一盏熔岩灯，把 agent 跑分的水分照了出来

榜单上拿到高分的模型，让它做一盏玻璃外壳、熔岩会流动的灯，它交上来一个红色圆柱体。

一、发生了什么

10 月 12 日，Meta 发布 Muse Wonder 与 Wonder Full 两款模型，主打编码 agent、工具调用和长任务。官方给的数字很好看。按发布材料，加强版在 SWE-Marathon 这项长任务评测里拿了 57.5 分；换到 DeepSWE 1.1，分数是 79.0。两个榜、两种条件，先记住这一点。

随后开发者社区 BridgeMind 出了一道 3D 题：做一盏带透明玻璃罩、内部熔岩动态流动、有光照效果的熔岩灯。结果普通版 Muse Wonder 只生成了一个红色圆柱体。社区随即质疑模型存在针对题库过度优化的嫌疑。马斯克在相关帖子下只回了一个词，让争议热度再上一层。

Meta 首席 AI 官 Alexandr Wang 回应称，团队确实没有对 3D 演示类任务做过显式训练，事后看或许应该补上，但他仍建议开发者实际体验这款模型的编码能力。

这里有几层口径要分清。第一，翻车的是普通版 Wonder，而 SWE-Marathon 的高分来自 Full，两者能力档位不同。第二，Meta 官方 Model Card 写明，视觉与空间推理、尤其 3D 任务，是已知短板。第三，榜单本身不统一：同期对比模型的分数分别基于不同的执行框架，Wonder Full 那个 57.5 分还用上了更高的推理档位。分数可查，但比较条件并不对齐。

二、跟你有什么关系

选模型的开发者：榜单分是一套特定配置下的结果，你的代码库、工具链、预算都和评测环境不同，分数只能当初筛线索。

做技术采购的人：供应商甩给你一张跑分表时，先问执行框架、推理档位和任务版本，条件没写清的分数不具备可比性。

普通用户：模型「演示视频很惊艳」和「交付到手里能用」之间隔着大量工程细节，看演示别急着下结论。

三、怎么判断

1. 看跑分先看脚注：用了什么执行框架、多少推理预算、和谁在比。条件不同的两列分数，差距没有意义。
2. 拿自己的真实任务试，别拿榜单选题。官方承认的短板项要单独出题验证，比如这次暴露的 3D 与视觉反馈。
3. 除完成率外，记录失败次数、恢复能力和消耗。长任务里能不能自己爬起来，比单轮漂亮输出更有价值。

四、三个别信的说法

错误说法。「一次翻车证明 Meta 全是刷分。」单次失败只能说明这个任务类型没被训练覆盖，官方技术文章自己都在讨论泛化问题。要论证系统性过拟合，需要成体系的对照实验，一盏灯不够。

错误说法。「分数高就能直接上生产。」今天的 agent 成绩由模型、执行框架和推理预算共同堆出来，同一个底模换套外壳分数就变。生产要看的是你环境里的稳定表现，不是别人的考卷。

错误说法。「换成更大的模型就好了。」3D 任务缺的不是参数，是「渲染截图、发现画面不对、改代码」这条视觉反馈链。没有这条链，模型再大也不知道自己做错了。

五、一句话结论

榜单分是特定考卷的分数，你手里的活是另一张卷子，判卷人只能是你自己。

信息来源

• 雷峰网：Muse Wonder 建模翻车与官方回应，2026 年 10 月 19 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 25 日。