Kan ik Muse Wonder lokaal draaien?

Nee. De weights zijn niet openbaar en Meta heeft geen Hugging Face-repository voor dit model uitgebracht, dus alleen API-toegang.

Wat kost Muse Wonder en hoe groot is het contextvenster?

Input kost $4,00 per miljoen tokens en output $20,00 per miljoen tokens, met een contextvenster van één miljoen tokens.

Hoe verschilt Muse Wonder van een standaard chat- of codemodel?

Het is specifiek ontworpen voor agentisch, langetermijnwerk — het kan browsers en applicaties besturen, delegeren aan sub-agenten, tools parallel aanroepen en fouten herstellen halverwege een taak, in plaats van één prompt beantwoorden en stoppen.

Nieuw deze week · bekijk de trend

Muse Wonder

8134°

#llm #meta #visie #audio #video #redeneren

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Meta | 1.048.576 token context | $4,00/M input, $20,00/M output. Muse Wonder is een grensverleggend redeneermodel van Meta, ontworpen voor complexe persoonlijke en professionele agenttaken. Het accepteert tekst, afbeeldingen, video, audio en PDF-documenten en levert tekst terug, met een contextvenster van 1 miljoen tokens. Het model kan langlopende taken aan: het plant, delegeert aan sub-agenten, roept tools parallel aan en herstelt van fouten, zodat meerstaps taken worden afgerond zonder stapsgewijze instructies. Het kan ook browsers en desktop- en mobiele applicaties bedienen, en werkt over…Meta | 1.048.576 token context | $4,00/M input, $20,00/M output. Muse Wonder is een grensverleggend redeneermodel van Meta, ontworpen voor complexe persoonlijke en professionele agenttaken. Het accepteert tekst, afbeeldingen, video, audio en PDF-documenten en levert tekst terug, met een contextvenster van 1 miljoen tokens. Het model kan langlopende taken aan: het plant, delegeert aan sub-agenten, roept tools parallel aan en herstelt van fouten, zodat meerstaps taken worden afgerond zonder stapsgewijze instructies. Het kan ook browsers en desktop- en mobiele applicaties bedienen, en werkt over veel bestanden in bestaande repositories om wijzigingen te maken en te verifiëren. Muse Wonder draagt belangrijke context over gesprekken heen en haalt de details op die relevant zijn voor de taak. Het is getraind voor Actieve Focus, zodat het naar je doel werkt, zelfs als een taak uitdagend wordt. In Meta’s tests presteert het goed bij complexe engineeringtaken, uitgebreide agent-sessies en multi-bestands refactoren om de meest veeleisende werkzaamheden van ontwikkelaars aan te kunnen.

Gidsen voor dit model

Hoe kies je een AI-model in oktober 2026: eerst het nieuws over gesloten modellen, dan de open modellen die het downloaden waard zijn

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

De 10 goedkoopste ChatGPT-alternatieven in 2026: gratis lokale modellen, gratis tiers en vaste prijsplannen

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Muse Wonder is Meta’s grensverleggende redeneermodel gebouwd voor langetermijn agentwerk: het plant, roept tools parallel aan, bestuurt browsers en applicaties, en werkt over volledige codebases zonder dat jij elke stap hoeft te managen. Het accepteert tekst, afbeeldingen, video, audio en PDF’s, met een contextvenster van één miljoen tokens. Als je werk multi-stap engineeringtaken, multi-bestand refactors of uitgebreide autonome sessies omvat, is dit het niveau dat het richt.

Bekend om

Autonome multi-stap taakuitvoering met parallelle toolaanroepen en foutherstel
Browser-, desktop- en mobiele applicatiebesturing ingebouwd
Multi-bestand codebase werk: leest, bewerkt en verifieert wijzigingen over een repository
Contextvenster van één miljoen tokens voor zeer lange sessies en grote documenten
Accepteert tekst, afbeeldingen, video, audio en PDF-inputs in één model

Let op

Output kost $20,00 per miljoen tokens — uitgebreide agentruns kunnen snel kosten opbouwen.
Weights zijn niet publiek; je draait het alleen via API, geen lokale optie.
Meta heeft geen onafhankelijke benchmarkresultaten voor dit model gepubliceerd.

Het beste voor

Agenten en toolgebruik

Prompts om te proberen

Multi-bestand refactorplan

Ik heb een Node.js REST API verspreid over ongeveer 20 bestanden die momenteel callbacks gebruikt. Maak een concreet, geordend plan om de hele codebase te migreren naar async/await: identificeer de te wijzigen bestanden, de volgorde om afhankelijkheden niet te breken, en de tests die je bij elke stap draait om regressie te voorkomen.

Agentisch onderzoeks-synthese

Ik voeg drie lange PDF-rapporten toe over grootschalige batterijopslag die in de afgelopen twee jaar zijn gepubliceerd. Lees ze alle drie, identificeer waar ze het eens zijn en waar ze elkaar tegenspreken over kostenschattingen en cycluslevensduur, en maak een tweepagina briefing die ik aan een niet-technische leidinggevende kan geven.

Debuggen van een falende pijplijn

Hier is de volledige logoutput van een CI-pijplijn die af en toe faalt bij de integratietestsuite. Diagnoseer de meest waarschijnlijke oorzaak, leg je redenering stap voor stap uit, en schrijf de exacte codewijziging of configuratiefix die het probleem zou moeten oplossen.

Vergelijk met

Muse Glimmer 30B
Model met open gewichten
131,072 token context · $0.30/M invoer, $1.20/M uitvoer
Muse Spark 1.3 Contributor
Alleen API-model
1,048,576 token context · $0.10/M invoer, $0.20/M uitvoer
Muse Spark 1.3
Alleen API-model
1,048,576 token context · $1.25/M invoer, $4.25/M uitvoer
Muse Spark 1.2
Alleen API-model
1,048,576 token context · $1.25/M invoer, $4.25/M uitvoer

Meer tekstmodellen van meta

Veelgestelde vragen

Kan ik Muse Wonder lokaal draaien?: Nee. De weights zijn niet openbaar en Meta heeft geen Hugging Face-repository voor dit model uitgebracht, dus alleen API-toegang.
Wat kost Muse Wonder en hoe groot is het contextvenster?: Input kost $4,00 per miljoen tokens en output $20,00 per miljoen tokens, met een contextvenster van één miljoen tokens.
Hoe verschilt Muse Wonder van een standaard chat- of codemodel?: Het is specifiek ontworpen voor agentisch, langetermijnwerk — het kan browsers en applicaties besturen, delegeren aan sub-agenten, tools parallel aanroepen en fouten herstellen halverwege een taak, in plaats van één prompt beantwoorden en stoppen.

Oordeel van de kapitein
Een serieus agentisch model voor ontwikkelaars en power users die een systeem nodig hebben dat complexe, multi-stap taken zelfstandig afrondt — tegen een prijs die dat weerspiegelt.

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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

Populariteitstrend van Muse Wonder

Heat score sinds 12 Oct 2026

Heat score

8,134°

Deze week

n.v.t.

Nog niet uitgebracht/getrackt

Deze maand

n.v.t.

Nog niet uitgebracht/getrackt

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,134°

OpenRouter tokens

60,231,074,988 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 6,023; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 8,134°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
6,023 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,134°
8,134°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
8,134°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

AI-modellen voor het genereren van afbeeldingen, video en tekst

Muse Wonder is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm meta visie audio video redeneren agenten coderen

Bladeren op modelfamilie