Muse Wonder (Max): Analyse von Intelligenz, Leistung und Preis

Name: Intelligenz
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Ausprobieren Benchmarks der API-Anbieter

Kosten

Eingabe 4,00 $Ausgabe 20,00 $Cache-Rabatt 95%

$4.52

Kosten pro Aufgabe des Intelligence Index

Muse Wonder (Max) zählt bei der Intelligenz zu den führenden Modellen, ist aber etwas teuer im Vergleich zu anderen Modellen mit ähnlichem Preis. Das Modell ist außerdem langsamer als der Durchschnitt und antwortet etwas ausführlich. Das Modell unterstützt Text, Bilder, Sprache und Video als Eingabe und Text als Ausgabe. Das Kontextfenster umfasst 1M Tokens.

Muse Wonder (Max) erzielt im Artificial Analysis Intelligence Index einen Wert von 52 und liegt damit deutlich über dem Durchschnitt der vergleichbaren Modelle (Median: 27). Bei der Evaluation des Intelligence Index erzeugte es 130M Tokens und antwortete damit etwas ausführlich im Vergleich zum Median von 85M.

Der Preis für Muse Wonder (Max) beträgt $4.00 pro 1 Mio. Eingabetokens (etwas teuer; Median: $2.00) und $20.00 pro 1 Mio. Ausgabetokens (teuer; Median: $10.00). Im Durchschnitt kostet die Evaluation von Muse Wonder (Max) im Intelligence Index $4.52 pro Aufgabe.

Mit 83 Tokens pro Sekunde ist Muse Wonder (Max) langsamer als der Durchschnitt (Median: 84).

Reasoning	Ja Diese Seite zeigt die Reasoning-Version dieses Modells. Möglicherweise gibt es auch eine Variante ohne Reasoning.
Eingabemodalität	Unterstützt: Text, Bilder, Sprache und Video
Ausgabemodalität	Unterstützt: Text
Kontextfenster	1M ~1573 A4-Seiten in Arial mit Schriftgröße 12

Metriken werden mit Modellen derselben Klasse verglichen:

Modelle ohne Reasoning → Vergleich nur mit anderen Modellen ohne Reasoning
Reasoning-Modelle → Vergleich mit Reasoning-Modellen und Modellen ohne Reasoning
Modelle mit offenen Gewichten → Vergleich nur mit anderen Modellen mit offenen Gewichten derselben Größenklasse:

Sehr klein: ≤4B Parameter
Klein: 4B–40B Parameter
Mittel: 40B–150B Parameter
Groß: >150B Parameter

Proprietäre Modelle → Vergleich mit proprietären Modellen und Modellen mit offenen Gewichten derselben Preisklasse anhand eines Mischpreisverhältnisses von 3:1 für Eingabe/Ausgabe:

<$0.15 pro 1 Mio. Tokens
$0.15–$1 pro 1 Mio. Tokens
>$1 pro 1 Mio. Tokens

Intelligenz

Artificial Analysis Intelligence Index · Higher is better

No publicly available API

Geschwindigkeit

Output tokens per second · Higher is better

No publicly available API

Kosten pro Aufgabe

Weighted average cost (USD) per Intelligence Index task · Lower is better

No publicly available API

Intelligenz

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 incorporates 10 evaluations: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

No publicly available API

Artificial Analysis Intelligence Index v4.3.2 includes: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

No publicly available API

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Intelligence Index vs. Kosten pro Aufgabe des Intelligence Index

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Fähigkeitsindizes

Misst die Leistung von Modellen bei bestimmten Fähigkeiten und in bestimmten Branchen

Artificial Analysis Finance & Accounting Index

Incorporates 7 evaluations: AA-Omniscience, GDPval-AA v2.1, AA-Briefcase v1.1, Humanity's Last Exam, AutomationBench-AA, AA-LCR v1.1, GDP.pdf · Higher is better

No publicly available API

Benchmarks

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

No publicly available API

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

GDPval-AA v2.1Updated

Agentic real-world work tasks, (Elo-500)/2000

AutomationBench-AA

Agentic SaaS workflows

Terminal-Bench 4.0

Agentic coding & terminal use

SciCodeUnder review

Coding

Humanity's Last Exam

Reasoning & knowledge

GDP.pdf

Professional document reasoning, All-pass

CritPtUnder review

Physics reasoning

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AA-LCR v1.1

Long context reasoning

Harvey LAB-AA v1.1Updated

Legal agentic work, Hallucination-Gated All-Pass Rate

EnterpriseOps-Gym-AA

Agentic business operations

Terminal-Bench-Science 0.1New

Agentic scientific research workflows in a terminal

FrontierCode 1.1New

Agentic software engineering in open-source repositories

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

ITBench-AA

Kubernetes incident root-cause analysis

MMMU-Pro

Visual reasoning

MLCR-AA

Medical long context reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Briefcase v1.1Updated

