Meta hat mit Muse Wonder und Muse Wonder Full zwei neue Modelle für Künstliche Intelligenz (KI) veröffentlicht. Sie richten sich vor allem an Menschen, die komplexe Aufgaben über längere Zeit bearbeiten, grosse Mengen an Material auswerten oder Programmierarbeiten an einen KI-Agenten delegieren wollen. Relevant ist die Veröffentlichung, weil Meta damit erstmals ein sogenanntes Frontier-Modell anbietet, also ein Modell, das bei wichtigen Leistungstests zur Spitzengruppe zählen soll.
Metas zwei Wonder-Varianten
Muse Wonder ist die regulär verfügbare Variante und kann über die Meta Model API genutzt werden. Eine Programmierschnittstelle oder Application Programming Interface (API) verbindet das Modell mit anderen Anwendungen. Muse Wonder Full ist laut den übereinstimmenden Angaben von TechCrunch zur Veröffentlichung und The Verge leistungsfähiger, aber derzeit auf Abonnenten von Muse Code beschränkt.
Beide Varianten unterstützen ein Kontextfenster von einer Million Tokens. Ein Token ist ein kurzer Textbaustein, während das Kontextfenster bestimmt, wie viel Inhalt das Modell innerhalb einer Aufgabe gleichzeitig berücksichtigen kann. Zusätzlich können die Modelle Text, Bilder, Video und Audio als Eingabe verarbeiten. Das macht sie grundsätzlich für Aufgaben geeignet, bei denen etwa Besprechungsaufnahmen, Dokumente und Bildmaterial gemeinsam ausgewertet werden müssen.
Meta hebt zwei Funktionen hervor. «Active Memory» soll wichtige Angaben über mehrere Gespräche hinweg speichern und später wieder abrufen. «Active Focus» beschreibt die Fähigkeit, bei schwierigen Aufgaben länger dranzubleiben, alternative Lösungswege auszuprobieren und Rückfragen zu stellen. Laut Meta sind beide Funktionen für persönliche KI-Agenten gedacht, die beispielsweise Kalender, Nachrichten und Dokumente einbeziehen.
Die Modelle sollen später auch den Muse-Agenten antreiben, zunächst für zahlende Abonnenten. Meta nennt jedoch weder einen verbindlichen Termin noch konkrete Angaben dazu, wann spezialisierte Varianten für weitere Nutzergruppen erscheinen. The Verge weist entsprechend darauf hin, dass Metas Ausbaupläne bisher ohne Zeitplan bleiben.
Leistung im Vergleich zur Konkurrenz
Bei allgemeinen Leistungstests macht Wonder gegenüber Muse Spark 1.3 einen deutlichen Schritt. Im Artificial Analysis Intelligence Index v4.3, einem zusammengefassten Vergleich mehrerer Fähigkeiten, erreicht Muse Wonder Full 56 Punkte und Muse Wonder 52 Punkte. Muse Spark 1.3 kam auf 48 Punkte. Solche Benchmarks sind standardisierte Tests, bilden den Alltag aber nie vollständig ab.
Die grössten Fortschritte zeigen sich bei agentischen Aufgaben, bei denen ein Modell mehrere Arbeitsschritte möglichst selbstständig planen und ausführen muss. Laut der Auswertung von The Decoder stieg das Ergebnis im Terminal-Bench 4.0 von 33 auf 57 Prozent. Muse Wonder Full landete in sechs von zehn untersuchten Benchmarks unter den ersten drei Modellen.
Besonders stark fällt der Zuwachs beim Programmieren aus. Muse Wonder Full erreicht 68 Punkte im Coding Agents Index und liegt damit gleichauf mit Claude Code auf Basis von Sonnet 5.5. Muse Wonder kommt auf 63 Punkte, Muse Spark 1.3 auf 54. Der Leitbericht nennt ausserdem Spitzenplätze von Wonder Full in DeepSWE und SWE-Marathon, zwei Tests für selbstständig ausgeführte Programmieraufgaben.
