Meta Muse Wonder: Preise, Benchmarks, API und Mac-Nutzung

Quellen geprüft am 13. Oktober 2026. Meta hat Muse Wonder und Muse Wonder Full am 12. Oktober vorgestellt. Wonder ist per Meta Model API und OpenRouter erreichbar, während Full zunächst den Muse-Code-Abonnements Power Usage und Maximum Usage vorbehalten ist. Beide Varianten haben laut Meta ein Kontextfenster von 1.048.576 Tokens. Eine lokale Veröffentlichung der Modellgewichte ist nicht dokumentiert. Für Mac-Nutzer bedeutet das: Der Mac betreibt den Client und die Werkzeuge; das Modell rechnet in der Cloud. Quellen: Meta-Ankündigung, Meta-Modellübersicht, OpenRouter.

Im Mittelpunkt dieses Faktenchecks stehen drei Fragen, die eine Produktankündigung allein nicht beantwortet: Was kostet ein tatsächlich laufender Agent? Welche der Benchmarkangaben lassen sich unabhängig überprüfen? Und welche Daten darf Meta bei der Nutzung verarbeiten?

Kurzüberblick: Muse Wonder gegen Muse Wonder Full

Merkmal	Muse Wonder	Muse Wonder Full
Offizielle Bezeichnung	Muse Wonder	Muse Wonder Full
API-Modell-ID	muse-wonder-1.0	Keine öffentliche Pay-as-you-go-API
OpenRouter	meta/muse-wonder	Kein entsprechender bestätigter Full-Endpunkt
Kontext	1.048.576 Tokens	1.048.576 Tokens
Eingabe / Ausgabe	Text, Bilder, Video, Audio, PDF / Text	Laut Modellfamilienkarte dieselben Modalitäten
Meta-API-Preise je 1 Mio. Tokens	$4 Input / $0,20 Cache / $20 Output	Kein Tokenpreis für Full veröffentlicht
Nutzung in Muse Code	Pay-as-you-go und Abonnement	Power Usage oder Maximum Usage
Lokal auf dem Mac?	Keine öffentlichen Gewichte	Keine öffentlichen Gewichte

Quellen: Modelle, offizielle Preise, Modellkarte. Beachte: reasoning_effort: "max" auf Muse Wonder schaltet nicht Muse Wonder Full frei.

Was Active Memory und Active Focus tatsächlich bedeuten

Meta bewirbt Active Memory als Fähigkeit, für spätere Aufgaben relevante Informationen aus früheren Unterhaltungen wieder verfügbar zu machen. Active Focus beschreibt das beharrliche Weiterarbeiten bei Hindernissen: alternative Lösungswege versuchen, Fehler korrigieren und bei entscheidenden Aktionen Rückfragen stellen. Das ist ein Funktionsversprechen von Meta, keine Garantie, dass ein Agent über Stunden fehlerfrei bleibt. Die konkrete Zuverlässigkeit hängt auch davon ab, welche Werkzeuge, Rechte, Speichermechanismen und Prüfungen ein Agentensystem anbietet. Meta AI Research.

Bei Coding-Aufgaben sind diese Eigenschaften besonders relevant. In einem großen Repository besteht die Schwierigkeit häufig nicht im einzelnen Code-Snippet, sondern darin, Anforderungen über viele Schritte konsistent einzuhalten, Änderungen abzusichern und nach fehlgeschlagenen Tests zielgerichtet weiterzuarbeiten. Metas Beispiele zeigen diese Richtung, ersetzen aber keinen eigenen Regressionstest für das gewünschte Projekt.

Was zeigen die Benchmarks?

Die unabhängige Übersicht von Artificial Analysis führt Muse Wonder (Max) am 12. Oktober mit 52 Punkten und Muse Wonder Full (Max) mit 56 Punkten im Intelligence Index. Der Unterschied beträgt 4 Indexpunkte, aber keine universell interpretierbare Leistungssteigerung von vier Prozent. Die veröffentlichten Werte sind kein Mac-Benchmark. Quellen: Wonder, Wonder Full.

Metas 13-seitige Modellkarte enthält deutlich mehr Ergebnisse. Bei DeepSWE 1.1 nennt sie 78,8 % für Wonder und 79,0 % für Full. Bei SWE-Marathon werden 53,1 % für Wonder und 57,5 % für Full ausgewiesen. Diese Zahlen sind von Meta in einer zusammengeführten Vergleichstabelle publiziert; laut Methodik stammen manche Werte von unabhängigen Drittanbietern, andere aus internen Läufen oder Anbieterberichten. Die Ergebnisse verwenden teils unterschiedliche Harnesses und sind nicht automatisch direkt vergleichbar.

