AIニュース 2026年10月13日

今日 · 発生日 10 月 12 日

Muse Wonder、外部評価が割れる——測った版は不明

Meta の新モデル Muse Wonder、公開当日の外部テストは評価が割れた

読者にとっての意味： モデルを替える前に、自社の開発タスクで一通り試す。総合ランキングで上位三位に入っても、自社の仕事で強いとは限らない。

Meta は 10 月 12 日、Muse Wonder シリーズを発表した。高速版の Wonder と完全版の Wonder Full がある。CEO の Mark Zuckerberg 氏は「our new family of frontier models with state of the art performance for personal and professional agentic work」と紹介した（Mark Zuckerberg、2026-10-12）。

同じ日、独立評価機関 Artificial Analysis が最初の外部測定を公表した。同機関の総合知能指数を構成する 10 項目の評価のうち、Wonder Full は 6 項目で上位三位に入った。リードはわずかだと、機関自身が注記している（Artificial Analysis、2026-10-12）。比べた相手のモデルは、本紙が読んだ投稿にすべては載っていない。項目の一つは、専門業務のタスクで二つのモデルを一対一で比べるものだ。Wonder Full は 1857 点、Anthropic の Claude Opus 5.5 は 1866 点だった。この点数は、二つのモデルの回答を一対一で比べた勝ち負けを、順位の点数に換算したものである。両者の誤差の範囲は重なると、機関は注記している。

テック媒体 Every の CEO Dan Shipper 氏は、自社の「シニアエンジニア・ベンチマーク」で測った。課題は、AI が場当たり的に継ぎはぎしたコードベースを書き直すことである。Muse Wonder は 52%、OpenAI の GPT-Sol 6.1 は 71% だった（Dan Shipper、2026-10-12）。

本紙の読み：総合ランキングが測るのは多くのタスクを通した全体の出来で、Shipper 氏が測ったのは大規模な書き直し一種類である。二つの数字は、互いを否定するものと読まなくてよい。両者がそもそも同じモデルを測っていない可能性もある。Artificial Analysis が測ったのは完全版で、Shipper 氏はどの版を測ったかを書いていない。

まだ言えないこと： Every の問題セットと採点方法は未読 どう確かめたか →

本紙の分析は Anthropic のモデルの支援を受けており、Claude Opus 5.5 は本記事の比較対象の一つである。