看到“Muse Wonder Full”的评测或介绍，打开 API 文档，把推理强度调到 max，然后期待拿到同一个模型——这恰好是这次发布最容易踩的坑。Meta 在 10 月 12 日公布 Muse Wonder 和 Muse Wonder Full，两者的接入入口并不相同。
这条消息已获 TechCrunch 和 Quartz 等媒体跟进。对准备开发应用的人，真正有用的问题是：自己能用哪个版本，完成一次任务会花多少钱，提交的代码和资料处于什么数据模式？以下根据官方当前文档提炼，费用示例为计算，不是实测账单。
先认版本：max 不会把 Wonder 变成 Full
Meta 的模型文档写得很明确：Muse Wonder 可通过 Meta Model API 和 Muse Code 使用；Muse Wonder Full 当前只在 Muse Code 的 Power Usage、Maximum Usage 订阅中提供。把普通 Wonder 的 reasoning effort 设为 max，不会切换到 Full。
因此，API 开发者应该检查实际 model ID，而不是凭产品名称或某张评测截图推断自己在调用什么。官方列出的普通版标识是 muse-wonder-1.0。Full 的表现和入口应当分开讨论，不能把它的成绩直接当成普通 API 版本的效果承诺。
个人用户还要区分模型发布和应用更新。官方公告表示，Wonder 将随后进入 Muse 体验，先面向订阅者推出；不能把这句话改写成“所有 Muse 用户今天已经免费用上”。具体地区、账号资格和套餐权益，以使用入口显示的信息为准。
每次调用不贵，长任务为什么仍要算账？
截至 10 月 13 日核实，官方 API 标准定价为每百万输入 token 4 美元、每百万输出 token 20 美元。输入和输出要分别计算，这不是月费，也不是“每个任务 4 美元”。
举一个只算未缓存文本用量的例子：一次请求有 10,000 输入 token、2,000 输出 token，输入费用为 0.04 美元，输出费用也为 0.04 美元，合计 0.08 美元。若一个任务进行了十次这样的请求，文本用量就是 0.80 美元。
这里的十次请求是便于理解的假设，不代表模型通常需要十次。缓存、搜索工具、重试和其他收费项未计入；实际成本还取决于每一轮带入多少历史内容，以及产生多少输出。官方另列有搜索工具收费，接入时应一起看清。
AI 群岛的建议是记录“最终完成一件事”的总用量。对修改代码的任务，可以比较改动是否通过测试、人工修正花了多久、失败后重跑几次。只看一条回复的价格，很难判断哪个模型对你的任务更划算。
更多订阅用量，还涉及数据模式
Meta 文档区分 Standard 和 Contributor 模式：前者不把所提交内容用于训练 Meta 模型，后者允许相关内容用于未来模型训练，以换取优惠或更多用量。Muse Code 订阅默认启用 Contributor，可以在设置中关闭；Wonder 在 Model API 上当前不提供 Contributor 模式。
这不是说所有入口都采用同一规则。准备试用时，应先检查实际入口和当前设置，再决定上传哪些代码、文件和上下文。Standard 的训练用途说明，也不能被扩大解释成“完全不保存任何数据”。保存期限与其他数据处理条件需要另外核对。
“能记住、能坚持”应该怎样验证？
Meta 用 Active Memory 描述跨对话保留并调用重要背景，用 Active Focus 描述遇到阻碍后继续推进、必要时澄清和确认的能力。这是官方对模型设计的介绍，本文没有做独立测试。
如果你想判断这些能力对自己是否有用，可以设计一个小任务：让模型修改一个测试仓库中的表单，明确哪些文件不能动，并要求给出测试结果；第二轮补充一项约束，观察它能否保留前面的要求。这个方案是编辑建议，不是已证明的模型成绩。
重要的不是它是否一直尝试，而是尝试过程中是否仍遵守边界。它遇到权限不足、费用上限或缺少资料时，应当如何报告，也要写进任务说明。可以结合本站 Agent Skill 的使用与安全解读，决定哪些工具权限适合开放。
什么时候值得试，什么时候不用急着换？
如果你经常让 AI 完成多步代码修改、工具调用和跨轮协作，Wonder 值得进入小范围对比。保留现有方案，用相同任务看交付质量、总成本和返工情况，再决定是否迁移。
如果需求主要是短文本整理，现有工具已经稳定，发布当天不必为了新型号重建流程。先弄清版本、费用和数据模式，再看自己的任务是否受益，比只追一张排行榜更有判断价值。日常工具选型可参考 AI 工具目录，本次新模型也不应在未经验证时被宣称为全面替代现有产品。