Meta releases its first frontier model, Muse Wonder

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Meta가 첫 프런티어 모델 Muse Wonder와 Muse Wonder Full을 공개하며, 복잡한 작업의 성능과 사용자 정보를 장기간 기억하는 ‘active memory’를 강조했다.

📌 핵심 요약

• Meta의 Superintelligence Lab은 2026년 10월 12일 첫 프런티어 모델인 Muse Wonder와 Muse Wonder Full을 공개했다. 저지연 경량 모델 Muse Spark보다 규모가 크며, 코딩 등 복잡한 작업에서 더 나은 결과를 낸다고 설명했다.
• Meta의 모델 카드에 제시된 자체 시험에서 두 모델은 Fable 5.1 및 GPT-6 Astra와 비슷한 벤치마크 점수를 기록했다. Meta는 이를 모델 규모 확장의 다음 단계이자 개인용 초지능을 향한 큰 도약이라고 주장했다.
• Meta Model API에서 Muse Wonder의 가격은 입력 토큰 100만 개당 4.00달러, 출력 토큰 100만 개당 20.00달러로, GPT-6 Sol 또는 Opus 5.5와 대략 비슷하다. Muse Wonder Full은 Muse Code 구독자에게만 제공되며 API로는 제공되지 않는다. 두 모델 모두 Muse agent에 사용된다.
• Meta는 사용자 정보를 보존하고 종합하는 ‘active memory’를 강조했다. 회사 자체 시험에서 Muse Wonder는 지속 학습과 기억 구성 프레임워크를 평가하는 MemoryBench에서 Fable, Opus, Astra보다 높은 점수를 기록했으며, 연구원 Kavya Kopparapu는 수일·수주·수개월 이상 중요한 정보를 기억하도록 개발했다고 설명했다.
• 이번 공개는 Scale AI 창업자 Alexandr Wang이 2025년 8월 Meta의 AI 조직을 재편한 뒤 처음 이루어진 프런티어 모델 출시다. Meta는 그동안 Muse Spark와 Muse agent를 출시했으며, 새 모델들은 2026년 초 가동된 오하이오 중부의 Prometheus 데이터센터에서 훈련됐다고 밝혔다.

🧩 주요 포인트

1. 경량 Muse Spark에서 대형 Wonder 모델로 확장 → Meta의 모델 전략이 저지연 처리에서 복잡한 작업과 프런티어 성능까지 넓어졌다. 경쟁 모델과의 성능 비교는 Meta 자체 시험에 근거한다.
2. Muse Wonder의 토큰별 API 가격과 Muse Wonder Full의 Muse Code 구독 제한 → 모델 선택에는 성능뿐 아니라 입력·출력 비용과 제공 경로의 차이가 함께 작용한다.
3. ‘active memory’와 MemoryBench 성과 강조 → Meta는 장기 개인 비서의 핵심 능력으로 사용자 정보의 보존·종합을 내세우며, 두 모델을 Muse agent에 연결한다.

🧠 상세 정리

1. 첫 프런티어 모델 공개와 규모 확장

Meta의 Superintelligence Lab은 2026년 10월 12일 월요일 Muse Wonder와 Muse Wonder Full이라는 두 모델을 공개했으며, 기사는 이를 회사의 첫 프런티어 모델 시도로 소개한다. 앞서 나온 Muse Spark가 낮은 지연 시간으로 작동하는 경량 모델을 목표로 했다면, Wonder 계열은 더 큰 규모와 더 높은 능력을 지향한다. Meta는 새 모델들이 벤치마크에서 더 높은 점수를 얻고 코딩처럼 복잡한 작업에서도 더 나은 결과를 낸다고 설명했다. 이번 발표의 주요 전환점은 기존 경량 모델에 이어, 복잡한 작업을 처리하는 대형 모델까지 제품 범위를 확장했다는 데 있다.

2. 경쟁 모델과의 성능 비교

Meta의 모델 카드에 제시된 자체 시험에 따르면 Muse Wonder와 Muse Wonder Full은 Fable 5.1 및 GPT-6 Astra와 비슷한 벤치마크 점수를 기록했다. 이는 두 모델의 성능을 설명하는 근거로 제시되지만, 기사에서 해당 비교의 출처는 Meta의 시험 결과로 명시된다. Meta는 공식 블로그에서 두 모델을 규모 확장의 다음 단계이자 개인용 초지능을 향한 큰 도약이라고 표현했다. 따라서 공개된 성능 비교와 개인용 초지능이라는 목표는 구분해서 읽을 필요가 있으며, 전자는 회사가 제시한 벤치마크 결과이고 후자는 이번 출시의 방향을 설명하는 주장이다.