AA-Briefcase-Elo

AA-Briefcase v1.1 is an agentic knowledge work benchmark developed by Artificial Analysis. AA-Briefcase Elo is a combined metric that aggregates rubric pass rate, analytical quality Elo and presentation Elo · Higher is better

No publicly available API

AA-Briefcase Elo is a combined metric that aggregates analytical quality Elo, presentation Elo, and rubric pass rate, with rubric performance converted into Elo via synthetic head-to-head matches. Elo and 95% confidence interval bounds are clamped at 0.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

No publicly available API

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Aufgabe des Intelligence Index

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Tokenverbrauch

Ausgabe-Token pro Aufgabe des Intelligence Index

Gewichtete durchschnittliche Anzahl an Ausgabe-Token für eine Aufgabe im Artificial Analysis Intelligence Index

No publicly available API

The number of tokens required per Intelligence Index task. This is calculated by multiplying the output tokens per eval by the relative weights of each benchmark in the Intelligence Index, then dividing by task count (excluding repeats).

Kosten

Kosten pro Aufgabe des Intelligence Index

Weighted average cost (USD) per Artificial Analysis Intelligence Index task, segmented by token type. Lower is better

No publicly available API

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

No publicly available API

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Preise: Cache-Treffer, Eingabe und Ausgabe

Price (USD per M Tokens)

No publicly available API

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Kontextfenster

Context window: tokens limit · Higher is better

No publicly available API

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Geschwindigkeit

Gemessen anhand der Ausgabegeschwindigkeit (Tokens pro Sekunde)

Ausgabegeschwindigkeit

Output tokens per second · Higher is better

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Figures represent performance of the model's first-party API or the median across providers where a first-party API is not available.

Zeit pro Aufgabe des Intelligence Index

Weighted average decode time (minutes) per task; excludes TTFT and overhead time · Lower is better

The weighted average time (seconds) per Artificial Analysis Intelligence Index task. This is calculated by dividing output tokens per task by output speed, weighted by the relative weights of each benchmark in the Intelligence Index.

Latenz

Gemessen anhand der Zeit (in Sekunden) bis zum ersten Token

Latenz: Zeit bis zum ersten Antworttoken

Sekunden bis zum ersten Antwort-Token · Berücksichtigt die „Denkzeit“ von Reasoning-Modellen

Time to first answer token received, in seconds, after API request sent. For reasoning models, this includes the 'thinking' time of the model before providing an answer. For models which do not support streaming, this represents time to receive the completion.

Ende-zu-Ende-Antwortzeit

Seconds to output 500 tokens, calculated based on time to first token, 'thinking' time for reasoning models, and output speed

Ende-zu-Ende-Antwortzeit

Seconds to output 500 tokens, including reasoning model 'thinking' time · Lower is better

Seconds to receive a 500 token response. Key components:

Input time: Time to receive the first response token
Thinking time (only for reasoning models): Time reasoning models spend outputting tokens to reason prior to providing an answer. Amount of tokens based on the average reasoning tokens across a diverse set of 60 prompts (methodology details).
Answer time: Time to generate 500 output tokens, based on output speed

Figures represent performance of the model's first-party API or the median across providers where a first-party API is not available.

Häufig gestellte Fragen

Häufige Fragen zu Muse Wonder (Max)

Muse Wonder (Max) wurde am 12. Oktober 2026 veröffentlicht.

Muse Wonder (Max) wurde von Meta entwickelt.

Muse Wonder (Max) erzielt im Artificial Analysis Intelligence Index einen Wert von 52 und liegt damit im Vergleich zu anderen Reasoning-Modellen einer ähnlichen Preisklasse deutlich über dem Durchschnitt (Median: 27).

Muse Wonder (Max) erzeugt Ausgaben mit 83.0 Tokens pro Sekunde (auf Grundlage der API von Meta). Dies ist unter dem Durchschnitt im Vergleich zu anderen Reasoning-Modellen einer ähnlichen Preisklasse (Median: 83.8 Tokens/s).

Muse Wonder (Max) hat eine Zeit bis zum ersten Token (TTFT) von 19.27 s (auf Grundlage der API von Meta). Dies ist etwas höher als der Durchschnitt im Vergleich zu anderen Reasoning-Modellen einer ähnlichen Preisklasse (Median: 5.52 s).

Muse Wonder (Max) kostet $4.00 pro 1 Mio. Eingabetokens (etwas höher als der Durchschnitt; Median: $2.00) und $20.00 pro 1 Mio. Ausgabetokens (am oberen Ende; Median: $10.00). Die Angaben basieren auf der API von Meta.

