메타 Muse Wonder 공개, Full은 독립 평가 지수 56으로 Opus 5.5와 2점 차

GDP.pdf는 출처에 따라 1위가 바뀝니다. 메타의 표는 Surge가 낸 결과를 옮겨 GPT-6 Astra(34.2)가 Full(33.2)보다 높지만, AA가 직접 잰 GDP.pdf에서는 Full이 근소한 1위였습니다.

법률·금융·업무 자동화는 Full이 1위였다

뉴스룸 발표문이 전문 영역으로 꼽은 법률, 금융, 건강 가운데 법률과 금융은 표에서도 Full이 가장 높았습니다. AA가 운영하는 Harvey LAB-AA는 에이전트가 사건 문서로 만든 법률 결과물을 AA 심사단이 채점해, 과제별 기준과 환각 검사를 모두 통과한 과제의 비율을 셉니다. 이 비율은 Full 13.1, Muse Wonder 10.0이었습니다. 경쟁 모델은 GPT-6 Astra 8.6, Fable 5.1 6.4, Opus 5.5 4.2로 모두 Muse Wonder보다 낮았습니다.

Vals AI가 결과를 낸 Vals Finance Agent V2는 공시와 시장 정보를 조사해야 풀 수 있는 금융 분석가 과제를 다룹니다. Full은 59.1로 Fable 5.1(58.9)과 Opus 5.5(58.6)를 근소하게 앞섰습니다.

가상 앱 환경에서 자동화 도구로 업무 흐름을 끝낸 뒤 최종 상태 검사를 모두 통과한 비율을 보는 AutomationBench-AA에서는 Full이 45.4로 GPT-6 Astra(41.6)와 Opus 5.5(41.2)보다 높았습니다. 메타는 이 항목의 결과 출처를 AA로 적었는데, AA의 X 분석 글에 실린 같은 이름의 평가 점수는 Full 71%, Muse Wonder 68%로 표의 값과 다릅니다. 두 자료는 이 차이를 설명하지 않았습니다.

코딩은 과제 종류에 따라 1위가 갈렸다

저장소 단위의 긴 개발 과제에서는 Full이 앞섰습니다. DeepSWE 1.1은 91개 저장소, 5개 언어에 걸친 장기 과제 113개를 사람이 작성한 테스트로 채점해 첫 시도 통과율(pass@1)을 봅니다. Full은 79.0, Muse Wonder는 78.8로 Opus 5.5(74.2)와 GPT-6 Astra보다 높았습니다. 이 항목은 Muse 두 모델과 Opus 5.5에 Datacurve의 제3자 측정값을, GPT-6 Astra에는 오픈AI 보고값을, Fable 5.1에는 앤트로픽 시스템 카드 값을 썼습니다.

메타가 직접 돌린 코딩 비교는 모든 모델에 같은 하네스를 썼고, 외부 결과는 보고한 업체가 쓴 하네스나 에이전트 제품을 그대로 따랐다고 모델 카드는 밝힙니다. 규모가 큰 프로젝트를 다루는 초장기 평가 SWE-Marathon에서는 Full이 57.5로 가장 높았습니다. 다만 결과 출처인 Abundant AI 리더보드의 GPT-6 Astra 값은 Codex로, Fable 5.1 값은 Claude Code로 측정한 것이라 같은 하네스 비교가 아닙니다. Full의 값은 다른 모델과 달리 xhigh 추론 설정으로 보고됐습니다.

메타는 어려운 목표를 향해 다른 방법을 시도하고 막힌 지점을 풀며 계속 작업하는 방식을 Active Focus라고 부릅니다. 그 과정에서 필요하면 확인 질문을 하고, 중요한 행동 앞에서는 사용자에게 확인한다는 설명입니다. 메타는 이 능력을 FocusBench와 SWE-Marathon으로 평가했다고 밝혔는데, FocusBench는 PSI에만 반영돼 단독 점수가 표에 없습니다.

