Muse Wonder: los 14 benchmarks de Meta explicados

👁 113 lecturas

Meta ha presentado Muse Wonder con una tabla de 14 pruebas en la que casi nadie reconocerá más de un par. A continuación te explico cada una de forma clara: qué evalúa, qué puntuación obtiene Muse Wonder (según Meta) y con qué precauciones debes mirar los datos antes de asumir que el modelo «gana». En resumen: 3 de las 14 pruebas son evaluaciones internas de Meta, en varias filas las condiciones de partida no fueron iguales para todos y, al programar «desde cero» o controlar el ordenador, Meta queda por detrás de Claude Opus 5.5. Tienes el análisis completo del modelo en la guía sobre Muse Wonder.

Los 14 benchmarks de Muse Wonder

Fuente: tabla y tarjeta técnica del modelo publicadas por Meta el 12 de octubre de 2026. La columna «Quién realizó la medición» sigue la metodología indicada en la ficha técnica.

Tests personales: PSI y MemoryBench

El Personal Superintelligence Index es la métrica estrella del anuncio de Meta y, al mismo tiempo, la menos independiente. Meta lo ha construido agregando siete pruebas: Agents’ Last Exam, AutomationBench-AA, FocusBench, JobBench, GDP.pdf, VBT y DRACO. Dos de ellas (FocusBench y VBT) son desarrollos internos de la compañía. La selección del combinado es una decisión de Meta; por tanto, este índice solo demuestra que Wonder Full rinde mejor en la combinación exacta de tareas que la propia Meta considera relevante. Funciona como un decatlón: liderar la puntuación general no implica vencer en cada prueba individual.

MemoryBench mide si el modelo retiene datos fundamentales a lo largo de intercambios extensos (de 64.000 a 100.000 tokens), incluso cuando surgen correcciones o datos contradictorios a mitad de la sesión. Es una capacidad crítica si buscas un agente que recuerde tus instrucciones habituales, pero la prueba también es interna y la califica un evaluador basado en IA. Como detalle curioso: el modelo base Wonder supera aquí por 0,1 puntos a la variante Full. He comprobado una dinámica similar por mi cuenta utilizando 80 actas de reuniones directivas con decisiones revocadas en actas posteriores: los cinco modelos evaluados superaron la prueba; puedes consultar los resultados en mi test de 23 tareas.

Rendimiento profesional: legal, finanzas, salud y tareas de oficina

• Harvey LAB-AA: la mayor ventaja de Meta en toda la comparativa: 13,1 frente al 4,2 de Opus 5.5. La puntuación global es baja porque la tarea solo se da por válida si el documento legal cumple absolutamente todos los requisitos formales sin incurrir en alucinaciones. La versión 1.1 añadió una penalización estricta por datos inventados, por lo que estas métricas no son comparables con la versión 1.0.
• Vals Finance Agent V2: procesado y análisis de informes corporativos y series de mercado. Wonder Full supera a Fable 5.1 por apenas 0,2 puntos, lo que representa un empate técnico.
• HealthBench Pro: respuestas directas a 525 consultas clínicas complejas sin recurrir a herramientas externas. En este apartado Meta queda por detrás: 62,3 frente al 65,6 de Opus. Meta no ejecutó los tests de Anthropic, sino que tomó los números de las tarjetas técnicas de Claude.
• GDP.pdf: resolución de tareas extrayendo información de archivos PDF aportados, con mediciones realizadas por Surge. La primera posición es para GPT-6 Astra (34,2).
• JobBench: 65 supuestos prácticos correspondientes a 35 perfiles laborales administrativos. Empate entre Full y Opus (75,3 frente a 75,4).
• AutomationBench-AA: automatización de flujos corporativos sobre interfaces de aplicaciones simuladas; el intento solo puntúa si el estado final del software es exactamente el esperado. Full alcanza un 45,4 frente al 41,6 de su competidor más cercano.

Manejo del sistema operativo: OSWorld V2.1

OSWorld somete al modelo a 108 tareas dentro de un entorno real de Ubuntu: el sistema procesa capturas de pantalla consecutivas, pulsa botones, escribe y hace scroll. Meta facilita dos métricas y conviene distinguir ambas. En la evaluación por tramos parciales (puntos por cada subobjetivo cumplido), Wonder Full logra un 78,4. En la evaluación binaria (la tarea solo computa si se finaliza por completo), cae al 39,4. En la práctica, el modelo únicamente remata sin errores cerca de una de cada tres tareas complejas. En este benchmark Meta se sitúa por detrás de Opus 5.5 (81,8 en parciales) y de Fable 5.1 (80,7 en parciales y 43,1 en resolución completa).