Das unabhängige DeepSWE-Live-Board zeigte bei dieser Recherche noch ein Aktualisierungsdatum vor dem Wonder-Release. Deshalb lässt sich die zugehörige aktuelle Wonder-Zeile darüber nicht separat live bestätigen. Meta selbst verweist auf mögliche Abweichungen durch Prompting, Serving, Quantisierung und Agent-Harness. Für einen fairen Test zählen am Ende identische Aufgaben, Zugriffsrechte, Laufzeitlimits, Wiederholungen und Kosten statt eines isolierten Spitzenwerts.

API-Preise und drei realistische Nutzungsprofile

Für muse-wonder-1.0 berechnet Meta 4,00 US-Dollar je Million nicht gecachter Input-Tokens, 0,20 US-Dollar je Million Cache-Input-Tokens und 20,00 US-Dollar je Million Output-Tokens. Für die interne Websuche stellt Meta 2,50 US-Dollar je 1.000 Suchaufrufe in Rechnung; Tokenkosten kommen hinzu. Das Modell hat laut offizieller Preisliste kein gesondertes Long-Context-Aufgeld. Meta: Pricing and rate limits.

Eigene Rechnung: Kosten = Input_Mio × 4 + Cache_Mio × 0,20 + Output_Mio × 20.

Nutzungsprofil	Nicht gecachter Input	Gecachter Input	Output	Muse Wonder	Muse Spark 1.3 Standard
Gering	0,10 Mio.	0	0,02 Mio.	$0,80	$0,21
Mittel	2 Mio.	1 Mio.	0,30 Mio.	$14,20	$3,93
Intensiv	10 Mio.	20 Mio.	5 Mio.	$144,00	$36,75

Berechnungsstand 13.10.2026, USD. Annahme: Input und Cache sind getrennte Mengen; keine Steuern, Suchaufrufe, zusätzliche Tools, fehlgeschlagene Aufrufe oder Retry-Kosten. Die Zahlen sind Beispielrechnungen, keine gemessenen Nutzungsprofile. Muse Spark 1.3 Standard kostet laut derselben Preisliste $1,25/$0,15/$4,25 je Million Input/Cache/Output.

Wer Agenten mit langen, wiederholten Prompts betreibt, sollte Cache-Hits im echten Nutzungsprotokoll messen. Eine theoretische Cache-Quote darf nicht einfach als tatsächlicher Rabatt angesetzt werden. Auch lange Tool-Ausgaben und wiederholte Fehlversuche erhöhen den Aufwand. Für den direkten Vergleich mit Muse Spark 1.3 existiert ein bereits geprüfter Artikel über Preise und Benchmarks.

Muse Code: Das Abo ist nicht die API-Flatrate

Laut der aktuellen Meta-Produktseite ist Muse Wonder Full in Power Usage ($50/Monat) und Maximum Usage ($200/Monat) enthalten. Meta bezeichnet Power Usage als 20-faches und Maximum Usage als 80-faches Kontingent gegenüber Everyday Usage. Laut Meta-Ankündigung bleiben die Fünf-Stunden- und Wochen-Resetfenster bestehen; das sind relative Planlimits und keine garantierten Tokenzahlen, Laufzeiten oder unbegrenzte Nutzung. Die Abonnementberechtigung gilt für Muse Code, nicht für einen frei weiterverwendbaren API-Schlüssel. Andere API-Schlüssel können Pay-as-you-go-Kosten verursachen. Meta-Produktseite, Meta-AGB.

Damit ist ein Vergleich mit einem Token-Budget keine simple Division: Die konkrete Aufgabenrate, Wartezeit, Laufzeit und Begrenzung eines Agenten müssen separat erhoben werden. Wer Full nur gelegentlich benötigt, sollte vor einer Bindung an einen hohen Tarif die tatsächlich verfügbaren Planinformationen prüfen.