3. API 가격과 모델별 제공 경로

Meta Model API를 통해 제공되는 Muse Wonder의 가격은 입력 토큰 100만 개당 4.00달러, 출력 토큰 100만 개당 20.00달러다. 기사는 이 가격이 GPT-6 Sol 또는 Opus 5.5의 비용과 대략 비슷하다고 설명하며, 커진 모델 규모가 가격에도 반영됐다고 짚는다. Muse Wonder Full은 Muse Code 구독자에게만 제공되고 API로는 제공되지 않아, 두 모델의 이용 경로에는 명확한 차이가 있다. 다만 두 모델 모두 Muse agent를 구동하는 데 사용될 예정이므로, 이번 발표는 API로 이용할 수 있는 모델과 구독 경로로만 제공되는 모델을 함께 포함한다.

4. 장기 개인 비서를 위한 active memory

Meta는 오랜 기간 작업을 수행하는 개인 비서를 개발하려는 관심에 맞춰, 새 모델이 사용자가 제공한 정보를 보존하고 종합하는 능력을 특히 강조했다. 회사는 이 특성을 ‘active memory’라고 부르며, 기억 능력을 이번 출시의 주요 특징으로 제시했다. 출시 영상에 등장한 연구원 Kavya Kopparapu는 사용자에게 중요한 내용을 수일, 수주, 수개월, 그리고 그 이상 기억하도록 만드는 데 많은 노력을 기울였다고 말했다. 이 설명에서 기억은 사용자에게 받은 정보를 오래 유지하고 종합하는 능력으로 제시되며, 장기간 작동하는 개인 비서라는 Meta의 개발 방향과 연결된다.

5. MemoryBench로 제시한 기억 성능의 근거

Meta는 더 나은 회상 능력을 설명하기 위해 지속 학습과 기억 구성 프레임워크를 평가하는 MemoryBench 벤치마크를 강조했다. 회사 자체 시험에 따르면 Muse Wonder는 이 평가에서 Fable, Opus, Astra보다 높은 점수를 기록했다. 앞서 두 Wonder 모델의 전반적인 벤치마크 성능을 경쟁 모델과 비슷한 수준으로 소개한 것과 달리, 이 대목에서는 Muse Wonder의 기억 관련 점수가 더 높다는 주장이 제시된다. 따라서 MemoryBench 결과는 ‘active memory’에 대한 구체적인 평가 근거로 읽을 수 있지만, 비교의 범위는 해당 벤치마크이며 결과의 출처도 Meta의 자체 시험이다.

6. AI 조직 재편 이후의 출시와 훈련 기반

이번 모델들은 Scale AI 창업자 Alexandr Wang이 2025년 8월 Meta의 AI 활동을 재편한 이후 처음 공개된 프런티어 모델이다. 그동안 Meta는 경량 Muse Spark와 Muse agent를 출시했지만, OpenAI와 Anthropic이 알려진 최첨단 모델 출시는 이어가지 않았다. Wonder 계열의 공개는 이러한 흐름에서 프런티어 모델 출시로 범위를 넓힌 전환점으로 제시된다. Meta의 게시물에 따르면 새 모델들은 2026년 초 가동에 들어간 오하이오 중부의 Prometheus 데이터센터에서 훈련됐다. 기사는 조직 재편 이후의 제품 출시 흐름과 새 모델의 훈련 장소를 함께 전하며 이번 발표의 배경을 설명한다.

🧾 핵심 주장 / 시사점

• Muse Spark와 Wonder 계열의 차이는 Meta가 저지연 경량 모델에 더해 복잡한 작업을 위한 대형 모델까지 제공하려는 방향을 보여준다.
• Muse Wonder Full의 Muse Code 구독 제한과 API 미제공 조건 때문에, 두 Wonder 모델은 성능과 함께 접근 경로도 비교해야 한다.
• MemoryBench와 ‘active memory’의 강조는 Meta가 장기 개인 비서의 경쟁력으로 기억 능력을 내세운다는 의미이며, 성능 우위 주장은 Meta 자체 시험이라는 출처를 유지해 해석해야 한다.

✅ 액션 아이템

• Muse Wonder와 Muse Wonder Full의 성능 비교는 Meta 자체 시험이라는 조건을 반영해 검토.
• Muse Wonder의 입력 토큰 100만 개당 4.00달러·출력 토큰 100만 개당 20.00달러와 Muse Wonder Full의 Muse Code 구독 제한을 함께 고려해 이용 경로 비교.
• 장기 개인 비서에 필요한 사용자 정보의 보존·종합 관점에서 ‘active memory’와 MemoryBench 성과의 적합성 검토.

❓ 열린 질문

• Meta 자체 시험에서 제시된 Muse Wonder와 Muse Wonder Full의 성능은 실제 코딩 등 복잡한 작업에서도 Fable 5.1 및 GPT-6 Astra와 비슷한 수준으로 나타나는가?
• Muse Wonder의 입력·출력 토큰 가격과 Muse Wonder Full의 Muse Code 구독 제한을 고려할 때 어떤 이용 경로가 적합한가?
• Muse Wonder의 MemoryBench 성과는 ‘active memory’가 수일·수주·수개월 동안 사용자 정보를 보존하고 종합하는 능력과 어떻게 연결되는가?