Programación: cuatro pruebas con objetivos distintos

Meta toma la delantera cuando se trata de trabajar sobre código preexistente en proyectos extensos, pero pierde terreno al crear programas desde una hoja en blanco o al operar en línea de comandos. Conviene señalar dos matices de la ficha técnica: en SWE-Marathon, los registros de GPT-6 Astra y Fable 5.1 se obtuvieron a través de sus agentes especializados (Codex y Claude Code), mientras que Wonder Full se midió configurado en modo xhigh; la propia Meta advierte de que no se trata de una comparativa en igualdad de condiciones. En ProgramBench, una ejecución solo se aprueba si supera como mínimo el 95% de los tests automatizados ocultos.

La referencia externa: el índice de Artificial Analysis

Artificial Analysis ejecuta de forma autónoma una batería de 10 tests (entre ellos GDPval-AA, Terminal-Bench 4.0, Humanity’s Last Exam y SciCode) y consolida los datos en su índice 4.3. Al consultar su tabla clasificatoria el 12 de octubre de 2026, los datos mostraban a Opus 5.5 con 58 puntos, Wonder Full con 56 (empatado con Claude Sonnet 5.5, al que Meta no incluyó en su gráfico comparativo) y la versión estándar de Wonder con 52 puntos, a la par de GPT-6.1 Sol. Es la métrica externa más sólida de la comparativa. Ten en cuenta que este índice no refleja un porcentaje de problemas resueltos, sino una escala propia ponderada por AA.

Factores clave al comparar modelos de IA

• Quién audita el test. Un resultado publicado por el propio laboratorio es una declaración comercial; una medición ejecutada por una firma externa constituye una prueba verificable.
• Nivel de razonamiento. Meta publica sus marcas con el ajuste máximo (max); sin embargo, en aplicaciones de consumo y conexiones vía API el parámetro suele estar configurado por defecto en niveles inferiores.
• La variante del modelo. Las puntuaciones más altas corresponden a la versión Full, pero en la API pública solo se ofrece el modelo Wonder estándar.
• La unidad de medida. El porcentaje de pasos parciales, el éxito íntegro sin fallos y las escalas sintéticas son datos incomparables entre sí.
• Tus casos de uso reales. En mi batería de 23 pruebas de trabajo cotidiano, los cinco modelos comerciales analizados alcanzaron un rango de acierto del 99% al 100%; la brecha real no estuvo en la precisión, sino en los costes y los tiempos de ejecución.

Preguntas frecuentes

¿El Personal Superintelligence Index mide realmente la superinteligencia?

No. Es un índice diseñado por Meta que agrupa siete pruebas de ofimática y asistencia personal seleccionadas por la propia empresa. El nombre responde a una estrategia puramente comercial.

¿En cuántos benchmarks queda Muse Wonder en primera posición?

Muse Wonder Full logra la mejor puntuación en 7 de las 14 categorías publicadas por Meta. Por su parte, la versión base de Muse Wonder disponible mediante API supera a Claude Opus 5.5 en 5 de esas pruebas.

¿Cuáles de estas pruebas son independientes?

Harvey LAB-AA, AutomationBench-AA, Terminal-Bench 4.0-AA y el índice general AA son evaluados por Artificial Analysis; Vals Finance corre a cargo de Vals AI; GDP.pdf lo mide Surge; DeepSWE pertenece a Datacurve; y SWE-Marathon a Abundant AI. Las métricas internas de Meta son el PSI, MemoryBench y los módulos FocusBench y VBT.

¿En qué áreas queda Muse Wonder por detrás de sus rivales?

Tomando los datos de Meta: en ProgramBench (59,0 frente al 70,5 de Opus), HealthBench Pro, Terminal-Bench 4.0, OSWorld y GDP.pdf.

// sigue leyendoFLUX 3 Video vs Wan 3.0 vs Seedance 2.5: comparativaBenchmarksStep 5 vs Kimi K3, GLM-5.3, Qwen y DeepSeek: comparativa con datosBenchmarksMiniaturas de YouTube con IA: probamos su legibilidad en móvilBenchmarks

Kinetyra