Posso rodar o Muse Wonder localmente?

Não. Os pesos não são públicos e a Meta não lançou um repositório no Hugging Face para este modelo, então é só acesso via API.

Quanto custa o Muse Wonder e qual o tamanho da janela de contexto?

Entrada custa $4,00 por milhão de tokens e saída $20,00 por milhão de tokens, com janela de contexto de um milhão de tokens.

Como o Muse Wonder difere de um modelo padrão de chat ou código?

Foi projetado especificamente para trabalho agente de longo prazo — pode controlar navegadores e aplicações, delegar a subagentes, chamar ferramentas em paralelo e recuperar de erros no meio da tarefa, em vez de responder a um único prompt e parar.

Novo esta semana · veja a tendência

Muse Wonder

8134°

#llm #meta #visão #áudio #vídeo #raciocínio

Executar modelo

Ofertas / Anúncios

OpenRouter Terminal / API

Pague por token

Converse com este modelo no navegador ou chame-o do seu código com uma chave API.

Meta | contexto de 1.048.576 tokens | $4.00/M entrada, $20.00/M saída. Muse Wonder é um modelo de raciocínio avançado da Meta, projetado para tarefas complexas pessoais e profissionais com capacidades agentivas. Aceita texto, imagens, vídeo, áudio e documentos PDF e retorna texto, com uma janela de contexto de 1 milhão de tokens. O modelo lida com trabalhos de longo prazo: planeja, delega para subagentes, chama ferramentas em paralelo e recupera-se de erros, permitindo que tarefas multi-etapas sejam concluídas sem direção passo a passo. Também pode operar navegadores e aplicações desktop e…Meta | contexto de 1.048.576 tokens | $4.00/M entrada, $20.00/M saída. Muse Wonder é um modelo de raciocínio avançado da Meta, projetado para tarefas complexas pessoais e profissionais com capacidades agentivas. Aceita texto, imagens, vídeo, áudio e documentos PDF e retorna texto, com uma janela de contexto de 1 milhão de tokens. O modelo lida com trabalhos de longo prazo: planeja, delega para subagentes, chama ferramentas em paralelo e recupera-se de erros, permitindo que tarefas multi-etapas sejam concluídas sem direção passo a passo. Também pode operar navegadores e aplicações desktop e móveis, trabalhando em vários arquivos em repositórios existentes para fazer e verificar alterações. Muse Wonder mantém contexto importante ao longo das conversas e recupera detalhes relevantes para a tarefa em questão. É treinado para Foco Ativo, trabalhando em direção ao seu objetivo mesmo quando a tarefa se torna desafiadora. Nos testes da Meta, apresenta bom desempenho em tarefas complexas de engenharia, sessões agentivas prolongadas e refatorações multi-arquivo para enfrentar os trabalhos mais exigentes dos desenvolvedores.

Guias para este modelo

Como escolher um modelo de IA em outubro de 2026: as novidades de código fechado e os pesos abertos que valem a pena baixar

Pesos abertos vs código aberto vs só API: o que você realmente pode fazer

As 10 alternativas mais baratas ao ChatGPT em 2026: modelos locais grátis, planos gratuitos e planos fixos

Todos os guias

Notas do capitão

Escrito por Captain, o editor da casa

Notas de 2026-10-13

Muse Wonder é o modelo de raciocínio de ponta da Meta, construído para trabalho agente de longo prazo: planeja, chama ferramentas em paralelo, opera navegadores e aplicações, e trabalha em bases de código inteiras sem que você gerencie cada passo. Aceita texto, imagens, vídeo, áudio e PDFs, com uma janela de contexto de um milhão de tokens. Se seu trabalho envolve tarefas de engenharia multi-etapas, refatorações multi-arquivo ou sessões autônomas prolongadas, este é o nível que ele mira.

Conhecido por

Conclusão autônoma de tarefas multi-etapas com chamadas paralelas a ferramentas e recuperação de erros
Controle integrado de navegador, desktop e aplicações móveis
Trabalho em bases de código multi-arquivo: lê, edita e verifica mudanças em um repositório
Janela de contexto de um milhão de tokens para sessões muito longas e grandes conjuntos de documentos
Aceita texto, imagens, vídeo, áudio e PDFs em um único modelo

Fique atento a

A saída custa $20,00 por milhão de tokens — execuções longas e agentes podem acumular custo rapidamente.
Pesos não são públicos; você roda via API apenas, sem opção local.
A Meta não publicou resultados de benchmarks de terceiros para este modelo.

Melhor para

Agentes e uso de ferramentas

Sugestões para tentar

Plano de refatoração multi-arquivo

Tenho uma API REST em Node.js espalhada por cerca de 20 arquivos que atualmente usa callbacks em todo lugar. Produza um plano concreto e ordenado para migrar toda a base de código para async/await: identifique os arquivos a modificar, a ordem para evitar quebrar dependências e os testes a rodar em cada etapa para confirmar que nada regrediu.

Síntese de pesquisa agente

Estou anexando três relatórios PDF extensos sobre armazenamento de baterias em escala de rede publicados nos últimos dois anos. Leia os três, identifique onde concordam e onde se contradizem em projeções de custo e estimativas de ciclo de vida, e produza um briefing de duas páginas que eu possa entregar a um executivo não técnico.

Depurando uma pipeline com falha

Aqui está o log completo de uma pipeline CI que falha intermitentemente no conjunto de testes de integração. Diagnostique a causa mais provável, explique seu raciocínio passo a passo e escreva a mudança exata no código ou configuração que deve resolver o problema.

