Meta 新旗舰 Muse Wonder(代号西瓜)发布之初,在部分基准榜单上分数接近甚至超过 Claude Opus 5.5,一度被认为是 Meta 追上第一梯队的 AI 大模型,但是开发者、第三方测评机构开放 API 实测之后,发现真实任务表现和纸面跑分差距巨大,大量开放式任务翻车,业内普遍认为这个模型是针对评测题库定向优化,也就是大家说的刷榜、Benchmaxxing,高分低能,在陌生的真实场景里能力明显拉胯。简单来说,它专门对着基准测试题库做微调,在固定 benchmark 里拿到好看分数,但是现实里没有标准答案的任务,稳定性、推理、多步骤执行能力远不如榜单给人的预期,Meta 方面并没有承认刷榜,解释是模型依赖测试时扩展算力,高推理档位和低档位表现差异很大,陌生任务泛化能力还在优化。
一、Muse Wonder 核心信息清单
- 模型版本:Muse Wonder 标准版、Muse Wonder Full 完整版
- 发布方:Meta 超级智能实验室 MSL
- 官方宣传亮点:Agent 任务、长程软件工程、记忆能力提升
- 基准跑分:Artificial Analysis Intelligence Index,Full 版 56 分,Claude Opus 5.5 为 58 分
- 争议点:榜单分数亮眼,开放式真实任务测试严重翻车
- 代号:Watermelon(西瓜模型)
- 投入:Meta 为这条前沿模型路线投入超千亿算力基建
二、榜单跑分 VS 真实实测对比
| 项目 | 基准榜单表现 | 开放式真实任务实测表现 |
|---|---|---|
| 长程代码 Benchmark | 成绩优秀,部分项目超越 Opus 5.5 | 复杂工程、多步骤调试容易逻辑断裂、出 bug |
| 标准化题库 | 稳定高分 | 遇到没见过的新需求容易跑偏、幻觉增多 |
| 3D 生成、仿真任务 | RocketLeagueBench 测试表现很差 | 做熔岩灯、动态仿真任务输出质量低,光影、动态效果失效 |
| Agent 自动执行 | 榜单得分靠前 | 长链条任务容易中途断任务,自主纠错弱 |
三、什么是 AI 刷榜 Benchmaxxing
- 定向微调:拿评测 benchmark 题库数据参与训练,模型专门学会这套题的答题套路
- 特供版本:提交给榜单的模型版本,和对外开放 API 的版本不一样
- 算力投机:测试阶段拉高推理算力、延长思考时间,只在跑分场景堆资源,普通用户调用不会给到同等算力
- 结果:榜单好看,但是泛化能力差,换到新任务就失效,也就是高分低能
四、本次翻车典型测试案例
- 案例 1:RocketLeagueBench 3D 仿真测试,Muse Wonder 输出效果远差于 Opus 5.5、GPT-6 Astra
- 案例 2:熔岩灯生成任务,要求透明玻璃外壳 + 动态熔岩光影,模型输出静态、材质错误,没有动态效果
- 案例 3:相同提示词下,Muse Wonder 最高档位和普通档位差距极大,其他主流模型不会出现这种断崖落差
五、Meta 官方回应与行业观点
- Meta 解释:模型采用测试时计算扩展策略,高算力档位性能更强,陌生分布任务泛化能力还在迭代,不承认刷榜
- 测评机构 BridgeMind 观点:明显的 Benchmaxxing 应试优化,属于典型刷榜行为
- 开发者反馈:API 调用成本高、耗时久,实际产出达不到榜单预期,不适合商用落地
六、总结
Muse Wonder 在标准化基准测试里拿到接近 Opus 5.5 的分数,看起来 Meta 追上头部大模型,但是真实场景实测翻车,核心争议就是定向针对评测题库优化;AI 行业现在越来越警惕单纯看榜单,标准化跑分只能作为参考,最终能不能用,还是要看和业务匹配的开放式实测。
【相关 FAQ】
问题 1:Meta Muse Wonder 跑分宣称超越 Opus 5.5,为什么实测翻车?
回答 1:Meta Muse Wonder 在标准化基准题库做了定向优化,也就是刷榜,在固定 benchmark 里分数好看,但是面对没有见过的开放式真实任务,泛化能力不足,所以和 Opus 5.5 对比实测翻车。
问题 2:AI 圈说的 Benchmaxxing 刷榜是什么,Muse Wonder 是怎么刷榜的?
回答 2:Benchmaxxing 就是专门针对评测题库微调模型,Muse Wonder 被质疑用这套方式冲分,同时它的性能高度依赖超高算力档位,普通用户调用时很难拿到跑分同等条件,造成纸面和实际差距巨大。
问题 3:Claude Opus 5.5 是什么模型,和 Muse Wonder 定位一样吗?
回答 3:Claude Opus 5.5 是 Anthropic 的旗舰大模型,主打复杂 Agent、长代码、专业推理,Muse Wonder 是 Meta 同期推出的前沿闭源模型,Meta 宣称它对标 Opus 5.5,但实测能力差距明显。
问题 4:Muse Wonder 刷榜争议之后,还适合拿来做开发吗?
回答 4:Muse Wonder 榜单分数虚高,陌生任务稳定性差,现阶段不建议作为核心商用模型,适合开发者做技术对比测试,不适合直接上线依赖复杂 Agent、长代码任务的业务。
【参考资料】
[2026-10-13](Meta 最强模型跑分超越 Opus 5.5?实测大翻车,作弊刷榜实锤了)36 氪
[2026-10-14](花了几百亿美金,但扎克伯格的 AI 翻身仗栽在一盏灯上)36 氪
[2026-10-13](小扎发布神秘「西瓜」模型,跑分媲美 Opus 5.5,口碑却一言难尽)爱范儿
[2026-10-13](小扎打赢 AI 翻身仗?空降新模型长程编程夺冠,3D 实测却惨遭打脸)虎嗅网
【免责声明】
本文仅为 Meta Muse Wonder 跑分争议、实测翻车事件的公开资讯整理,不构成模型选型、付费 API 采购建议;刷榜属于行业争议观点,Meta 官方并不认可刷榜指控,模型能力、后续版本优化以 Meta 官方更新和第三方独立复测为准。
本文来自作者[浅簇路由]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/kjyw/202611/4284.html
评论列表(4条)
我是乌兰科技网的签约作者“浅簇路由”!
希望本篇文章《Meta Muse Wonder 跑分宣称超越 Opus 5.5,实测翻车,被质疑定向刷榜》能对你有所帮助!
本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索
本文概览:Meta 新旗舰 Muse Wonder(代号西瓜)发布之初,在部分基准榜单上分数接近甚至超过 Claude Opus 5.5,一度被认为是 Meta 追上第一梯队的 AI 大模型,但是开发者、第三方测评机构开放 API 实测之后,发现真实任务表现和纸面跑分差距巨大,大量开放式任务翻车,业内普遍认为这个模型是针对评测题库定向优化,也就是大家说的刷榜、Benchmaxxing,高分低能,在陌生的真实场景里能力明显拉胯。简单来说,它专门对着基准测试题库做微调,在固定 benchmark 里拿到好看分数,但是现实里没有标准答案的任务,稳定性、推理、多步骤执行能力远不如榜单给人的预期,Meta 方面并没有承认刷榜,解释是模型依赖测试时扩展算力,高推理档位和低档位表现差异很大,陌生任务泛化能力还在优化。