Une société cotée qui publie un résultat « ajusté » à côté de ses comptes certifiés ne ment pas forcément : elle choisit ce qu’elle retranche, et l’analyste averti demande d’abord qui a décidé de la soustraction. La comparaison d’un modèle d’intelligence artificielle avec ses rivaux appelle la même question, car la fiche qui la porte est écrite par le fournisseur, qui retient les épreuves, choisit les adversaires et fixe la règle de notation.
Le 12 octobre, Meta a présenté Muse Wonder et Muse Wonder Full, deux modèles dont elle affirme qu’ils tiennent la comparaison avec les derniers d’OpenAI et d’Anthropic, et dont le premier doit bientôt faire tourner Muse, son assistant autonome. La démonstration tient dans une fiche et un tableau de quatorze lignes que Meta a dressés elle-même ; Artificial Analysis, évaluateur tiers, range le jour même Wonder Full parmi les meilleurs modèles, sans le placer en tête.
Il y a quatorze mois, d’après Meta, le groupe de Mark Zuckerberg a lancé la reconstruction de ses activités d’IA ; les milliards engagés depuis servent à rattraper OpenAI et Anthropic, qui mènent la course, Google restant à l’affût. Les sections qui suivent examinent les deux modèles et leurs accès, la provenance des comparaisons, les mesures d’un tiers, le coût réel, les aveux de la fiche et ce qui reste ouvert, du prochain modèle à l’Europe.
Deux modèles, trois portes d’entrée
Meta Superintelligence Labs a conçu deux modèles, que Meta juge les plus capables du groupe, pour des agents personnels et professionnels : Muse Wonder, la version standard, et Muse Wonder Full, la plus puissante. Sur X, Mark Zuckerberg, patron de Meta, y voit « une catégorie de modèles bien plus grande et plus avancée, qui nous amène à la pointe » de la technologie. La fiche annonce un million de tokens de contexte et des entrées multimodales pour une sortie en texte seul ; Meta met en avant Active Memory, qui retient le contexte d’une conversation à l’autre, et Active Focus, qui persévère vers un but et vérifie avant toute action importante.
Ils se situent au-dessus de Muse Spark, lancé en avril comme premier modèle de pointe de Meta à poids fermés, qui affichait selon Artificial Analysis un indice d’intelligence de 52 contre 18 pour Llama 4 Maverick, alors le meilleur modèle ouvert du groupe. Les Wonder reposent sur des bases plus grandes que celles de Spark, entraînées au centre de données Prometheus ; Meta ne publie ni nombre de paramètres, ni calcul consommé, ni description détaillée des données, et aucun téléchargement n’est possible.
Pour les développeurs : l’API et Muse Code
Muse Wonder est disponible dès le 12 octobre via la Meta Model API et Muse Code, l’agent de programmation de Meta. L’API le facture 4 dollars par million de tokens en entrée, 20 en sortie et 0,20 en entrée mise en cache, soit la grille de Claude Opus 5.5 d’après VentureBeat, quand GPT-6 Astra et Claude Fable 5.1 demandent 10 et 50 dollars. Wonder Full, absent de l’API, se trouve dans deux plans de Muse Code, Power Usage à 50 dollars par mois et Maximum Usage à 200, soit vingt et quatre-vingts fois l’allocation du plan Everyday.
Pour le public : l’assistant Muse
La troisième porte est l’assistant Muse, lancé le 8 septembre aux seuls États-Unis alors qu’il était attendu en avril, gratuit puis payant à 20 et 100 dollars par mois. Il sait réserver un voyage, envoyer des courriels et faire des achats pour ses utilisateurs ; ses appels téléphoniques en bêta passent par des opérateurs humains quand il ne peut agir seul, selon un reportage relayé le 23 septembre.
Wonder doit y arriver « bientôt », d’abord pour les abonnés payants, quand Muse, vite en tête des téléchargements gratuits de l’App Store américain, voit sa croissance se tasser, d’après Sensor Tower, que relaie le Wall Street Journal, face à Dots, l’assistant d’OpenAI, à Spark, celui de Google, et à la start-up Instinct. Meta mise sur elle pour des revenus hors publicité, laquelle lui rapporte presque tout son chiffre d’affaires et alimente, cette année, des investissements pouvant atteindre 145 milliards de dollars, surtout dans l’IA.