Muse Wonder (Max) kostet $4.00 pro 1 Mio. Eingabetokens und $20.00 pro 1 Mio. Ausgabetokens (auf Grundlage der API von Meta). Bei einem Mischpreis mit einem Verhältnis von 7:2:1 für Cache-Treffer, Eingabe und Ausgabe entspricht dies $2.94 pro 1 Mio. Tokens. Der Preis kann je nach Anbieter variieren. Preise der Anbieter vergleichen

Bei der Evaluation des Intelligence Index erzeugte Muse Wonder (Max) 130M Ausgabetokens. Dies ist etwas höher als der Durchschnitt im Vergleich zu anderen Reasoning-Modellen einer ähnlichen Preisklasse (Median: 85M).

Ja, Muse Wonder (Max) ist ein Reasoning-Modell. Es nutzt längere Denkprozesse oder Chain-of-Thought-Reasoning, um komplexe Probleme zu bearbeiten, bevor es eine Antwort gibt.

Muse Wonder (Max) unterstützt Text, Bilder, Sprache und Video als Eingabe.

Muse Wonder (Max) unterstützt Text als Ausgabe.

Ja, Muse Wonder (Max) unterstützt Bildeingaben und kann Bilder analysieren, beschreiben und Fragen dazu beantworten.

Ja, Muse Wonder (Max) ist multimodal. Es kann Text, Bilder, Sprache und Video als Eingabe verarbeiten und Text als Ausgabe erzeugen.

Muse Wonder (Max) hat ein Kontextfenster von 1.0M Tokens. Es bestimmt, wie viel Text und Gesprächsverlauf das Modell in einer einzelnen Anfrage verarbeiten kann.

Nein, Muse Wonder (Max) ist proprietär. Die Modellgewichte sind nicht öffentlich verfügbar.

Muse Wonder (Max) ist ein proprietäres Modell und Meta hat weder die Modellgröße noch die Parameterzahl offengelegt.

Muse Wonder (Max) erzielt im Artificial Analysis Intelligence Index einen Wert von 52. Dieser zusammengesetzte Benchmark bewertet Modelle in den Bereichen Schlussfolgern, Wissen, Mathematik und Programmierung.

Ja, Muse Wonder (Max) ist über 1 Anbieter per API verfügbar. API-Anbieter vergleichen

Muse Wonder (Max) ist über 1 API-Anbieter verfügbar. Anbieter vergleichen

Muse Wonder (Max): Analyse von Intelligenz, Leistung und Preis

Modellübersicht

Zusammenfassung des Vergleichs

Technische Spezifikationen

219 Modelle in dieser Klasse

Intelligenz

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

Artificial Analysis Intelligence Index

Open Weights

Intelligence Index vs. Kosten pro Aufgabe des Intelligence Index

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Briefcase v1.1Updated

AA-Briefcase-Elo

AA-Briefcase Elo

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Aufgabe des Intelligence Index

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Tokenverbrauch

Ausgabe-Token pro Aufgabe des Intelligence Index

Output Tokens per Intelligence Index Task

Kosten

Kosten pro Aufgabe des Intelligence Index

Cost per Intelligence Index Task

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Preise: Cache-Treffer, Eingabe und Ausgabe

Cache Hit

Kontextfenster

Kontextfenster

Context Window for RAG

Context Window

Geschwindigkeit

Ausgabegeschwindigkeit

Output Speed

Model Performance Representation

Zeit pro Aufgabe des Intelligence Index

Time per Intelligence Index Task

Latenz

Latenz: Zeit bis zum ersten Antworttoken

Time to First Answer Token

Ende-zu-Ende-Antwortzeit

Ende-zu-Ende-Antwortzeit

End-to-End Response Time

Model Performance Representation

Häufig gestellte Fragen

Wann wurde Muse Wonder (Max) veröffentlicht?

Wer hat Muse Wonder (Max) entwickelt?

Wie intelligent ist Muse Wonder (Max)?

Wie schnell ist Muse Wonder (Max)?

Wie hoch ist die Latenz von Muse Wonder (Max)?

Wie viel kostet Muse Wonder (Max)?

Wie gestaltet sich der API-Preis von Muse Wonder (Max)?

Wie ausführlich antwortet Muse Wonder (Max)?

Ist Muse Wonder (Max) ein Reasoning-Modell?

Welche Eingabemodalitäten unterstützt Muse Wonder (Max)?

Welche Ausgabemodalitäten unterstützt Muse Wonder (Max)?

Kann Muse Wonder (Max) Bilder verarbeiten?

Ist Muse Wonder (Max) multimodal?

Wie groß ist das Kontextfenster von Muse Wonder (Max)?

Hat Muse Wonder (Max) offene Gewichte?

Wie viele Parameter hat Muse Wonder (Max)?

Wie schneidet Muse Wonder (Max) in Benchmarks ab?

Ist Muse Wonder (Max) über eine API verfügbar?

Wo kann ich Muse Wonder (Max) verwenden?