「Metaって、AIのモデルでは出遅れた会社でしょ？」そう思ってる？ 10月12日、Metaはその印象を変えにきた。変えられたかどうかは、Metaが自分で出した成績表にそのまま書いてある。
前回の記事は、人がAIにどう接するかを規約に書いた会社の話だった。今日はモデルそのものの話に戻る。
Metaが出したのは、Muse WonderとMuse Wonder Fullの2つ（Meta）。発表文はこれを「私たちのいちばん有能なモデル」と呼び、表題に「最先端のモデル」と掲げた。TechCrunchの言い方は、Metaにとって初めての最先端モデルへの挑戦、だ。これまでMetaが出してきたのは、軽くて速いことを狙ったMuse Sparkと、エージェントのMuseだった。OpenAIやAnthropicがやるような、性能の天井を競う発表は避けてきた（TechCrunch）。
発表文によると、MetaがAIへの取り組みを土台から作り直し始めたのは14か月前（Meta）。TechCrunchは、Scale AIの創業者Alexandr Wangが体制を組み替えたのが去年の8月だと書いている。そこから1年2か月で、最先端を名乗るところまで来た。
で、本当に並んだのか。今日は成績表を1行ずつ読む。
14行のうち、首位は7行
発表ページには、大きな表が1枚ある。縦に試験が14行。横にMuse Wonder Full、Muse Wonder、Claude Fable 5.1、GPT-6 Astra、Claude Opus 5.5の5つが並ぶ（Meta）。
数えてみた。Metaのどちらかが首位の行は、7つ。残りの7つは、よそのモデルが首位だ。内訳はClaude Opus 5.5が6行、GPT-6 Astraが1行。
ちょうど半分。まず、ここは素直に感心していい。自分の発表に、自分が負けた行を7つ載せる会社はそう多くない。
Metaが取った7行はこうだ。法務の仕事をさせるHarvey LAB-AAは、Fullが13.1、よそのモデルでいちばん高いGPT-6 Astraが8.6。業務の流れを通しでやらせるAutomationBench-AAは45.4対41.6。長丁場のソフトウェア開発を測るDeepSWE 1.1は79.0で、Claude Opus 5.5の74.2に5点近い差をつけた。もっと長い開発を測るSWE-Marathonは57.5で、よそのモデルの最高は46.3。金融の調べものをさせるVals Finance Agent V2は59.1で、Claude Fable 5.1の58.9を0.2だけ上回った。残りの2行、Personal Superintelligence IndexとMemoryBenchの話は、あとでする。
落とした7行はこうだ。健康の質問に答えるHealthBench Proは、Fullの62.3に対してClaude Opus 5.5が65.6。JobBenchは75.3対75.4で、0.1の差。パソコンの画面を操作させるOSWorld V2.1、端末で作業させるTerminal-Bench 4.0もOpusが上。差がいちばん大きいのは、一から丸ごとプログラムを組み直させるProgramBenchで、Fullの59.0に対してOpusは70.5ある。GDP.pdfはGPT-6 Astraが34.2で首位、Fullは33.2だった。
そして最後の行。Artificial Analysisという外の会社が、いくつもの試験をまとめて出している総合の指数がある。Claude Opus 5.5が58、Muse Wonder Fullが56、Claude Fable 5.1とGPT-6 Astraが53、Muse Wonderが52（Meta）。
つまりMeta自身の表が言っているのは、こうだ。列には並んだ。先頭には立っていない。長いソフトウェア開発と、法務や業務の仕事では前に出て、総合ではOpusの2点うしろにいる。
初めての挑戦でここまで来たのは、でかい。1年2か月前は、作り直しを始めたところだったんだから。
首位のうち2行は、Metaが自分で作った物差し
後回しにした2行に戻る。
表の1行目、Personal Superintelligence Index。Fullが59.1、次点のClaude Opus 5.5が55.2。名前は立派だけど、これはMetaの社内で作った合成の指数だ。7つの試験を合わせたもので、その中にはMetaが社内で作った試験が2つ入っている（モデルカード）。