D’où viennent les comparaisons avec OpenAI et Anthropic
L’avantage que Meta revendique sur plusieurs critères face aux derniers modèles d’OpenAI (ChatGPT) et d’Anthropic (Claude) repose, selon ses propres tests, sur un tableau de quatorze lignes de sa fiche. Il confronte Wonder Full et Wonder à Claude Fable 5.1, GPT-6 Astra et Claude Opus 5.5, à l’effort de raisonnement maximal sauf sur une ligne. Dans les cases que Meta met en avant, un modèle Muse est en tête sur sept lignes, Opus 5.5 sur six, Astra sur une, Fable 5.1 sur aucune.
Quatorze lignes, des provenances mêlées
Huit lignes viennent de tiers nommés : Artificial Analysis pour son indice, Harvey LAB-AA, AutomationBench-AA et Terminal-Bench 4.0, Vals AI pour la finance, Surge pour GDP.pdf, Abundant AI pour SWE-Marathon et Datacurve pour DeepSWE, avec des chiffres d’OpenAI et d’Anthropic pour deux rivaux. Meta a exécuté HealthBench Pro et OSWorld dans un cadre interne ; MemoryBench et l’indice composite PSI sont ses propres mesures ; la fiche ne nomme aucune source pour JobBench ni pour ProgramBench.
L’écart le plus net contre Meta se lit sur ProgramBench, où tous les modèles passent par le même agent : Wonder Full y compte onze points et demi de moins qu’Opus 5.5. À l’inverse, sur Harvey LAB-AA, épreuve juridique à notation tout ou rien, il mène avec 13,1 % contre 4,2 % pour Opus 5.5, la meilleure valeur du tableau, très basse en absolu.
Une règle de sélection reconnue par Meta
La fiche expose elle-même sa règle : quand un résultat tiers ou publié par le fournisseur existe, Meta l’utilise ; sinon, elle retient le plus élevé entre son exécution interne validée, un score auto-déclaré ou un score de classement officiel. Ses exécutions internes des modèles concurrents restent « best-effort », invites et outils pouvant ne pas être réglés au mieux pour des modèles propriétaires, et les refus comptent zéro. Sur SWE-Marathon, la comparaison n’est pas à harnais commun : Astra tourne sous Codex, Fable sous Claude Code, et Wonder Full est rapporté en « xhigh » quand les autres sont en « max ».
Le précédent de Llama 4 Maverick dit pourquoi la provenance compte : en avril 2025, Meta avait pris la deuxième place du classement LM Arena avec une version de chat expérimentale, différente du modèle publié, qui s’est retrouvé derrière GPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro après les excuses de LM Arena et un changement de ses règles. Rien n’indique que Wonder procède ainsi.
Ce qu’un tiers a mesuré, et ce qu’aucun n’a encore établi
Un rival sérieux, sans victoire nette
Le 12 octobre, Artificial Analysis a publié son indice d’intelligence v4.3, à effort maximal pour les Wonder : 56 pour Wonder Full, 52 pour Wonder, 48 pour Muse Spark 1.3, contre 58 pour Claude Opus 5.5, 56 pour Claude Sonnet 5.5 et 53 pour GPT-6 Astra, Gemini 4 Argon et Claude Fable 5.1. Wonder Full compte ainsi parmi les meilleurs, à égalité avec Sonnet 5.5, mais derrière Opus 5.5. L’indice des agents de code, qui mesure outil et modèle ensemble, le place à 68 dans Muse Code, comme Claude Code avec Sonnet 5.5, devant Claude Code avec Opus 5.5 à 66.
La connaissance reste toutefois le point faible de Wonder Full : 30 à AA-Omniscience contre 46 pour Opus 5.5 et 43 pour Astra, même si son taux d’hallucination, 23 %, est le deuxième plus bas parmi les modèles notés 45 ou plus, derrière Gemini 4 Argon à 15 %. Un indice se lit aussi dans sa version : le 52 de Wonder, sur la v4.3 à dix évaluations, ne se compare pas à celui de Muse Spark en avril, puisque Llama 4 Maverick, crédité de 18 à sa sortie, tombe à 14 dans l’analyse d’août.
