code. Wonder Full, de mayor capacidad, está disponible mediante determinadas suscripciones de Muse Code. Por tanto, un equipo que construye una aplicación y un desarrollador que elige un asistente de programación se enfrentan a decisiones de acceso y coste diferentes.
Los resultados de las pruebas muestran una mejora sustancial respecto a Muse Spark 1.3 y algunos resultados sólidos frente a modelos competidores. También muestran por qué «mejor modelo» necesita una definición más precisa: el rendimiento cambia según la tarea, el nivel de razonamiento y el software utilizado para ejecutar el modelo.
¿Qué son Muse Wonder y Wonder Full?
Muse Wonder y Wonder Full son los nuevos modelos de Meta para razonamiento, programación y agentes que realizan tareas de varios pasos. Ambos aceptan texto, imágenes, vídeo y audio, producen texto y admiten una ventana de contexto de inferencia de un millón de tokens.
Wonder Full es una variante de modelo independiente. Aumentar el esfuerzo de razonamiento de Muse Wonder a max no lo convierte en Full. La documentación de modelos de Meta identifica Wonder como la opción para aplicaciones API y reserva Full para los planes Power Usage y Maximum Usage de Muse Code.
Los modelos también se diferencian de Meta Muse, el agente personal de IA de Meta que realiza tareas en servicios conectados. Meta afirma que Wonder llegará primero a los suscriptores de Muse.
Esa distinción importa al evaluar una demostración. Un resultado producido por Full en Muse Code no demuestra que el mismo flujo esté disponible mediante una llamada API a Wonder.
Funciones principales de Muse Wonder
El lanzamiento enfatiza la continuidad: conservar contexto útil, superar obstáculos y mantener en marcha un proyecto complejo.
Active Memory
Active Memory es el término de Meta para conservar contexto pertinente entre conversaciones y recuperarlo cuando sea necesario. Un asistente útil debe reconocer cuándo ha cambiado un requisito en lugar de basarse repetidamente en una instrucción anterior.
Para un flujo empresarial, eso podría significar conservar un mercado objetivo actualizado o una restricción del producto. Los equipos deberían seguir manteniendo los requisitos críticos en un brief explícito que pueda inspeccionar un revisor.
Active Focus
Active Focus describe la persistencia durante una tarea difícil: probar otro enfoque después de un bloqueo, comprobar el progreso y adaptarse a nueva información. Meta lo ilustra con tareas como planificar una carrera y organizar la distribución de asientos de una boda.
Para los desarrolladores, la pregunta útil es si esa persistencia produce un cambio terminado y probado. Más llamadas a herramientas o una sesión de trabajo más larga solo tienen valor cuando mejoran el resultado.
Ilustración conceptual de las dos funciones descritas por Meta, no una interfaz del producto.
Contexto multimodal
Una ventana de contexto amplia puede albergar mucho material de un proyecto, mientras que la entrada multimodal permite incluir pruebas visuales o de audio en una tarea. El texto sigue siendo la modalidad de salida documentada; admitir imágenes como entrada no convierte a Wonder en un modelo de generación de imágenes.
Una evaluación práctica podría combinar un brief de producto, una captura de página y una exportación de datos estructurados. La prueba debería comprobar si la respuesta utiliza correctamente cada fuente, en lugar de comprobar únicamente si cabe la entrada.
Resultados de programación y pruebas de referencia
Muse Wonder Full rinde bien en tareas prolongadas de software, pero las comparaciones publicadas no muestran una victoria absoluta en todas las pruebas de programación.
Resultados seleccionados de programación
La comparación de lanzamiento de Meta comunica los siguientes resultados. Son cifras de evaluación publicadas, no una prueba práctica de Nexscope.
| Prueba de referencia | Muse Wonder | Wonder Full | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|
| SWE-Marathon | 53.1% | 57.5% | 42.5% | 46.3% |
| DeepSWE v1.1 | 78.8% | 79.0% | 74.1% | 74.2% |
| ProgramBench | 50.0% | 59.0% | 52.5% | 70.5% |
| Terminal-Bench 4.0 | 52.0% | 57.1% | 59.1% | 59.6% |
Full supera a estos dos competidores en SWE-Marathon y DeepSWE. Opus lidera ProgramBench, mientras que tanto Opus como Astra obtienen más puntuación que Full en Terminal-Bench.
La ficha del modelo de Meta añade un matiz importante: SWE-Marathon utiliza resultados de distintos productos de agentes y no es una comparación controlada con el mismo software circundante. También identifica el ajuste de Full en SWE-Marathon como xhigh. La tabla aporta pruebas útiles para elegir qué probar, en lugar de demostrar que un modelo subyacente gana en todas las tareas de programación.
