Bisakah saya menjalankan Muse Wonder secara lokal?

Tidak. Bobot tidak publik dan Meta belum merilis repositori Hugging Face untuk model ini, jadi hanya akses API.

Berapa biaya Muse Wonder dan seberapa besar konteksnya?

Input dihargai $4,00 per juta token dan output $20,00 per juta token, dengan jendela konteks satu juta token.

Apa perbedaan Muse Wonder dengan model chat atau kode standar?

Dirancang khusus untuk pekerjaan agen jangka panjang — dapat mengontrol browser dan aplikasi, mendelegasikan ke sub-agen, memanggil alat paralel, dan pulih dari kesalahan di tengah tugas, bukan hanya menjawab satu prompt dan berhenti.

Baru minggu ini · lihat tren

Muse Wonder

8134°

#llm #meta #visi #audio #video #penalaran

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Meta | konteks 1.048.576 token | $4.00/M input, $20.00/M output. Muse Wonder adalah model penalaran terdepan dari Meta, dirancang untuk tugas agen personal dan profesional yang kompleks. Menerima teks, gambar, video, audio, dan dokumen PDF serta mengembalikan teks, dengan jendela konteks 1 juta token. Model ini menangani pekerjaan jangka panjang: merencanakan, mendelegasikan ke sub-agen, memanggil alat secara paralel, dan memulihkan dari kesalahan, sehingga tugas multi-langkah dapat diselesaikan tanpa arahan langkah demi langkah. Juga dapat mengoperasikan browser dan aplikasi desktop serta…Meta | konteks 1.048.576 token | $4.00/M input, $20.00/M output. Muse Wonder adalah model penalaran terdepan dari Meta, dirancang untuk tugas agen personal dan profesional yang kompleks. Menerima teks, gambar, video, audio, dan dokumen PDF serta mengembalikan teks, dengan jendela konteks 1 juta token. Model ini menangani pekerjaan jangka panjang: merencanakan, mendelegasikan ke sub-agen, memanggil alat secara paralel, dan memulihkan dari kesalahan, sehingga tugas multi-langkah dapat diselesaikan tanpa arahan langkah demi langkah. Juga dapat mengoperasikan browser dan aplikasi desktop serta mobile, serta bekerja di banyak file dalam repositori yang ada untuk membuat dan memverifikasi perubahan. Muse Wonder membawa konteks penting di seluruh percakapan dan mengambil detail yang relevan dengan tugas yang sedang dikerjakan. Dan dilatih untuk Fokus Aktif, sehingga bekerja menuju tujuan Anda meskipun tugas menjadi menantang. Dalam pengujian Meta, model ini berkinerja baik pada tugas teknik kompleks, sesi agen yang diperpanjang, dan refaktor multi-file untuk menangani pekerjaan pengembang yang paling menuntut.

Panduan untuk model ini

Cara memilih model AI di Oktober 2026: berita sumber tertutup, lalu bobot terbuka yang layak diunduh

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

10 Alternatif ChatGPT Termurah di 2026: model lokal gratis, tingkat gratis, dan paket tarif tetap

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Muse Wonder adalah model penalaran frontier dari Meta yang dibangun untuk pekerjaan agen jangka panjang: ia merencanakan, memanggil alat secara paralel, mengoperasikan browser dan aplikasi, serta bekerja di seluruh basis kode tanpa Anda mengelola tiap langkah. Menerima teks, gambar, video, audio, dan PDF, dengan jendela konteks satu juta token. Jika pekerjaan Anda melibatkan tugas teknik multi-langkah, refaktor multi-berkas, atau sesi otonom panjang, ini adalah tingkatan yang ditargetkan.

