先看证据
把机制串起来
长上下文窗口表示模型一次最多能接收多少 token，不等于它能稳定、准确地利用窗口里的每条信息；任务越长，检索遗漏和错误累积仍可能越严重。智能体也不只是“会聊天的模型”：它还要规划步骤、调用工具、检查结果，并在出错时决定重试还是换路。
按 Meta 的描述，Active Memory 会跨对话保留用户相关信息，并在任务中取回所需细节；它不是把所有历史无差别塞进当前提示词，但公开材料没有说明其存储、检索、更新或遗忘算法。Active Focus 面向卡住的任务：尝试替代路径、持续推进，并在重要操作前确认；这降低了“一次失败就停”或贸然执行的风险，但不能保证判断正确。面对复杂工作，模型还会规划任务、委派子代理、并行调用工具，并从错误中恢复，代价是更多调用、时间与验证负担。1M token 上下文和文本、图像、视
['适合长流程编码、资料汇总及需跨对话记忆的任务', '重要写入、付款或系统操作应保留人工确认', '用真实仓库任务验收，别只看 SWE 类基准分数', '材料称仅云端可用；敏感数据先审查权限与合规']
发布的不只是一款模型，而是两种交付方式
Meta推出Muse Wonder和Muse Wonder Full，定位是面向个人与专业智能体的模型，覆盖编程、法律与金融任务，以及浏览器、桌面和移动应用操作。两款产品都标示为百万 token 上下文，输入支持文本、图像、视频和音频，输出为文本；模型只在Meta云端运行，可经Meta Model API或Muse Code使用。
差异首先体现在入口，而不是一个简单的高低档开关。Muse Wonder可通过API和Muse Code调用，Wonder Full则限于Muse Code付费计划；文档还明确，调用Wonder时把推理强度设为max，不会因此变成Full。对工程负责人来说，评估对象不只是模型能力，也包括团队能否接受云端运行、订阅访问和两条不同的集成路径。
记忆与专注是产品承诺，不是已公开的内部结构
Meta把两种行为放在这次发布的中心。Active Memory被描述为跨对话保留用户背景，并在任务需要时找回相关信息；Active Focus则意味着遇到困难会尝试其他路径、继续推进，并在重要操作前确认或向用户询问。模型卡给出的上下文长度是1,048,576 token，这为一次处理大量材料提供了容量基础，但不能单独解释跨会话记忆如何保存和检索。
Meta还称，模型能拆解长任务、委派子代理、并行调用工具，并从错误中恢复。这里有一个容易被产品语言遮住的区别：这些是对可观察行为的描述，公开材料没有披露记忆系统或代理编排的具体实现，也没有证明每种任务都能稳定完成。对开发团队而言，“能持续尝试”与“能在正确边界内完成”是两项不同的验收指标。
榜单呈现的是能力轮廓，不是全面胜出
Meta公布的结果更适合读成一张能力分布图。Muse Wonder Full在DeepSWE 1.1得79.0，略高于Muse Wonder的78.8；在SWE-Marathon上，Full为57.5，Wonder为53.1。不过Full的SWE-Marathon成绩使用xhigh推理强度，而对手的结果来自Codex或Claude Code等不同工具链，不能当作同一测试环境下的直接对决。
短板同样清楚：ProgramBench上，Muse Wonder得50.0，Full得59.0，低于表中Claude Opus 5.5的70.5。MemoryBench则是Wonder 85.6、Full 85.5，但这是Meta的内部评测。因而，较稳妥的结论不是“Full更强”或“模型擅长编程”，而是不同任务和评测条件下表现不一；尤其要区分第三方基准、内部基准与不同工具配置下的结果。
成本和入口会决定它适合放在哪一层
Muse Wonder的API价格按每百万 token 计，输入为4美元、缓存输入为0.20美元、输出为20美元。Wonder Full没有公开的按 token 价格，而是包含在Muse Code Power和Maximum计划中，页面分别列出每月50美元和200美元。长任务不仅可能累积大量输入，也可能产生较多输出；因此只比较输入单价，无法代表一次代理任务的实际成本。
API路径提供了更直接的程序化接入，文档列出的模型名是muse-wonder-1.0，并称兼容OpenAI SDK。Muse Code则把模型置于订阅产品里，Full的使用资格也与计划绑定。若工作流需要稳定调用、可追踪的成本和自行控制工具链，团队应先评估API；若重点是开发者在编码环境中使用Full，订阅路径可能更贴近需求，但仍需核对使用额度和任务成本，不能仅凭月费推算产能。
把百万上下文当容量，而不是可靠性的保证
Muse Wonder最值得验证的，是它能否把上下文、记忆和工具操作连成可控的任务闭环，而不是单看某项排行榜或“持续工作”的演示。实际试点应选取团队熟悉、结果可核对的任务，分别记录任务成功率、人工接管次数、关键操作前的确认行为，以及输入和输出成本。对法律、金融或生产代码等高影响场景，还要验证权限隔离和错误恢复，而不是把模型声称会确认重要操作当作治理机制。
百万 token 窗口意味着模型可以接收很长的材料，不意味着它会始终抓住正确细节，也不等于跨会话记忆天然准确。再加上模型只在Meta云端运行，数据处理、工具权限和供应商依赖都应纳入部署判断。若团队无法明确哪些操作必须人工批准、如何复核结果、以及失败时如何停止任务，就不应因为上下文更长或代理更主动而扩大授权。