Cuadro oficial de resultados del lanzamiento de Meta, reproducido de la ficha del modelo Muse Wonder, página 3. Haz clic para ampliarlo. Los ajustes y las fuentes de evaluación varían según la prueba; se aplica la salvedad de SWE-Marathon indicada anteriormente.
Puntuaciones de inteligencia independientes
Artificial Analysis comunica puntuaciones del Intelligence Index v4.3 de 52 para Muse Wonder y 56 para Wonder Full, ambos con esfuerzo de razonamiento máximo. Muse Spark 1.3 obtiene 48 con el mismo ajuste declarado.
Full mejora a Spark 1.3 en las diez evaluaciones de ese índice. Sus resultados sólidos incluyen razonamiento científico y trabajo con documentos profesionales. Sin embargo, Artificial Analysis señala que algunas puntuaciones líderes están próximas a las de competidores, con intervalos de confianza superpuestos en su evaluación de trabajo profesional.
Para un equipo de ingeniería de comercio electrónico, una prueba de seguimiento útil sería un cambio real de conector: modificar el tratamiento de solicitudes, conservar el comportamiento existente, pasar las pruebas de regresión y producir una revisión comprensible. Registra conjuntamente la calidad de finalización, el coste total y el tiempo del revisor.
Precios y disponibilidad
Muse Wonder utiliza facturación por tokens mediante la API. Wonder Full utiliza acceso por suscripción mediante Muse Code. Los precios siguientes están en USD y se comprobaron el 13 de octubre de 2026.
Precios de la API de Muse Wonder
| Tipo de uso | Precio por millón de tokens |
|---|---|
| Entrada | $4.00 |
| Entrada en caché | $0.20 |
| Salida | $20.00 |
El ID del modelo es muse-wonder-1.0. Meta indica que no hay recargo por contexto largo. La fundamentación con búsqueda web supone $2.50 adicionales por cada 1,000 consultas de búsqueda.
Por ejemplo, un millón de tokens de entrada sin caché más 100,000 tokens de salida cuestan $6 en cargos por tokens: $4 por entrada y $2 por salida. Ese cálculo excluye la búsqueda y otros servicios facturados por separado. Los intentos repetidos aumentan el total, por lo que una estimación por solicitud debe contrastarse con el coste de una tarea completada.
Planes de suscripción a Wonder Full
| Plan de Muse Code | Precio mensual | Uso declarado respecto a Everyday |
|---|---|---|
| Power Usage | $50 | 20× |
| Maximum Usage | $200 | 80× |
Ambos planes incluyen Wonder Full. Son suscripciones con límites de uso, no paquetes API ilimitados. La documentación de suscripciones de Meta indica que las claves API adicionales se facturan por separado mediante pago por uso. Las ventajas y la disponibilidad pueden variar según la región.
Las suscripciones de Muse Code utilizan por defecto el modo Contributor, que permite a Meta usar el contenido enviado para entrenar modelos a cambio de más uso. Los usuarios pueden desactivarlo; el contenido futuro recibe entonces el tratamiento correspondiente al modo Standard. Esta distinción merece atención antes de que un equipo proporcione código propietario o documentos empresariales internos.
Las tarifas API por tokens y los precios de las suscripciones a Muse Code usan unidades de facturación distintas; no son una comparación del coste por tarea.
Qué supone para los equipos de comercio electrónico
La oportunidad más pertinente es probar si una mayor continuidad en las tareas reduce el trabajo necesario para convertir pruebas dispersas en una decisión que pueda revisarse. Los ejemplos siguientes son aplicaciones propuestas, no integraciones de Muse Wonder demostradas ni resultados empresariales medidos.
Informes de investigación de productos
Un agente de investigación podría llevar una lista de productos candidatos a través de varias rondas de investigación conservando las exclusiones del equipo y el mercado objetivo. Antes de que extraiga conclusiones, proporciona pruebas reales de las fichas. Por ejemplo, recupera detalles de productos de Amazon por ASIN para comparar atributos de producto, precios y valoraciones compatibles.
Pide al agente que separe los hechos observados de los supuestos e identifique la información que falta. Una explicación plausible de por qué se vende un producto sigue siendo una hipótesis sin pruebas que la respalden.
Comprobaciones de demanda y estacionalidad
Una investigación de tendencias necesita un mercado y un intervalo temporal definidos. Compara el interés de búsqueda entre palabras clave y pide después al agente que explique los picos recurrentes y las diferencias entre términos. El interés relativo de búsqueda no debe presentarse como ventas en unidades ni como volumen absoluto de búsqueda.
Mantener coherente el brief de investigación entre preguntas de seguimiento podría facilitar la revisión de este trabajo. La actualidad de los datos y la elección de los términos de comparación siguen siendo responsabilidades separadas.