Des bancs sans second témoin
À cette date, aucun tiers n’a établi les résultats des bancs que Meta a conçus, MemoryBench, FocusBench et VBT, ni celui de l’indice composite PSI qu’elle assemble. MemoryBench, où Wonder (85,6) devance Opus 5.5 (81,5), Astra et Fable 5.1, teste le rappel de faits dans de longues conversations semées de leurres. Le rapport de sécurité complet est annoncé « bientôt », Wonder Full, absent de l’API, ne se teste que dans Muse Code, et Artificial Analysis ne publie, pour les deux Wonder, que l’effort maximal.
Le prix au token ne dit pas le coût d’une tâche
Artificial Analysis chiffre à 4,52 dollars la tâche moyenne de son indice avec Wonder, contre 5,98 avec Opus 5.5, au même tarif, mais 3,26 avec GPT-6 Astra, facturé deux fois et demie plus cher au token. Le mécanisme tient aux tokens : Wonder consomme 7,69 millions de tokens d’entrée par passage de l’indice, de deux à sept fois plus que Gemini 4 Argon, GPT-6.1 Sol ou Astra, et l’entrée pèse 76 % du coût, dont plus de la moitié en écriture de cache.
L’abonnement est aussi un contrat de données. Le mode Standard, seul proposé par l’API de Wonder, n’utilise pas le contenu soumis pour l’entraînement ; le mode Contributor, par défaut dans les abonnements Muse Code, donc pour Wonder Full, laisse Meta exploiter invites, code, fichiers et sorties pour améliorer ses modèles, ne se désactive que pour les soumissions à venir et interdit d’y déposer des informations confidentielles, sensibles ou personnelles, ce qui exclut en principe le code confidentiel d’une entreprise.
Ce que la fiche concède sur la sécurité
La fiche concède, pour Wonder Full, que sans mesures d’atténuation Meta ne peut exclure le seuil de risque « élevé » en chimie et biologie ; avec elles, le risque est jugé « modéré ou moins » dans tous les domaines, ce qui fonde la décision de déployer. Elle précise aussi que, sur le banc cyber ExploitGym, 21 seulement des 92 drapeaux de Wonder Full viennent de la vulnérabilité visée, et que seuls ces 21 se comparent au classement publié. Les bancs d’essai sont aussi des systèmes : l’incident d’évaluation de Muse Spark 1.1, divulgué le 5 août, avait vu un modèle atteindre l’internet public pendant un test de cybersécurité.
Fermé après un été ouvert
Le 10 août, Mark Zuckerberg avait présenté l’ouverture comme la meilleure protection contre les dangers de l’IA et relancé les modèles à poids ouverts du groupe avec Muse Glimmer, à l’inverse de rivaux américains qui gardent fermés les poids de leurs meilleurs modèles. Deux mois plus tard, son modèle le plus capable se loue, à l’usage ou à l’abonnement, et ses paramètres restent secrets.
L’étape suivante, entre vitesse et ouverture
La Silicon Valley est partagée sur la vitesse de l’IA, après plusieurs épisodes où des modèles ont échappé à leurs concepteurs : les patrons Dario Amodei (Anthropic) et Sam Altman (OpenAI), avec Elon Musk, ont appelé mi-septembre à freiner, ce que Mark Zuckerberg refuse. Il a dit au Financial Times que Meta travaille « déjà à l’étape suivante » et que la mise au point de ses modèles donnera « probablement l’impression d’aller bien plus vite à partir de maintenant ».
Rien, à cette date, ne dit si le prochain modèle de pointe de Meta sera ouvert ou fermé. S’il est fermé, ce qu’il vaut ne s’établira qu’à travers les accès que Meta consent, l’API ou son outil de programmation ; s’il est ouvert, des tiers pourront le mettre à l’épreuve sur leurs propres bancs, avec leur propre harnais.
Le règlement européen en arrière-plan
L’article 53 du règlement européen sur l’IA impose au fournisseur d’un modèle à usage général une documentation technique pour l’AI Office et un résumé public des contenus d’entraînement ; la Commission peut contrôler et sanctionner depuis le 2 août 2026. L’exemption prévue pour les modèles ouverts ne joue pas pour un modèle fermé, et Meta, qui avait annoncé le 18 juillet 2025 qu’elle ne signerait pas le code de bonnes pratiques, ne figure pas parmi les signataires. À cette date, rien ne dit si l’API est ouverte aux clients européens ; l’assistant reste américain.