Dikenal untuk

Penyelesaian tugas multi-langkah otonom dengan panggilan alat paralel dan pemulihan kesalahan
Kontrol browser, desktop, dan aplikasi mobile bawaan
Pekerjaan basis kode multi-berkas: membaca, mengedit, dan memverifikasi perubahan di seluruh repositori
Jendela konteks satu juta token untuk sesi sangat panjang dan kumpulan dokumen besar
Menerima input teks, gambar, video, audio, dan PDF dalam satu model

Waspadai

Biaya output $20,00 per juta token — sesi agen panjang bisa menumpuk biaya dengan cepat.
Bobot tidak publik; Anda hanya bisa mengakses lewat API, tanpa opsi lokal.
Meta belum mempublikasikan hasil benchmark pihak ketiga untuk model ini.

Terbaik untuk

Agen dan penggunaan alat

Prompt untuk dicoba

Rencana refaktor multi-berkas

Saya memiliki REST API Node.js tersebar di sekitar 20 berkas yang saat ini menggunakan callback di seluruhnya. Buat rencana konkret dan terurut untuk migrasi seluruh basis kode ke async/await: identifikasi berkas yang harus diubah, urutan perubahan agar tidak merusak dependensi, dan tes yang harus dijalankan di tiap tahap untuk memastikan tidak ada regresi.

Sintesis riset agen

Saya melampirkan tiga laporan PDF panjang tentang penyimpanan baterai skala jaringan yang diterbitkan dalam dua tahun terakhir. Baca ketiganya, identifikasi kesepakatan dan kontradiksi mereka tentang proyeksi biaya dan estimasi siklus hidup, lalu buat briefing dua halaman yang bisa saya serahkan ke eksekutif non-teknis.

Debug pipeline yang gagal

Berikut adalah output log lengkap dari pipeline CI yang gagal secara sporadis pada suite tes integrasi. Diagnosa penyebab paling mungkin, jelaskan penalaran langkah demi langkah, dan tulis perubahan kode atau konfigurasi tepat yang harus memperbaikinya.

Bandingkan dengan

Muse Glimmer 30B
Model dengan bobot terbuka
konteks 131,072 token · $0.30/M input, $1.20/M output
Muse Spark 1.3 Contributor
Model hanya API
konteks 1,048,576 token · $0.10/M input, $0.20/M output
Muse Spark 1.3
Model hanya API
konteks 1,048,576 token · $1.25/M input, $4.25/M output
Muse Spark 1.2
Model hanya API
konteks 1,048,576 token · $1.25/M input, $4.25/M output

Model teks lain dari meta

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Muse Wonder secara lokal?: Tidak. Bobot tidak publik dan Meta belum merilis repositori Hugging Face untuk model ini, jadi hanya akses API.
Berapa biaya Muse Wonder dan seberapa besar konteksnya?: Input dihargai $4,00 per juta token dan output $20,00 per juta token, dengan jendela konteks satu juta token.
Apa perbedaan Muse Wonder dengan model chat atau kode standar?: Dirancang khusus untuk pekerjaan agen jangka panjang — dapat mengontrol browser dan aplikasi, mendelegasikan ke sub-agen, memanggil alat paralel, dan pulih dari kesalahan di tengah tugas, bukan hanya menjawab satu prompt dan berhenti.

Putusan Kapten
Model agen serius untuk pengembang dan pengguna power yang butuh sistem yang menyelesaikan pekerjaan kompleks multi-langkah tanpa pengawasan — dengan harga yang mencerminkan itu.

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Tren popularitas Muse Wonder

Skor panas sejak 12 Oct 2026

Skor panas

8,134°

Minggu ini

n/a

Belum dirilis/dilacak

Bulan ini

n/a

Belum dirilis/dilacak

Tahun lalu

n/a

Belum dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,134°

Token OpenRouter

60,231,074,988 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 6,023; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 8,134°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
6,023 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,134°
8,134°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
8,134°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

GPT 3.5 Turbo (older v0613)

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

Muse Wonder adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm meta visi audio video penalaran agen pemrograman

Jelajahi berdasarkan Keluarga Model