메타가 14개월간의 AI 조직 개편 끝에 2026년 10월 12일 Muse Wonder와 Muse Wonder Full을 공개하며 프런티어 모델 경쟁에 복귀했습니다. Artificial Analysis 기준 Wonder Full은 56점으로 Claude Sonnet 5.5와 동점, Opus 5.5(58) 바로 아래에 위치합니다. 일반 API로 쓸 수 있는 것은 Wonder이며, Full은 Muse Code 구독자에게만 제공됩니다. 장기 기억과 목표 지속 실행에 초점을 맞춘 에이전트용 모델로, 코딩·전문 업무 에이전트에 관심 있는 개발자와 구독 사용자에게 실질적 선택지가 됩니다.
2026년 10월 12일 메타는 자사 가장 강력한 모델로 Muse Wonder와 Muse Wonder Full을 발표했습니다. 14개월 전 AI 조직을 전면 개편한 이후 처음으로 ‘프런티어’를 목표로 한 모델이며, 개인·업무용 에이전트 작업에서 높은 성능을 낸다고 밝혔습니다. 이전 Muse Spark 시리즈가 가벼운 모델이었다면, 이번 시리즈는 규모와 능력 면에서 한 단계 올라선 결과물입니다.
메타 Muse Wonder 시리즈 개념 이미지. 실제 제품 사진이 아닌 AI 생성 이미지입니다.
메타가 프런티어에 다시 선 배경
메타는 지난 1년 넘게 AI 전략을 재편해 왔습니다. Scale AI 공동창업자 알렉산드르 왕(Alexandr Wang)을 수장으로 영입하고, 대규모 인프라와 인력 투자를 이어왔습니다. 공식 발표에 따르면 “14개월 전 AI 노력의 전면 개편을 시작했고, 그 사이 기반을 다시 쌓아 프런티어를 밀어붙이는 단계에 이르렀다”고 했습니다. 내부적으로는 Watermelon으로 불렸던 모델이 이번에 Muse Wonder 이름으로 공개된 것입니다.
Llama 계열 오픈 모델이 경쟁사 대비 뒤처진 이후, 메타는 폐쇄형 고성능 모델로 방향을 틀었습니다. Muse Wonder는 그 첫 본격 결과물로, 개인 슈퍼인텔리전스(personal superintelligence)를 향한 다음 단계라고 표현했습니다. 모델은 Prometheus 데이터센터에서 학습됐으며, 메타 Superintelligence Scaling Framework에 맞춰 평가·공개됐다고 합니다. 전체 안전 평가 보고서는 곧 공개될 예정이라고 밝혔습니다.
Active Memory와 Active Focus가 에이전트에 주는 의미
메타가 특히 강조한 두 가지 기능은 Active Memory와 Active Focus입니다. Active Memory는 대화가 바뀌어도 사용자에게 중요한 내용을 기억하고, 현재 작업에 필요한 정보를 다시 불러오는 능력입니다. Active Focus는 작업이 어려워져도 목표를 포기하지 않고 다른 방법을 시도하며, 오류를 회복하고, 중요한 결정 전에는 확인을 거치는 지속 실행 능력입니다.
장기 기억과 목표 지속 실행을 시각화한 개념 이미지.
이는 단순한 챗봇이 아니라, 보험 청구 처리나 계약서 검토, 앱 개발처럼 여러 단계에 걸쳐 진행되는 에이전트 작업을 염두에 둔 설계입니다. 이전 모델들이 짧은 대화에서는 강했지만 긴 작업에서 맥락을 잃거나 중간에 포기하는 경우가 많았던 점을 보완하려는 시도로 볼 수 있습니다. 다만 이 기능이 실제 사용자 환경에서 얼마나 안정적으로 작동하는지는 공식 보고서와 독립 테스트가 더 나와야 정확히 알 수 있습니다.