Auf dem Mac und über OpenRouter einbinden

Für die Meta Model API sind https://api.meta.ai/v1 als Base-URL und muse-wonder-1.0 als Modell-ID dokumentiert. Der Dienst ist laut Meta noch in Preview. Die folgende Minimalanfrage verwendet das OpenAI-Python-SDK und die dokumentierte Chat-Completions-Oberfläche; ein API-Key und eine freigeschaltete Region beziehungsweise ein berechtigtes Konto sind Voraussetzung. Für macOS genügt Python 3 mit isolierter Umgebung. Das verhindert, dass die Anleitung Pakete im systemweiten Interpreter installiert:

python3 -m venv .venv-muse-wonder
source .venv-muse-wonder/bin/activate
python -m pip install --upgrade openai

Danach MODEL_API_KEY nur lokal als Umgebungsvariable setzen und das Python-Beispiel in dieser Umgebung ausführen. Keine API-Schlüssel in Skripte, öffentliche Repositories oder Browser-JavaScript schreiben. Eine erfolgreiche Anfrage erzeugt Pay-as-you-go-Kosten. Für eine zweite Abrechnungsroute über OpenRouter müssen Provider-URL, Modell-ID, Abrechnung und Datenverarbeitung separat konfiguriert werden. Meta API-Übersicht, Chat-Completions-Dokumentation.

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.meta.ai/v1", api_key=os.environ["MODEL_API_KEY"])
response = client.chat.completions.create(
    model="muse-wonder-1.0",
    messages=[{"role": "user", "content": "Give three testable hypotheses for this bug."}],
)
print(response.choices[0].message.content)

Bei OpenRouter lautet der veröffentlichte Slug meta/muse-wonder; die Preisangaben entsprechen zum Prüfzeitpunkt den direkten Input-/Output-Tarifen von Meta. Provider-Verfügbarkeit und API-Eigenheiten sind getrennt zu prüfen. OpenRouter-Modelleintrag.

Alternative über OpenRouter (separat abgerechneter Dienst): Wer bereits eine OpenAI-kompatible Agenten-App nutzt, stellt Base URL, Schlüssel und Modell-ID gemeinsam um. Das folgende Python-Beispiel verwendet dieselbe zuvor installierte openai-Bibliothek. Der Schlüssel OPENROUTER_API_KEY gehört nur in die lokale Umgebung:

router = OpenAI(base_url="https://openrouter.ai/api/v1", api_key=os.environ["OPENROUTER_API_KEY"])
answer = router.chat.completions.create(
    model="meta/muse-wonder",
    messages=[{"role": "user", "content": "Name three safe steps to review a code change."}],
    max_tokens=256,
)
print(answer.choices[0].message.content)

Dieses Beispiel setzt die Importe os und OpenAI aus dem Meta-Beispiel voraus. Muse Wonder Full lässt sich weder durch diese Slug-Änderung noch durch reasoning_effort=max freischalten. Vor der Übermittlung privater Repositories bei OpenRouter die tatsächlich gewählte Upstream-Route und deren Datenbedingungen separat prüfen. Für echte Offline-Arbeit stattdessen unseren Mac-Ratgeber zu Muse Glimmer 30B lesen.

Operative Grenzen: Meta listet für muse-wonder-1.0 derzeit 3.000 Requests pro Minute und 4 Mio. Tokens pro Minute, jeweils pro Team statt pro API-Schlüssel. Für neue Background-Responses gelten zusätzlich 600 Starts pro Minute. Das sind Obergrenzen, keine garantierte Parallelität oder Antwortgeschwindigkeit. Bei HTTP 429 Retry-After beachten und exponentiell mit Jitter wiederholen; die x-ratelimit-*-Header zur Drosselung heranziehen. Meta: Rate Limits.

Auf dem Mac sind dafür weder Apple Silicon noch eine bestimmte Menge Unified Memory zur Modellinferenz notwendig; die Inferenz erfolgt remote. Der Rechner muss aber den Client, Browser und gegebenenfalls lokale Tools ausführen können. Wer zwingend vollständig offline arbeiten möchte, sollte ein tatsächlich offenes, lokal lauffähiges Modell statt Muse Wonder wählen. Ein großer Kontextbereich ist übrigens nicht gleichbedeutend mit fehlerfreier Verarbeitung aller 1M Tokens.

Datenschutz und EU-Einsatz: der wichtige Vertragsunterschied

Standard: Meta erklärt für diesen Modus, dass die an den Dienst übermittelten Inhalte nicht zum Training von Meta-Modellen genutzt werden. Muse Wonder ist über die direkte Pay-as-you-go-API ausschließlich als Standard-Version erhältlich. Das ist keine pauschale Zusage für eine ausschließliche EU-Verarbeitung oder vollständige Löschung aller Daten. Retention, Auftragsverarbeitungsbedingungen, Unterauftragsverarbeiter und Transfers müssen unabhängig geprüft werden. Meta Model API Terms, aktualisiert 09.10.2026.