터미널 작업과 프로그램을 처음부터 다시 만드는 과제에서는 Opus 5.5가 높았습니다. AA가 결과를 낸 Terminal-Bench 4.0-AA는 격리된 터미널 환경에서 과제를 수행한 뒤 컨테이너의 최종 상태로 채점하는데, Opus 5.5 59.6, GPT-6 Astra 59.1, Full 57.1 순이었습니다.

ProgramBench에서는 격차가 더 컸습니다. 이 평가는 준비 단계 뒤 인터넷을 끊은 클린룸 환경에서 프로그램 전체를 다시 만들게 하고, 숨겨진 동작 테스트의 95% 이상을 통과한 시행의 비율을 봅니다. 모든 모델이 같은 mini-swe-agent를 쓴 이 항목에서 Opus 5.5는 70.5, Full은 59.0으로 11.5점 차이가 났습니다. Muse Wonder(50.0)는 Fable 5.1(55.5)과 GPT-6 Astra(52.5)보다도 낮았습니다.

건강 질의와 컴퓨터 사용은 Opus 5.5가 앞섰다

메타가 내세운 전문 영역 가운데 건강에서는 Full이 뒤졌습니다. HealthBench Pro는 전문가 수준의 건강 질문 525개에 모델이 도구 없이 답하게 하고, 의사가 쓴 루브릭에 따라 GPT-5.4 채점기가 점수를 매깁니다. Full은 62.3으로 Opus 5.5(65.6)와 GPT-6 Astra(65.3)보다 낮았습니다. Fable 5.1과 Opus 5.5 값은 앤트로픽이 시스템 카드에 보고한 수치입니다.

메타의 공통 내부 평가 환경에서 돌린 OSWorld V2.1은 Ubuntu 데스크톱 가상 머신을 스크린샷과 클릭·입력 같은 조작으로 다루며 실제 업무 흐름 108개를 끝내는지 봅니다. 주 지표인 과제별 부분 점수 평균은 Full 78.4로 Opus 5.5(81.8), Fable 5.1(80.7)보다 낮았습니다. 과제를 완전히 끝냈는지만 보는 완전 성공률은 Full 39.4, Fable 5.1 43.1이었고, Opus 5.5는 앤트로픽이 보고한 부분 점수만 있어 완전 성공률이 없습니다.

Muse Wonder의 과제당 비용은 전작의 2.8배다

Muse Wonder의 지수 과제당 비용은 4.52달러로, 전작 Muse Spark 1.3(1.60달러)의 2.8배입니다. 이 값은 Intelligence Index 과제 하나를 푸는 데 든 비용의 가중 평균이며, 2.8배라는 배수는 AA가 X 분석 글에 이어 올린 게시물에 나옵니다.

같은 기준에서 Muse Wonder는 앤트로픽의 Fable 5.1(7.63달러), Opus 5.5(5.98달러), Sonnet 5.5(5.46달러)보다 쌌습니다. 오픈AI의 GPT-6 Astra(3.26달러)와 GPT-6.1 Sol(0.72달러), 구글의 Gemini 4 Argon(1.99달러, high 설정)보다는 비쌌습니다.

AA는 이 비용의 원인으로 높은 토큰 단가와 많은 입력 토큰을 들었습니다. Muse Wonder의 API 단가는 100만 토큰당 입력 4달러, 캐시 입력 0.20달러, 출력 20달러입니다. Spark 1.3은 같은 순서로 1.25달러, 0.15달러, 4.25달러였다고 AA는 밝혔습니다.

두 모델이 지수 과제 하나에 쓴 출력 토큰은 각각 약 5만 4천 개로, Spark 1.3(6만 개)보다 10%가량 적습니다. Gemini 4 Argon과 Fable 5.1보다는 적고, GPT-6.1 Sol과 GPT-6 Astra보다는 많은 양입니다.

AA가 비용을 끌어올린 요인으로 든 입력 토큰은 Muse Wonder가 과제당 769만 개였습니다. Full은 644만 개로 16% 적었지만 토큰 단가가 발표되지 않아, AA는 Full의 과제당 비용을 추정하지 않았습니다.