독립 벤치마크에서 본 실제 성적
메타의 자체 주장과 함께 Artificial Analysis의 독립 평가가 나왔습니다. Intelligence Index v4.3 기준 Muse Wonder Full은 최대 추론 노력에서 56점, Muse Wonder는 52점을 기록했습니다. 이전 Muse Spark 1.3(최대)이 48점이었던 것과 비교하면 6주 만에 각각 8점, 4점 상승한 수치입니다. Wonder Full은 Claude Sonnet 5.5와 동점이며, Claude Opus 5.5(58) 바로 아래에 위치합니다. GPT-6 Astra와 Gemini 4 Argon(각각 53)보다는 앞섭니다.
프런티어 AI 모델 경쟁을 상징하는 개념 이미지.
강점은 에이전트 작업과 긴 코딩 프로젝트에 있습니다. Terminal-Bench 4.0에서 Spark 대비 큰 상승이 있었고, DeepSWE와 SWE-Marathon 같은 장기 코딩 벤치마크에서 Claude Opus 5.5를 앞서는 결과가 나왔습니다. MemoryBench에서도 높은 점수를 기록했습니다. 반면 순수 지식 테스트(AA-Omniscience)에서는 상대적으로 약해, Opus나 Astra에 뒤집니다. 환각률은 비교적 낮은 편이라는 평가도 있습니다. 벤치마크는 특정 조건에서의 결과이므로, 실제 업무 환경에서의 성능은 다를 수 있습니다.
가격과 이용 가능 범위
Muse Wonder는 Meta Model API와 Muse Code에서 바로 사용할 수 있습니다. API 가격은 입력 100만 토큰당 4달러, 캐시된 입력 0.20달러, 출력 20달러입니다. 컨텍스트 윈도우는 100만 토큰이며, 텍스트·이미지·영상·오디오를 입력으로 받습니다. Muse Wonder Full은 API로 제공되지 않고 Muse Code 구독자에게만 열려 있습니다. 가격은 토큰 단위가 아니라 구독 플랜에 따라 달라집니다.
일반 사용자 대상 Muse 앱에는 곧 적용될 예정이며, 구독자부터 먼저 롤아웃된다고 합니다. 오픈 웨이트(가중치 공개) 여부는 발표에서 언급되지 않았습니다. 현재로서는 폐쇄형으로 운영되는 것으로 보입니다.
누구에게 필요한가 / 굳이 필요 없는가
개발자와 에이전트 구축에 관심 있는 사람, 특히 장기 기억과 지속 실행이 중요한 업무 자동화나 코딩 에이전트를 다루는 경우 검토할 가치가 있습니다. Muse Code를 이미 쓰고 있는 구독자라면 Full 모델을 바로 시험해 볼 수 있습니다. 반대로 짧은 질의응답이나 일반적인 채팅만 하는 일반 사용자라면 지금 당장 바꿔야 할 이유는 적습니다. 앱 적용이 구독자 우선이고, 전체 안전 보고서가 아직 나오지 않았기 때문입니다.
모델 성능 차이를 상징하는 시각화 이미지.
주의사항과 앞으로 확인할 지점
전체 안전 평가 보고서가 아직 공개되지 않았습니다. 에이전트가 실제 웹과 도구를 사용할 때 발생하는 의도치 않은 행동에 대한 최근 업계 논의(다른 연구소들의 사례 포함)를 고려하면, 메타의 안전 접근 방식도 확인이 필요합니다. 오픈 웨이트 여부와 EU AI Act 적용 가능성도 앞으로 주목할 부분입니다. 벤치마크 강점과 실제 사용자 경험 사이의 간격, 가격 대비 성능도 독립적인 장기 테스트가 더 필요합니다.
정리하면, 메타는 Muse Wonder로 프런티어 경쟁에 다시 올라섰고, 에이전트 특화 기능과 독립 벤치마크에서 의미 있는 성과를 보였습니다. 개발자와 구독 사용자에게는 새로운 선택지가 생겼지만, 일반 사용자 적용과 안전 검증은 아직 진행 중입니다.
출처
– 메타 공식 발표: Introducing Muse Wonder and Muse Wonder Full
– Artificial Analysis: Muse Wonder and Muse Wonder Full analysis