もう1行がMemoryBench。Muse Wonderが85.6、Fullが85.5、Claude Opus 5.5が81.5、GPT-6 Astraが81.4、Claude Fable 5.1が79.0。今回Metaがいちばん力を入れて語っているのは、この記憶の部分だ。発表文は、使う人にとって大事な文脈を会話をまたいで持ち運び、要るときに取り出す力を「Active Memory」と名付けている（Meta）。発表の動画では、研究者のKavya Kopparapuがこう話したという。
「あなたにとって大事なことを、何日、何週間、何か月、そしてその先まで、モデルが覚えていられるように、ものすごい労力をかけた」（TechCrunch、原文は英語）
そのMemoryBenchも、Metaの社内の試験だ。モデルカードにそう書いてある。6万4千から10万トークンの長い会話の中に、紛らわしい別の会話や、あとから書き換わる情報を混ぜておいて、大事な点を正しく思い出せるかを見る。採点するのは別のAIだ（モデルカード）。発表ページのグラフの下にも、小さく「社内の評価」と添えてある（Meta）。
ここでひとつ、ややこしいことがある。MemoryBenchという名前の試験は、世の中にもう1つある。2025年10月に論文として公開されたものだ（arXiv）。TechCrunchの記事は、Metaが強調した試験としてこの論文にリンクを張っている。でもモデルカードが説明しているのは社内の試験で、この論文の名前はどこにも出てこない。2つが同じものなのか、名前が重なっただけなのか、私には確かめられなかった。確かなのは、Metaの文書が「社内」と書いている、ということだ。
誤解しないでほしいのは、自分で作った試験で測ることが悪い、という話じゃないことだ。記憶を測る定番の物差しがまだ無いなら、作るしかない。ただ、いちばん売りたい力を、自分で作った物差しで測って、自分が1位だった。その成績は、外の誰かが同じ試験を回すまでは、参考記録として読むのがいい。
逆に言えば、残りの5行は外の物差しだ。Harvey LAB-AAとAutomationBench-AAはArtificial Analysis、金融はVals AI、DeepSWEはMetaの2つとClaude Opus 5.5の分がDatacurve、SWE-MarathonはAbundant AIが数字の出どころになっている（モデルカード）。Metaのサイトも、DeepSWEとSWE-Marathonの首位は独立した第三者による計測だと書いている（Meta、開発者向けサイト）。長い開発の仕事で前に出た、という部分は、自前の物差しじゃない。ここは割り引かなくていい。
いちばん強いほうは、APIの棚に無い
もう1つ、表を読むときに見落としやすいことがある。Metaが首位を取った7行のうち6行は、Fullの成績だ。Fullじゃないほう、ただのMuse Wonderが首位なのは、MemoryBenchの1行だけ。
そしてFullは、APIでは売っていない。
APIで使えるのはMuse Wonderのほうで、値段は100万トークンあたり入力4ドル、出力20ドル（Meta、料金ページ）。同じページに載っているMuse Sparkは入力1.25ドル、出力4.25ドルだから、入力で3.2倍、出力で4.7倍ほどになる。TechCrunchは、GPT-6 SolやClaude Opus 5.5とだいたい同じ値段帯だと書いている。
Fullを使う道は1つだけ。コードを書くための道具Muse Codeの月額契約だ。それも4つあるプランのうち上の2つ、月50ドルのPower Usageと月200ドルのMaximum Usageに限られる（Meta、Muse Wonderのページ）。
ここに、読み飛ばしやすい1行がある。Muse Codeの月額契約は、最初からContributor modeという設定が入った状態で始まる。使える量が増えるかわりに、送った指示、コード、ファイル、返ってきた答えを、Metaが将来のモデルの訓練に使うことを認める設定だ。いつでも切れるし、切ったあとの分は訓練に使われない。WonderもFullも、どちらの設定でも使える（Meta、Muse Codeの契約ページ）。
一方、APIでMuse Wonderを使うときは、この設定そのものが無い。標準の料金を払い、中身は訓練に使われない（Meta、料金ページ）。
並べるとこうなる。成績表でOpusと競り合っているのはFull。Fullを触るには月額契約。月額契約は、切らない限り、あなたのコードがMetaの次のモデルの材料になる。APIで自分の製品に組み込めるのはWonderのほうで、こっちがよその3つのモデルを全部上回っているのは、Harvey LAB-AA、MemoryBench、DeepSWE、SWE-Marathonの4行だ。総合の指数は52で、Claude Fable 5.1とGPT-6 Astraの53の1点下になる。