Contributor: Bei Muse-Code-Abonnements ist dieser Modus nach den aktuellen Dokumenten standardmäßig aktiviert. Dabei darf Meta den übermittelten Inhalt – einschließlich Code, Kontext und Antworten – zum Modelltraining beziehungsweise zur Verbesserung verwenden. Die Einstellung lässt sich laut Meta ändern. Deshalb vor dem Einlesen sensibler Repositories unbedingt den aktiven Modus kontrollieren. Meta: Modelle, Terms.

Für Deutschland und die EU ist eine weitere vertragliche Grenze relevant: Die öffentlich abrufbare Geographic Use Policy trägt beim Prüfstand das Datum 18. September 2026 und enthält Muse Wonder in der damaligen Modellaufzählung noch nicht. Daraus lässt sich die heutige Freischaltung für deutsche API-Konten nicht zuverlässig ableiten. Ebenso folgt aus Metas EU-Vertragspartner keine automatische DSGVO-Konformität jeder konkreten Verarbeitung. Geographic Use Policy.

Grenzen und Praxistest statt Ranglistenmarketing

Metas eigene Modellkarte nennt Fehlerrisiken bei mehrstufigen Aufgaben, nicht durchgängig geprüfte Sprachen und Schwächen beim räumlichen beziehungsweise dreidimensionalen Verstehen. Bei Änderungen an Kundenprojekten, Systembefehlen und sensiblen Dateien braucht ein Agent deshalb Berechtigungsgrenzen, Logging, isolierte Tests und Freigaben vor irreversiblen Schritten. Modellkarte, Abschnitt „Considerations and Limitations“.

Ein nützlicher reproduzierbarer Vergleich zwischen Muse Wonder und Muse Spark 1.3 umfasst beispielsweise zehn identische Aufgaben: vier Coding-Fixes, zwei Repo-Reviews, zwei Dokumentanalysen und zwei robuste Fehlerszenarien. Für jede Aufgabe werden Modell-ID, Reasoning-Aufwand, Tools, Timeout, finale Tests, Tokenverbrauch, Cache-Tokens und Dollar-Kosten erfasst. Das ist ein Vorschlag für ein Testprotokoll, kein von AI on Mac bereits durchgeführter Benchmark. Eine leere CSV-Vorlage für zehn Vergleichsaufgaben erfasst die Modell-ID, Aufgabenstellung, erwartetes Ergebnis, Erfolgsprüfung, Token- und Cache-Verbrauch, externe Suchaufrufe und Gesamtkosten. Sie enthält keine erfundenen Messergebnisse und kann mit Numbers, LibreOffice oder Excel geöffnet werden.

Fazit: Wo sich Muse Wonder lohnt – und wo nicht

Muse Wonder ist derzeit eine begründete Testoption für schwierige, toolintensive Cloud-Agenten. Die 1M Tokens Kontext, multimodale Eingaben und öffentlich zugängliche API sind dokumentiert; Artificial Analysis bescheinigt im aktuellen Index hohe Leistungsfähigkeit. Dem stehen vergleichsweise hohe Output-Kosten, ein Preview-Status, Datenschutzfragen je Tarif und fehlende lokale Gewichte gegenüber. Für einfache oder preisempfindliche Aufgaben ist Muse Spark 1.3 vorerst ein sinnvoller Gegenkandidat. Ein pauschales „besser als GPT-6 oder Claude“ ist anhand heterogener Benchmarks nicht seriös belegbar.

Nächster Schritt: Den Muse-Spark-1.3-Preis- und Benchmarkvergleich öffnen und mit den eigenen, im Kostenrechner dokumentierten Tokenmengen gegenrechnen.

---

Autor: Julian Dominic Altmann · AI on Mac. Methode: Primärquellenrecherche und Dokumentationsabgleich am 13.10.2026; Kosten wurden aus offiziellen Meta-Tarifen berechnet, Modellwerte von Artificial Analysis bzw. Metas eigener Modellkarte getrennt bezeichnet. Kein eigener Live-API-Benchmark und keine behauptete Produktnutzung. Korrekturen: [email protected]. Quellen sind direkt an den Aussagen verlinkt. Ein Update-Datum wird erst nach substanzieller Überarbeitung gesetzt.