Comparar com

Muse Glimmer 30B
Modelo com pesos abertos
Contexto de 131,072 tokens · entrada $0.30/M, saída $1.20/M
Muse Spark 1.3 Contributor
Modelo apenas para API
Contexto de 1,048,576 tokens · entrada $0.10/M, saída $0.20/M
Muse Spark 1.3
Modelo apenas para API
Contexto de 1,048,576 tokens · entrada $1.25/M, saída $4.25/M
Muse Spark 1.2
Modelo apenas para API
Contexto de 1,048,576 tokens · entrada $1.25/M, saída $4.25/M

Mais modelos de texto de meta

Perguntas frequentes

Posso rodar o Muse Wonder localmente?: Não. Os pesos não são públicos e a Meta não lançou um repositório no Hugging Face para este modelo, então é só acesso via API.
Quanto custa o Muse Wonder e qual o tamanho da janela de contexto?: Entrada custa $4,00 por milhão de tokens e saída $20,00 por milhão de tokens, com janela de contexto de um milhão de tokens.
Como o Muse Wonder difere de um modelo padrão de chat ou código?: Foi projetado especificamente para trabalho agente de longo prazo — pode controlar navegadores e aplicações, delegar a subagentes, chamar ferramentas em paralelo e recuperar de erros no meio da tarefa, em vez de responder a um único prompt e parar.

Veredito do capitão
Um modelo agente sério para desenvolvedores e usuários avançados que precisam de um sistema que finalize trabalhos complexos e multi-etapas sem supervisão — a um preço que reflete isso.

O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.

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

Tendência de popularidade de Muse Wonder

Pontuação de calor desde 12 Oct 2026

Pontuação de destaque

8,134°

Esta semana

n/a

Ainda não lançado/monitorado

Este mês

n/a

Ainda não lançado/monitorado

Último ano

n/a

Ainda não lançado/monitorado

7,000°

Piso

A escala vai de 0° a 9.999°. Tudo abaixo de 7,000° é reservado para modelos que nenhuma fonte reportou ainda, que carregam um número provisório ali para as listas ficarem completas. 7,000° é onde começam os dados medidos: um modelo com dados reais mas quase nenhum download fica no piso, e as medições preenchem os graus acima dele. O piso não diz nada sobre o modelo; só os graus acima dele dizem, e são eles que diferenciam um modelo do outro.

+1,134°

Tokens OpenRouter

60,231,074,988 tokens processados por este modelo via OpenRouter nos últimos 30 dias, prompts e respostas juntos. Cada 10,000,000 tokens conta como um download no termo de downloads, 6,023 no total; os tokens do último dia entram na taxa de adoção. Fonte: OpenRouter (openrouter.ai/rankings).

Mostrar detalhamento

Cada número neste site pode ser verificado. A pontuação de popularidade deste modelo é 8,134°, e aqui ela é construída um ingrediente de cada vez, com o total acumulado após cada um: o piso, os graus que cada fonte adiciona, o bônus pelo tipo de modelo e o que a idade dos pesos subtrai. As cores são as faixas do gráfico acima. O glossário no final define cada termo.

1
Comece pelo piso.
Por que 7,000° e não zero: a escala vai de 0° a 9.999°, e a parte abaixo de 7,000° é reservada para modelos que nenhuma fonte reportou ainda, que carregam um número provisório ali para as listas ficarem completas e nunca ficarem acima de um modelo com dados. 7,000° é onde começam os dados medidos. Um modelo com dados reais mas quase nenhum download fica aqui; tudo que vem depois é medição, e o espaço acima do piso tem dez passos de dez vezes mais downloads, com 300° cada. O piso é o mesmo para todo modelo, então ele não decide nada; os graus acima dele é que decidem.
7,000°
total acumulado
2
Some as downloads.
6,023 equivalentes a downloads no total, de Tokens OpenRouter. Dez vezes os downloads adicionam o mesmo 300°, então o tamanho importa, mas nunca domina a pontuação.
+1,134°
8,134°
total acumulado
=
A pontuação heat.
Onde este modelo está em todas as listas deste site. Nada mais altera isso.
8,134°

Glossário: os termos usados aqui

Pontuação heat: Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
Limite mínimo: Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
Equivalentes a downloads: Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
Escala logarítmica: Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
Likes: Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
Taxa de adoção: Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
Medido e estimado: Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
Seeder: Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
AI Horde: Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
Sites de geração: Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
Tokens OpenRouter: Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modelo completo (checkpoint): Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
LoRA e embedding: Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
Família e pesos: A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
Idade: Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
Impulso da família: Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
Pontuação provisória: Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
Novo! (período de carência): Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
Tendência: Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
Modelo típico: O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.

Como a popularidade deste modelo mudou em relação ao resto do catálogo: seu crescimento em downloads, curtidas e uso em cada período, medido contra o crescimento típico dos modelos no mesmo período, junto com sua pontuação de calor na época. Acima do crescimento típico significa alta, abaixo significa queda. O passado é reconstruído a partir dos totais de hoje, do primeiro dia do modelo e da velocidade de download medida quando existem duas leituras; um modelo que não existia no começo do período mostra n/a.

Modelos semelhantes

Modelos de IA para geração de imagem, vídeo e texto

Muse Wonder é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.

Mais modelos Text / LLM Mais Texto / LLM Text / LLM llm meta visão áudio vídeo raciocínio agentes programação

Navegar por família de modelos