我可以本地运行 Muse Wonder 吗？

Meta | 1,048,576 令牌上下文 | 输入 $4.00/百万，输出 $20.00/百万。Muse Wonder 是 Meta 推出的前沿推理模型，专为复杂的个人和专业代理任务设计。它接受文本、图像、视频、音频和 PDF 文档输入，输出文本，拥有 100 万令牌的上下文窗口。该模型能处理长周期工作：规划、委派子代理、并行调用工具并从错误中恢复，使多步骤任务无需逐步指导即可完成。它还能操作浏览器及桌面和移动应用，跨多个文件库进行修改和验证。Muse Wonder 能在对话中携带重要上下文，检索与任务相关的细节。并且经过主动聚焦训练，即使任务困难也能朝目标努力。Meta 测试显示其在复杂工程任务、长时间代理会话和多文件重构中表现优异，满足开发者最苛刻的需求。

本模型的指南

2026年10月如何选择AI模型：先看闭源新闻，再看值得下载的开源权重

开放权重 vs 开源 vs 仅API：你到底能做什么

2026年最便宜的10款ChatGPT替代品：免费本地模型、免费套餐和固定费率计划

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

Muse Wonder 是 Meta 的前沿推理模型，专为长周期自主任务设计：它能规划、并行调用工具、操作浏览器和应用程序，并跨整个代码库工作，无需你逐步管理。支持文本、图像、视频、音频和 PDF 输入，拥有百万 token 的上下文窗口。若你的工作涉及多步工程任务、多文件重构或长时间自主会话，这是理想选择。

以……著称

自主完成多步骤任务，支持并行调用工具和错误恢复
内置浏览器、桌面及移动应用控制
多文件代码库工作：读取、编辑并验证整个仓库的变更
百万 token 上下文窗口，支持超长会话和大规模文档集
单模型支持文本、图像、视频、音频和 PDF 输入

注意

输出费用高达每百万 token 20.00 美元——长时间代理运行成本迅速累积。
权重未公开，仅通过 API 访问，无本地选项。
Meta 未发布该模型的第三方基准测试结果。

最适合

与……比较

Muse Glimmer 30B
开源权重模型
131,072 令牌上下文 · $0.30/M 输入，$1.20/M 输出
Muse Spark 1.3 Contributor
仅限API模型
1,048,576 令牌上下文 · $0.10/M 输入，$0.20/M 输出
Muse Spark 1.3
仅限API模型
1,048,576 令牌上下文 · $1.25/M 输入，$4.25/M 输出
Muse Spark 1.2
仅限API模型
1,048,576 令牌上下文 · $1.25/M 输入，$4.25/M 输出

来自 meta 的更多文本模型

常见问题

我可以本地运行 Muse Wonder 吗？: 不可以。权重未公开，Meta 也未发布 Hugging Face 仓库，仅支持 API 访问。
Muse Wonder 费用和上下文窗口多大？: 输入每百万 token 4.00 美元，输出每百万 token 20.00 美元，上下文窗口为一百万 token。
Muse Wonder 与标准聊天或编码模型有何不同？: 它专为代理式长周期工作设计——能控制浏览器和应用程序，委派子代理，支持并行调用工具，并在任务中途恢复错误，而非仅回答单一提示后停止。

船长评语
一款面向开发者和高级用户的严肃代理模型，适合需要无人监督完成复杂多步骤工作的场景——价格也相应体现了这一点。

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #69 Hottest Text / LLM text model

Not this creator?

Get your own badge

Muse Wonder 热度趋势

自12 Oct 2026以来的热度分数

热度评分

8,134°

本周

n/a

尚未发布/跟踪

本月

n/a

尚未发布/跟踪

过去一年

n/a

尚未发布/跟踪

7,000°

起点

评分范围是 0° 到 9,999°。低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整。7,000° 是有实际数据的起点：一个有真实数据但几乎没人下载的模型就在这里，后续的度数都是基于它的测量。起点本身不反映模型质量，只有起点以上的度数才区分不同模型。

+1,134°

OpenRouter 令牌

该模型在过去30天内通过OpenRouter处理了60,231,074,988个令牌，包含提示和回答。每10,000,000个令牌计为一次下载，共计6,023次；最后一天的令牌计入采用率。来源：OpenRouter (openrouter.ai/rankings)。

显示详细分解

本站上的每个数字都可以查证。这个模型的热度评分是 8,134°，这里一步步展示了它是如何组成的，每一步都有累计总分：起点、每个来源增加的度数、模型类型的加成以及权重年龄的扣减。颜色对应上方图表的区间。最后的词汇表解释了所有术语。

1
从起点开始。
为什么是 7,000° 而不是零：评分范围是 0° 到 9,999°，低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整且不会超过有数据的模型。7,000° 是有实际数据的起点。一个有真实数据但几乎没人下载的模型就在这里；后续的度数都是测量值，起点以上有十个十倍下载阶梯，每阶梯增加 300°。起点对所有模型一样，不影响排名；区分模型的是起点以上的度数。
7,000°
累计总数
2
加上下载量。
总共6,023个下载等价量，来自OpenRouter 令牌。下载量增加十倍，热度增加相同的300°，所以大小很重要，但不会让分数失控。
+1,134°
8,134°
累计总数
=
热度得分。
这个模型在本站所有榜单上的排名。没有其他因素会调整它。
8,134°

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。

这个模型的受欢迎程度相对于整个目录的变化：它在每个时间段内下载量、点赞和使用量的增长，和同一时间段内典型模型的增长相比，以及当时的热度分数。高于典型增长表示上升，低于则表示下降。过去的数据是从今天的总数、模型的第一天和测量的下载速度（如果有两次测量）推算出来的；如果模型在某个时间段开始时不存在，则显示为 n/a。