Ein konkretes Berufsbeispiel wäre die Bearbeitung eines grösseren Softwareprojekts: Das Modell kann eine Aufgabe analysieren, Dateien untersuchen, Änderungen vornehmen und nach einem Fehlschlag einen anderen Weg versuchen. Das ist etwas anderes als eine einzelne Codezeile im Chat zu erzeugen. Die Testwerte deuten an, dass Wonder Full für solche längeren Abläufe konkurrenzfähig ist, sagen aber noch wenig über Zuverlässigkeit in einer bestimmten Firma oder mit einem bestimmten Projekt aus.
Beim Faktenwissen bleibt dagegen eine klare Schwäche. Im Wissenstest AA-Omniscience erreicht Wonder Full 30 Punkte und Wonder 25, während Claude Opus 5.5 auf 46, GPT-6 Astra auf 43 und Gemini 4 Argon auf 42 kommen. Wonder Full reduzierte laut der veröffentlichten Auswertung zwar die Halluzinationsrate, also den Anteil plausibel klingender, aber falscher Antworten, gegenüber dem Vorgänger von 33 auf 23 Prozent. Ein niedrigerer Fehleranteil gleicht begrenztes Wissen jedoch nicht vollständig aus.
Meta zufolge erreichen die Modelle insgesamt Resultate auf dem Niveau von Claude Fable 5.1 und GPT-6 Astra. Diese Aussage beruht teilweise auf Metas eigenen Tests und ist deshalb mit Vorsicht zu lesen. The Verge hält zudem fest, dass der Vergleich mit Gemini 4 Argon noch unklar sei. Simon Willison ordnet die maximale Wonder-Variante anhand von Artificial-Analysis-Werten ungefähr bei GPT-6.1 Sol ein, beschreibt seine eigenen Bildversuche mit einem Pelikan auf einem Fahrrad aber eher als anschaulichen Modellvergleich denn als belastbaren Qualitätstest.
Preis und Zugang
Muse Wonder kostet über die Meta Model API 4 US-Dollar pro Million Eingabe-Tokens und 20 US-Dollar pro Million Ausgabe-Tokens. Eingabe-Tokens umfassen deine Anweisungen und übermittelten Inhalte, Ausgabe-Tokens die vom Modell erzeugten Antworten. Lange Berichte, umfangreiche Analysen und agentische Abläufe mit vielen Zwischenschritten können deshalb deutlich mehr kosten als kurze Fragen.
Preislich liegt Wonder laut TechCrunch ungefähr auf dem Niveau von GPT-6 Sol und Opus 5.5. Gegenüber Muse Spark 1.3 soll die API-Nutzung laut The Decoder fast dreimal so teuer sein. Der höhere Preis erkauft vor allem bessere Ergebnisse bei komplexen und selbstständig ausgeführten Aufgaben; für einfache Zusammenfassungen oder gelegentliche Textentwürfe dürfte der Leistungssprung weniger ins Gewicht fallen.
Für Muse Wonder Full ist in den vorliegenden Quellen kein separater Preis genannt. Die Variante wird nicht über die API angeboten, sondern über Muse-Code-Abonnements. Der Kurzbericht von MarkTechPost bestätigt die API-Preise für Wonder und den Zugang zu Wonder Full über Muse Code.
Bei den Angaben besteht allerdings eine kleine Unschärfe: The Decoder schreibt zusammenfassend, beide Wonder-Varianten seien bei der API-Nutzung fast dreimal so teuer wie der Vorgänger. Im selben Bericht sowie bei TechCrunch und The Verge wird Wonder Full jedoch als ausschliesslich über Muse Code verfügbar beschrieben. Ohne veröffentlichten API-Zugang lässt sich Full daher kein belastbarer API-Preis zuordnen.
Pro und Kontra von Muse Wonder
Pro:
- Agentische Arbeit – Die grössten gemeldeten Fortschritte betreffen komplexe Aufgaben mit mehreren selbstständig ausgeführten Schritten.
- Langer Kontext – Eine Million Tokens ermöglichen die Verarbeitung umfangreicher Dokumente und längerer Arbeitsverläufe.
- Mehrere Medienarten – Text, Bilder, Video und Audio können gemeinsam als Eingabe dienen.
- Starke Programmierwerte – Wonder Full erreicht in den genannten Coding-Tests das Niveau führender Konkurrenzangebote.
Kontra:
- Schwächeres Faktenwissen – In AA-Omniscience liegen beide Varianten deutlich hinter mehreren Konkurrenzmodellen.