うまい売り方だな、と思う。いちばんいいモデルを看板にして、それを触りに来た人の作業を、次のモデルの材料にする。切れるようにしてあるから文句は言いにくい。でも最初から入っている設定を、どれだけの人がわざわざ切りに行くだろう。Muse Codeで仕事のコードを書くつもりなら、最初に設定を開いたほうがいい。
割り引いて読むところ
いい話にも悪い話にも、しすぎない。
まず、この表は全部Metaが組んだものだ。モデルカードは、よそのモデルを社内で走らせた結果について、指示の書き方や道具や実行環境が、そのモデルにいちばん合う形になっていないかもしれない、と自分で断っている。ただし、外の機関やモデルを作った会社自身が出した数字があるときは、そっちを使ったとも書いてある（モデルカード）。相手に不利な数字をわざわざ選んだ、という作りではない。
SWE-Marathonの行は、条件がそろっていない。GPT-6 AstraとClaude Fable 5.1の数字は、それぞれCodexとClaude Codeという自社の道具で出したもので、同じ土台での比較ではないとモデルカードが書いている。Fullの57.5も、ほかの行で使った設定とは別の設定で測った数字だ（モデルカード）。
Harvey LAB-AAの13.1は、首位だけど、高い数字じゃない。この試験が数えているのは、出来上がった書類が課題ごとの基準を全部満たし、事実の作り話の検査も通った課題の割合だ（モデルカード）。首位のモデルでも、100件のうち13件ほどしか通っていない。法務の仕事を任せられる、という話にはまだ遠い。
比べる相手も足りない。表にGoogleのモデルは無い。The Vergeも、Gemini 4 Argonと比べてどうなのかは分からないと書いている。Gemini 4 Argonは、値札は貼った、でも売らない。Googleの最上位モデルは、守る側にだけ制限なしで渡されたで書いたとおり、まだ使える人が限られているモデルだから、比べようがないのも分かる。
安全面の報告も途中だ。発表文は、追加の安全評価を含む詳しい報告を近く出す、と書いている（Meta）。今あるモデルカードには、正直な脚注が1つあった。穴を突く力を測るExploitGymで、Fullは92個の旗を取った。確かめ直すと、出題者が想定した穴を使っていたのは21個で、残りの71個は想定していない別の穴から取っていた。公表されている順位と比べられる数字は21のほうだ、とMetaは書いている（モデルカード）。92と書いて終わりにしなかったのは、いい。71個を想定外の道から取ってくるモデルだ、というのも、覚えておいていい。
それと、Museの中でこのモデルが動くのは、これからだ。まず契約者から、とあるだけで、時期は出ていない（The Verge）。私もまだ自分では触っていない。書いたのは、公開された文書から読める範囲だ。
今日の本音
Metaは最先端の列に並んだ。これは本当だと思う。自分が負けた行を7つ載せた表を出せるのは、残りの7つに自信があるからだ。
ただ、並んだのはFullで、Fullは棚に無い。いちばん誇っている記憶の力は、自分で作った物差しの上の1位だ。発表の見出しと、成績表の細かい字のあいだには、そのくらいの距離がある。
見出しは会社が書く。成績表も会社が書く。でも成績表のほうが、ずっと正直だ。読むなら、表のほう。
参考・引用記事
- Muse Wonder: A Frontier Model For Personal & Professional AI Agents（Meta、2026年10月12日）
- Muse Wonder Model Card（Meta、2026年10月12日）
- Pricing and rate limits（Meta Model API）
- Muse Wonder（Meta、開発者向けサイト）
- Subscriptions（Meta Model API、Muse Code）
- Meta for Developers（Meta、開発者向けサイト）
- Meta releases its first frontier model, Muse Wonder（TechCrunch、2026年10月12日）
- Meta has some Wonder Full new AI models（The Verge、2026年10月12日）
- MemoryBench: A Benchmark for Memory and Continual Learning in LLM Systems（arXiv、2025年10月）
