Meta lanza Muse Wonder: 56 puntos y el top fuera de la API

Meta vuelve a la frontera con dos modelos propietarios, pero solo uno es accesible

El 12 de octubre de 2026, Meta presentó Muse Wonder y Muse Wonder Full, dos modelos propietarios con los que dice superar a OpenAI y Anthropic en ingeniería de software compleja, trabajo legal, automatización de negocio y tareas de agentes de larga duración. El detalle que más debería importar a un equipo que construye producto: el modelo con mejor nota no es el que puedes contratar por API.

Muse Wonder Full solo se puede usar a través de Muse Code, el asistente de programación de Meta, con dos niveles de suscripción: US$50 al mes (Power Usage, con acceso al modelo y 20 veces el uso del plan Everyday) y US$200 al mes (Maximum Usage, 80 veces ese uso). La versión estándar, Muse Wonder, sí está disponible en la Meta Model API bajo el identificador muse-wonder-1.0.

Ninguno de los dos se publica con pesos descargables. Es un giro de fondo para Meta, cuyos modelos Llama ayudaron a popularizar la IA que las organizaciones podían ejecutar en su propia infraestructura. Meta sí liberó bajo licencia Apache 2.0 su modelo pequeño Muse Glimmer, pero la familia Wonder queda como servicio alojado.

¿Qué dicen los benchmarks independientes?

La organización de evaluación Artificial Analysis ya midió ambos modelos: 56 puntos en su Intelligence Index para Wonder Full y 52 para Wonder. La compañía también los compara con los principales modelos de OpenAI, Anthropic y Google en su anuncio de lanzamiento.

Con 56, Wonder Full empata con Claude Sonnet 5.5 y queda por encima de GPT-6 Astra, Gemini 4 Argon y Claude Fable 5.1, los tres con 53. Solo Claude Opus 5.5, con 58, lo supera en el agregado. Wonder, con 52, queda a un punto de GPT-6 Astra. La propia Artificial Analysis mide el esfuerzo de razonamiento al máximo en todas estas corridas.

Los resultados por tarea cuentan una historia más matizada:

• En SWE-Marathon, de código de larga duración, Wonder Full logra 57,5 frente a 46,3 de Opus 5.5 y 42,5 de GPT-6 Astra.
• En Harvey LAB-AA, de tareas legales, anota 13,1 contra 8,6 de GPT-6 Astra y 4,2 de Opus 5.5. Los valores absolutos bajos muestran lo lejos que sigue la IA de entregar documentos legales listos para usar.
• En Terminal-Bench 4.0-AA y en HealthBench Pro Meta pierde: Opus 5.5 marca 59,6 y 65,6, por encima de Wonder Full, y GPT-6 Astra también supera al modelo de Meta en ambos.

The Decoder aporta dos datos de contexto que matizan el salto. El primero: el predecesor Muse Spark 1.3 se quedaba en 48 puntos en el mismo índice, es decir ocho puntos menos que Wonder Full. El segundo: en conocimiento factual la familia Wonder sigue débil, con 30 puntos en AA-Omniscience para Wonder Full frente a 46 de Opus 5.5 y 43 de GPT-6 Astra. Como contrapeso, el mismo medio señala que Wonder Full redujo su tasa de alucinación del 33% al 23%.

¿Cuánto cuesta Muse Wonder y cómo se compara?

Por el Meta Model API, Muse Wonder cuesta US$4 por millón de tokens de entrada y US$20 por millón de salida, con entrada cacheada a US$0,20. La búsqueda web dentro del API se cobra aparte: US$2,50 por cada 1.000 consultas. Meta aplica la misma tarifa sin importar cuánto de la ventana de contexto uses, y documenta límites de 3.000 solicitudes y cuatro millones de tokens por minuto, con una ventana de un millón de tokens.

Eso lo pone exactamente al mismo precio por token que Claude Opus 5.5 (US$4/US$20) y muy por debajo de GPT-6 Astra y Claude Fable 5.1, ambos en US$10/US$50. Pero el precio por token no es el costo real: Artificial Analysis estima que completar su tarea promedio del Intelligence Index cuesta US$4,52 con Wonder, contra US$5,98 con Opus 5.5 y US$3,26 con GPT-6 Astra.

The Decoder va más allá: el costo por tarea de Wonder casi triplica los US$1,60 de Muse Spark 1.3, y Wonder consume 28% más tokens de entrada por tarea, que explican el 76% del gasto total. Ahí está la advertencia para quien corre agentes que reprocesan documentos y archivos una y otra vez.

¿Por qué Muse Wonder Full queda fuera de la API?