- Höherer Preis – Wonder kostet bei der API-Nutzung fast dreimal so viel wie Muse Spark 1.3.
- Eingeschränkter Zugang – Wonder Full ist derzeit nur für Muse-Code-Abonnenten erhältlich und hat keinen genannten Einzelpreis.
- Begrenzte unabhängige Prüfung – Mehrere Leistungsangaben stammen von Meta und sind noch nicht umfassend im Alltag bestätigt.
Wonder in der Praxis
Für Einsteiger
Wenn du Wonder erstmals ausprobierst, eignet sich eine klar begrenzte Aufgabe mit überprüfbarem Ergebnis. Du könntest beispielsweise ein längeres Dokument zusammenfassen lassen und anschliessend kontrollieren, ob die genannten Aussagen im Ausgangstext vorkommen. So erkennst du den Nutzen des grossen Kontextfensters, ohne dich sofort auf die Langzeiterinnerung oder einen weitgehend selbstständig handelnden Agenten zu verlassen.
Auch eine Kombination verschiedener Medien ist ein sinnvoller Test: Du kannst etwa ein Besprechungsprotokoll zusammen mit dazugehörigen Bildern oder einer Aufnahme auswerten lassen, sofern dein Zugang diese Eingaben unterstützt. Die Quellen bestätigen die technische Unterstützung dieser Formate, liefern aber keine unabhängigen Vergleiche zur Qualität der Audio- und Videoanalyse.
Für Fortgeschrittene
Wenn du bereits mit KI-Werkzeugen arbeitest, liegt der grösste mögliche Nutzen in mehrstufigen Aufgaben. Bei einem Programmierprojekt könntest du Wonder zunächst einen Fehler untersuchen, betroffene Dateien bestimmen, eine Änderung vorschlagen und das Ergebnis überprüfen lassen. Gerade bei solchen Abläufen sprechen die Coding- und Agenten-Benchmarks für Wonder beziehungsweise Wonder Full.
Für längere persönliche Arbeitsabläufe könnte Active Memory Angaben aus früheren Gesprächen, Dokumenten oder Terminen wiederverwenden. Das kann bei wiederkehrenden Projektbesprechungen nützlich sein, weil der Agent Entscheidungen und offene Punkte über einen längeren Zeitraum zusammenführen soll. Gleichzeitig erhöht dauerhafte Erinnerung das Risiko, dass vertrauliche oder veraltete Informationen später in einem unpassenden Zusammenhang auftauchen.
Für die Schweiz nennen die vorliegenden Berichte weder eine eigene Verfügbarkeitsregelung noch Aussagen zur Qualität in Deutsch, Französisch, Italienisch oder Rätoromanisch. Auch zu Speicherort, Datenschutzbedingungen und Kontrolle der Active-Memory-Daten fehlen in den Quellen konkrete Angaben. Für den Einsatz mit geschäftlichen Dokumenten, Nachrichten oder Kalenderdaten bleibt deshalb offen, wie gut sich das Angebot mit internen Datenschutzvorgaben vereinbaren lässt.
Muse Wonder bringt Meta bei komplexen Agenten- und Programmieraufgaben sichtbar näher an die führenden Modelle heran. Der API-Preis kann sich lohnen, wenn das Modell lange Abläufe zuverlässig erledigt und dadurch mehrere manuelle Schritte ersetzt; für einfache Textaufgaben ist der fast dreifache Preis gegenüber Muse Spark schwerer zu rechtfertigen. Das zentrale offene Risiko liegt in der Verbindung aus noch begrenzt unabhängig geprüfter Leistung, schwächerem Faktenwissen und einer Langzeiterinnerung, deren Datenschutzrahmen in den vorliegenden Berichten nicht erklärt wird.
Quellen
- Meta Launches Muse Wonder and Muse Wonder Full: Benchmarks, Pricing and How to Use It – MarkTechPost, 2026-10-13
- Metas neues Frontier-Modell Muse Wonder schafft den Sprung in die KI-Spitzengruppe – The Decoder, 2026-10-12
- Meta releases its first frontier model, Muse Wonder – TechCrunch, 2026-10-12
- Meta has some Wonder Full new AI models – The Verge, 2026-10-12
- llm-meta-ai 0.2 – Simon Willison’s Weblog, 2026-10-12
Bild: Daniil Komov via Pexels