Desarrollo de herramientas internas
Los resultados de programación de Wonder Full lo convierten en un candidato para evaluar herramientas internas de informes y conectores API. Empieza con un cambio acotado, como añadir un campo a un informe de investigación. Define la salida esperada y las pruebas antes de que empiece el agente y después mide si completa el cambio sin romper el comportamiento existente.
Conclusión
Muse Wonder ofrece a los desarrolladores otro modelo que evaluar para aplicaciones que requieren razonamiento y uso de herramientas. Wonder Full ofrece una opción de mayor capacidad dentro de Muse Code. Los resultados del lanzamiento justifican probar ambos en sus entornos disponibles, prestando especial atención al trabajo completado, al coste y al esfuerzo de revisión.
Crea flujos de investigación con Nexscope
El análisis útil del comercio electrónico también depende de la información que se proporcione al modelo. Nexscope es una plataforma de datos de comercio electrónico que proporciona información estructurada de productos, mercados, palabras clave y competidores mediante REST API e integraciones MCP compatibles.
Puedes pedir a tu Meta Muse que se conecte a Nexscope mediante MCP utilizando un conector personalizado. Proporciona a Muse los datos de conexión de Nexscope, completa la autenticación cuando se solicite y pídele que enumere las herramientas disponibles y ejecute una pequeña consulta de producto. Una vez conectado, puedes solicitar comparaciones de productos e investigaciones de demanda directamente en Muse, con Nexscope proporcionando los datos de comercio electrónico subyacentes.
Las dos API anteriores apoyan pasos complementarios: comprobar productos candidatos y examinar patrones de interés de búsqueda. Muse se encarga de la tarea y Nexscope proporciona los datos que puede consultar. Completa y prueba la configuración del conector en tu cuenta antes de confiar en sus resultados.
Las API de datos de Nexscope utilizan Data Credits de pago por uso sin suscripción a Data API. Los nuevos usuarios reciben 1,000 créditos de prueba válidos durante tres días, sin necesidad de tarjeta de crédito. Los cargos del proveedor del modelo son independientes.
Proporciona mejores datos a tu agente de comercio electrónico
Conecta datos de productos y señales de demanda a tu propio flujo de investigación mediante las API de datos documentadas de Nexscope.
Explorar las API de Nexscope →Preguntas frecuentes
¿Es Muse Wonder el modelo más potente de Meta?
Meta describe la familia Wonder como su lanzamiento más capaz hasta la fecha, con Wonder Full como variante de mayor capacidad. Esa afirmación se refiere a la gama de Meta; los resultados publicados varían según las pruebas frente a otros proveedores.
¿Puedo usar Wonder Full mediante una API?
En el lanzamiento, Full está disponible mediante las suscripciones Power Usage y Maximum Usage de Muse Code. Meta Model API independiente ofrece Muse Wonder. Seleccionar el esfuerzo máximo de razonamiento en Wonder no selecciona Full.
¿Cuánto cuesta Muse Wonder?
Las tarifas API estándar son $4 por millón de tokens de entrada, $0.20 por millón de tokens de entrada en caché y $20 por millón de tokens de salida. La fundamentación con búsqueda se factura por separado. Full está incluido en los planes mensuales de Muse Code de $50 y $200.
¿Puede Muse Wonder generar imágenes o vídeos?
La ficha del modelo enumera texto, imagen, vídeo y audio como entradas y texto como salida. Comprender una imagen o un vídeo cargados es diferente de generar uno.
¿Ofrece Nexscope acceso a Muse Wonder?
Nexscope proporciona datos de comercio electrónico; el acceso al modelo Muse Wonder procede de Meta. Para utilizar datos de Nexscope dentro de Meta Muse, pide a Muse que cree un conector personalizado con los datos de conexión MCP de Nexscope, termina la autenticación y prueba una consulta. Esto conecta herramientas de datos a Muse en lugar de proporcionar una suscripción al modelo Muse Wonder.
Fuentes
- Meta. (2026). Muse Wonder: un modelo de vanguardia para agentes de IA personales y profesionales; ficha del modelo Muse Wonder. Recuperado de research.meta.ai
- Meta. (2026). Muse Wonder; pon tus ideas a trabajar con Muse Wonder y Muse Wonder Full; modelos. Recuperado de dev.meta.ai
- Meta. (2026). Precios y límites de solicitudes. Recuperado de dev.meta.ai
- Meta. (2026). Muse Code; suscripciones. Recuperado de dev.meta.ai
- Meta. (2026). Cómo trabaja Muse con los conectores. Recuperado de meta.com
- Artificial Analysis. (2026). Muse Wonder y Muse Wonder Full: un salto sustancial en inteligencia frente a los anteriores modelos de Meta. Recuperado de artificialanalysis.ai