화학·생물 위험은 완화 조치를 건 뒤 배포를 결정했다

메타의 위험 평가는 가장 성능이 높은 Full을 기준으로 했고, 그래서 제품군 전체에 적용된다고 모델 카드는 설명합니다. Meta Superintelligence Scaling Framework에서 고위험 임계치는 모델 배포가 메타가 심각하다고 정한 위협 시나리오에 상당히 기여할 수 있는 수준을 말합니다. 메타는 완화 조치가 없으면 Full이 화학·생물 영역에서 이 임계치에 이를 가능성을 배제하지 못해, 안전 사후학습과 시스템 수준 분류기를 적용했습니다.

사이버 보안과 통제 상실 영역은 완화 전에도 ‘중간 이하(moderate or lower)’로 평가됐습니다. 완화 조치와 시스템 수준 안전장치를 적용한 뒤에는 모든 영역이 같은 수준이 돼 배포를 결정했다고 메타는 적었습니다.

메타는 뉴스룸 발표문에서 두 모델이 허락 없이 개인 정보를 공유하지 않고, 실제로 해로운 행위를 돕는 요청은 거절하도록 학습시켰다고 밝혔습니다. 개발자와 보안팀이 자기 코드의 결함을 찾아 시스템을 보강하는 작업에는 계속 쓸 수 있게 했다는 설명입니다. 추가 안전 평가를 담은 전체 보고서는 날짜 없이 ‘곧’ 내놓겠다고 했습니다.

Muse Wonder를 시험하기 전에 확인할 것

Meta Model API(dev.meta.ai)로 Muse Wonder를 시험해 발표 수치와 견주려면, 메타의 비교표와 AA의 점수·비용이 모두 max 추론 설정 값이라는 점을 전제로 두어야 합니다. 다만 공개 자료에서는 API 모델 ID와 추론 단계를 고르는 파라미터 이름이 확인되지 않았고, AA의 모델 페이지에도 출력 속도 측정값이 아직 없습니다. 기존 모델과 비용을 견줄 때는 입력 토큰이 과제당 비용을 끌어올렸다는 AA 분석에 비춰, 작업마다 입력 토큰 수를 함께 재 보면 차이를 가늠할 수 있습니다.

Full을 쓰려면 Muse Code 구독이 필요하지만, 어느 구독 등급에서 쓸 수 있는지는 발표 자료에 나와 있지 않습니다. Muse 앱에는 Muse Wonder가 구독자부터 ‘곧’ 들어간다고만 발표됐습니다. 연구 블로그는 Muse Wonder를 아티팩트 생성과 더 높은 지능이 필요한 처리에도 쓰고, 앞으로 Muse Wonder로 만든 전문 모델을 Muse 사용자 모두에게 제공할 계획이라고 적었습니다. 한국에서 Meta Model API와 Muse Code, Muse 앱을 쓸 수 있는지는 확인되지 않았습니다.

실제로 행동하는 에이전트로 배치할 경우 모델 카드는 되돌릴 수 없는 행동 앞에 사람의 확인을 두는 식의 추가 안전장치를 권하고, 개발자가 용도와 언어에 맞춰 적합성을 직접 평가하라고 적었습니다. 같은 문서는 18세 미만 이용자를 사용 대상으로 두지 않고, 그런 이용의 위험 평가와 법 준수를 배포자 책임으로 정했습니다.

두 모델은 텍스트·이미지·영상·오디오를 입력받아 텍스트로 답합니다. 연구 블로그 데모에는 이미지 입력으로 직접 플레이할 수 있는 3D 주방 게임을 만드는 장면도 있습니다. 반면 모델 카드는 시각·공간 추론, 특히 3D 과제를 알려진 한계로 적고, 정밀한 공간 이해에 기대는 용도라면 성능을 따로 검증하라고 권합니다.

자료 확인 기준: 2026년 10월 12일.