ニュース
Meta新モデル「Muse Wonder」シリーズ、性能は最上位級でもコストは旧モデルの約3倍に
コーディングやエージェント業務をAIに任せる会社が増える中、Metaが新しい大規模モデルを投入しました。性能は上位モデルに肩を並べる一方、処理コストも大きく上がっており、導入の損得勘定が問われます。
何が起きたか
Meta（旧Facebook）は10月12日、新しい大規模言語モデル「Muse Wonder」と、より高性能な「Muse Wonder Full」を発表しました[1][2][3]。
調査会社Artificial Analysisの指数（Intelligence Index v4.3）で、Muse Wonder Fullは56点、Muse Wonderは52点を記録しています。前身モデルのMuse Spark 1.3は48点だったため、短期間で中位クラスから上位クラスへ評価が上がったことになります[1]。
特に伸びが大きかったのは、AIが自律的に複雑な作業をこなす力を測る「エージェント性能」の分野です。ターミナル操作を評価するTerminal-Bench 4.0では、スコアが33%から57%に上昇しました。コーディング分野でも改善が見られ、Muse Wonder FullはCoding Agents Indexで68点を獲得し、Anthropicの「Claude Code with Sonnet 5.5」と並ぶ水準に達しています[1]。
一方で、処理コストは大きく上がりました。Artificial Analysisによると、Muse Wonderは1タスクあたり4.52ドルかかり、前身モデルの1.60ドルから約3倍に増加しています。入力トークンは100万あたり4ドル、出力トークンは100万あたり20ドルで、こちらも前身モデルの1.25ドル・4.25ドルから大幅に上がりました[1]。
Muse WonderはMetaのAPIおよびMuse Codeから利用でき、Muse Wonder Fullは現時点でMuse Code加入者のみが使えます。両モデルとも100万トークンの文脈窓を持ち、テキスト・画像・動画・音声を入力として受け付けます[1][2][3]。
背景・解説
「フロンティアモデル」とは、各社が持つ技術の中で最も性能の高い大規模モデルを指す呼び方です。Metaはこれまで軽量版の「Muse Spark」や、AIエージェント「Muse」を展開してきましたが、OpenAIやAnthropicのような最先端モデルの投入は控えてきました[2][3]。
今回のMuse Wonderシリーズは、Scale AI創業者のアレクサンダー・ワン氏が指揮を執る形で再編されたMeta Superintelligence Labが手がけた、初のフロンティアモデルです[2]。Metaは米オハイオ州にある「Prometheus」データセンターでこれらのモデルを訓練したと説明しています[1][2]。
評価の物差しとして使われたArtificial Analysisの指数は、コーディングや数学の証明問題などの複数のベンチマークから算出される第三者機関の指標です。Terminal-Bench、ProofBench、AA-Omniscienceといった個別のテスト結果が、それぞれの分野ごとに報告されています[1]。なお、Metaは別途、記憶力を測る独自テスト「MemoryBench」でも高いスコアを示したと説明しています[2]。
仕事や業務への影響 — AI Topicaの見方
社内でコーディングやエージェント作業を日常的にAIへ任せている会社ほど、Muse Wonder Fullは比較の候補に加えるべきです。Terminal-Bench 4.0のスコアが33%から57%へ伸びた事実は、長時間かかる定型的な自動化タスクの処理精度が上がったことを示します。Coding Agents Indexで68点に達し、Anthropicの最新モデルと並んだ点も、開発現場での採用検討材料になります。
一方で、価格の上昇幅は見過ごせません。1タスクあたりのコストが1.60ドルから4.52ドルへと約3倍に膨らんだ事実は、処理件数が多い組織ほど影響が大きくなります。例えば、月間1万件のコーディング支援タスクをAIに任せているIT企業の情シス部門なら、旧モデルで月額1.6万ドルだった想定コストが、新モデルでは4.5万ドルを超える計算になり、年間で30万ドル以上の差が生まれます。
このコスト差を正当化できるかどうかは、処理件数と1件あたりの価値次第です。定型の問い合わせ対応や簡単な要約作業であれば、旧モデルや安価な競合モデルで十分です。逆に、長時間の自律タスクやエラー率の低さが収益に直結する開発現場では、価格差を吸収してでも乗り換える価値があります。
モデル選定の際は、性能スコアだけでなく「1タスクあたりの実コスト」を必ず併記して比較すべきです。入力トークンの消費量が28%増えている点を踏まえれば、出力トークンが1割ほど減っていても、全体の処理コストは入力分の増加に引っ張られて膨らみます。社内の利用量データに試算を当てはめて確認する作業は省略できません。
不確かな点・注意
事実知識の面では見劣りが残ります。AA-Omniscienceという知識テストで、Muse Wonder Fullは30点、Muse Wonderは25点にとどまり、Claude Opus 5.5（46点）やGPT-6 Astra（43点）、Gemini 4 Argon（42点）より大きく低い結果でした。幻覚率はMuse Wonder Fullで33%から23%へ下がったものの、最も低いモデルの15%にはまだ届いていません[1]。
Muse Wonder Fullのトークン単価は、記事執筆時点の出典では公表されていません[1]。Googleの「Gemini 4 Argon」との性能比較についてもMeta自身が明言しておらず、第三者による評価が出そろうまでは実務での優劣を断定できない部分が残ります[3]。金融と法務分野のタスクでは前身モデルからほぼ横ばいで、一部で最大2ポイントの低下も見られており、全分野で一律に性能が上がったわけではない点にも注意が必要です[1]。