先看证据
插件更新把新模型带进旧工作流
Simon Willison 于 2026 年 10 月 12 日发布 llm-meta-ai 0.2。这是为 LLM 命令行工具接入 Meta AI 模型的插件更新，支持 Muse Wonder，并新增 `max` 推理强度选项。它不是 Meta 发布模型权重或训练代码，也没有宣称提供新的推理算法。
这一区分决定了技术负责人该如何读这次发布。模型能力来自 Meta 的 Muse Wonder，插件的工作是把它接到开发者已经使用的调用入口，让试用新模型不必先更换整套工具。降低接入成本是实在的工程变化，但它本身并不说明模型能力提高了多少。
六档推理强度把质量与预算放在一起
Willison 展示了 `minimal`、`low`、`medium`、`high`、`xhigh` 和 `max` 六档推理强度，0.2 的发布说明特别提到新增最高档。这里的变化不是六个不同模型，而是调用者可以为请求选择不同的推理强度。插件需要 Meta AI API 密钥来调用服务，不是在本地运行模型。
推理档位也不是不计成本的质量旋钮。材料说明，推理 token 会计入输出 token 预算，因此更高档位需要与输出质量、任务完成情况和消耗一起观察。团队若比较不同档位，却不记录所用设置和 token，就很难区分收益究竟来自模型本身，还是来自投入了更多推理预算。
鹈鹕图让迭代可见，却只证明了局部
这次更新最容易看懂的证据不是排行榜，而是鹈鹕图。Willison 用六档推理强度生成 Muse Wonder 的图像，并拿它与 Muse 1.3、Muse 1.2 的结果对照。Muse 1.2 于 8 月 5 日发布，Muse 1.3 于 9 月 2 日发布，Wonder 则于 10 月 12 日发布。作者据此认为绘图表现随版本有明显进步，并把 Meta 的发布节奏概括为大约每月推出一个新模型。
这种小型对照的价值在于把变化变得可见，也提醒读者模型迭代并非只有发布说明中的形容词。但它检验的是一个具体绘图任务，不能推出长程编程、工具使用或多步骤执行也有同等幅度的改善。若把图像结果当成通用能力的代理指标，就会把局部证据扩大成未经验证的结论。
模型主张指向持续执行，证据仍需拆开看
Meta 对 Muse Wonder 的介绍把重点放在智能体任务。它称 Active Memory 能在不同对话间保留并取回相关信息，Active Focus 则会在遇到困难时尝试其他路径，并在需要时询问澄清，或对重要操作先请求确认。这些能力描述的是模型如何应对持续任务，与插件是否能从命令行调用模型是两件事。
模型卡列出的测试也比鹈鹕图更接近这类目标。DeepSWE v1.1 包含 113 项任务，涉及 91 个代码库和 5 种语言，Agents’ Last Exam 使用 105 项 Linux 任务。与此同时，模型卡提醒评测来源和配置可能不同，测试集也不能覆盖所有现实环境。数字说明 Meta 在测哪些问题，不等于模型已经能在任意团队的仓库里稳定完成工作。
接入路径和规格都不能代替团队验证
Muse Wonder 与 Muse Wonder Full 的开放方式也不同。Meta 的材料称 Wonder 可通过 Meta Model API 和 Muse Code 使用，而 Full 版当时面向 Muse Code 订阅用户。对团队而言，这意味着选型不只关乎模型分数，也要先确认目标模型能否从实际使用的入口调用，以及相应的访问条件是否适合现有流程。
模型卡列出的 1 million token 上下文长度是规格，不代表模型能对任意长度的输入同样准确地利用信息。Artificial Analysis 将 Muse Wonder 的 `max` 档评分描述为与 GPT-6.1 Sol 相当，这可以作为一个比较线索，却不能证明所有任务都同级。现有材料没有给出可复现的完整训练配方，也没有证明长上下文或智能体行为在所有工作环境中可靠。
因此，0.2 更适合被当作低摩擦的试用入口，而不是选型结论。技术团队可以沿用已有命令行流程，用同一批代码和多步任务比较不同推理档位，同时记录完成情况与 token 消耗，再把结论限制在测试过的工具和场景内。鹈鹕图适合快速观察输出变化，真正决定是否部署的证据仍应来自团队自己的任务。