Meta no anunció precio por token para su modelo más capaz. La decisión tiene lógica comercial: reserva su mejor tecnología para su propia herramienta y sus suscripciones, algo que Wired enmarca en el giro de la compañía desde la era Llama. El mismo medio recuerda que Meta retrasó el lanzamiento de sus modelos Muse para trabajar en seguridad, según dijo Zuckerberg en una publicación en X.

Para quien busca embeber un modelo en software de cara al cliente, en automatizaciones internas o en agentes de producción, la consecuencia es directa: Wonder Full se puede probar dentro del entorno de Meta, pero todavía no desplegar como servicio propio.

El contexto de la apuesta ayuda a dimensionarla. The Next Web reporta que Meta invirtió US$14.300 millones por una participación del 49% sin voto en Scale AI para incorporar a Alexandr Wang como su primer chief AI officer, hoy al frente de Meta Superintelligence Labs. El mismo medio indica que la compañía guió un capex de entre US$115.000 y US$135.000 millones para 2026, frente a US$72.220 millones en 2025. El lanzamiento de la familia Wonder llega aproximadamente 14 meses después de esa reorganización.

Datos y retención: la letra pequeña que sí importa

Meta maneja dos modos de datos. En Standard mode, dice que el contenido enviado no se usa para entrenar modelos, y la API de Wonder pay-as-you-go funciona exclusivamente así. En cambio, las suscripciones de Muse Code vienen por defecto en Contributor mode, que permite a Meta usar prompts, código, archivos, información de contexto y salidas para mejorar modelos futuros.

Se puede desactivar Contributor mode, pero el cambio aplica solo a envíos futuros, y los términos prohíben enviar información confidencial, sensible o personal mientras esté activo. Meta también ofrece retención cero de datos a organizaciones calificadas del Model API, con aprobación previa, aunque esa configuración no soporta estado de conversación del lado del servidor, solicitudes en segundo plano, carga de archivos ni búsqueda web integrada.

Ese punto choca justo con la propuesta de valor de los modelos: Active Memory y Active Focus, las dos capacidades que Meta destaca, dependen de sostener contexto a lo largo de flujos de trabajo extensos. Si tu caso de uso exige el régimen de datos más estricto, hay que verificar qué funciones siguen disponibles antes de firmar.

¿Qué significa esto para tu startup?

Meta vuelve a competir en la frontera y eso te da una palanca que no tenías: hay un cuarto proveedor con benchmarks de frontera, precio alineado con Opus 5.5 y ventaja concreta en código de larga duración y tareas profesionales. Pero el acceso desigual obliga a decidir con criterio de ingeniería, no de marketing.

Tres movimientos concretos:

• Prueba con la ruta barata. La API documenta compatibilidad con interfaces de OpenAI y Anthropic. Si tu stack ya usa esos SDKs, cambiar el endpoint para evaluar Wonder cuesta horas, no semanas. Usa el identificador muse-wonder-1.0 y mide con tus propios flujos: los benchmarks del proveedor mezclan evaluaciones internas, puntajes de terceros y herramientas de código distintas, así que no son un test controlado.
• Calcula el costo por tarea completada, no por token. Con entrada a US$4 y salida a US$20, un agente que reprocesa documentos puede salir más caro que un modelo con lista de precios superior. La estimación de US$4,52 por tarea de Artificial Analysis es un punto de partida útil, pero tu factura depende de cuántos tokens consume tu caso de uso real.
• No diseñes producción sobre Wonder Full. Si necesitas un modelo para un producto que le vendes a un tercero, hoy la única vía es la suscripción con límites de uso dentro de Muse Code. Trata a Full como herramienta de exploración interna, no como dependencia de arquitectura.

Y una tarea de cumplimiento que suele quedar para el final: si tu equipo ya usa herramientas de código con IA, revisa qué modo de datos está activo antes de pegar código propietario o datos de clientes en un chat.

Conclusión

Meta entrega por fin el resultado visible de su reorganización: dos modelos que compiten en la frontera, con ventaja clara en código de larga duración y tareas legales, y desventaja igual de clara en conocimiento factual y en Terminal-Bench. La pregunta que queda abierta no es de benchmarks, sino de acceso. Mientras el modelo que saca 56 puntos no pueda desplegarse por API ni autoalojarse, los equipos que deciden con datos de producción van a seguir probando antes de migrar.

Fuentes

• VentureBeat (fuente original)
• Meta Newsroom: Introducing Muse Wonder and Muse Wonder Full
• The Decoder: Meta's new frontier model Muse Wonder Full breaks into the AI top tier
• Wired: Muse Wonder Puts Meta Back at the AI Frontier
• The Next Web: Meta's Muse Spark is here - and it's closed source