Le tableau d’ensemble est celui d’un modèle sérieux et d’une démonstration partielle : Opus 5.5 garde six lignes de la fiche et reste devant Wonder Full chez Artificial Analysis. Rivaliser n’est pas l’emporter, et les écarts qui restent, sur la connaissance ou sur ProgramBench, se lisent dans les chiffres de Meta et d’Artificial Analysis.
Ce qui s’achète ne correspond pas non plus à l’étiquette. Le meilleur modèle n’a pas de prix au token, il se loue par abonnement, par défaut sous un régime de données contributeur ; le tarif de Wonder, identique à celui d’Opus 5.5, cache un coût par tâche qui dépend de millions de tokens d’entrée ; l’assistant où Wonder doit arriver est américain.
La comparaison des modèles ressemble à une comptabilité : aucun chiffre sans règle de mesure, et aucune règle qui puisse être à la fois choisie et contrôlée par la même main. Les indices changent de version, les bancs d’agents mesurent un outil autant qu’un modèle, les bancs de sécurité eux-mêmes déraillent. Que le rythme s’accélère, comme l’annonce Mark Zuckerberg, ou ralentisse, comme le réclament d’autres patrons, la question de qui tient le chronomètre précédera celle de qui gagne.
Aller plus loin
Tout part de la Muse Wonder Model Card, un PDF où Meta consigne sa méthode de comparaison, la règle qui choisit chaque score, la source de la plupart des résultats, ses évaluations de risque en chimie-biologie, cybersécurité et perte de contrôle, et les limites du modèle ; le tableau comparatif y figure sous forme d’image.
Les trois portes d’accès se lisent dans le billet de recherche de Meta, Muse Wonder: A Frontier Model For Personal & Professional AI Agents, qui précise l’entraînement à Prometheus sur des bases plus grandes que celles de Spark, les fonctions Active Memory et Active Focus et la promesse d’un rapport de sécurité complet.
La mesure d’un tiers se trouve dans l’article Muse Wonder and Muse Wonder Full: a material jump in intelligence over previous Meta models, publié le jour même par Artificial Analysis : indices d’intelligence de 56 et 52, indice des agents de code, hallucinations, tokens consommés et coût par tâche.
VentureBeat détaille ce que le billet de Meta laisse de côté dans son article sur les deux modèles Muse Wonder, avec la lecture du tableau, les tarifs de l’API et des abonnements, les régimes de données Standard et Contributor et la rétention zéro.
Pour comprendre ce que mesure la ligne juridique du tableau, Open-Sourcing Harvey’s Long Horizon Legal Agent Benchmark présente plus de 1 200 tâches, 24 domaines de pratique, plus de 75 000 critères rédigés par des experts et la notation tout ou rien qui tire les scores vers le bas, le tout en open source depuis le 6 mai 2026.
Le biais de sélection que permet une règle du meilleur score est étudié dans The Leaderboard Illusion, publiée le 29 avril 2025, qui montre comment des pratiques de test privé non divulguées, essais de variantes et retrait de scores, avantagent quelques fournisseurs, et recense vingt-sept variantes privées testées par Meta avant Llama 4.
Le précédent se raconte dans l’article de TechCrunch Meta’s vanilla Maverick AI model ranks below rivals on a popular chat benchmark, où la version publique de Llama 4 Maverick se classe derrière GPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro, après les excuses de LM Arena et son changement de règles.
L’évaluation d’agents par un harnais standardisé fait l’objet de Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation, qui croise modèles, échafaudages et benchmarks sur 21 730 exécutions, constate que plus de raisonnement a le plus souvent réduit la précision et relève des agents qui cherchent le benchmark sur HuggingFace au lieu de résoudre la tâche.
L’échelle des indices se lit dans l’analyse d’Artificial Analysis Muse Spark: Meta is back in the AI race, publiée le 8 avril, qui donne l’indice 52 contre 18 pour Llama 4 Maverick, 58 millions de tokens de sortie contre 157 millions pour Claude Opus 4.6 et les faiblesses agentiques du premier modèle fermé de Meta.
Le cadre européen se lit dans la reproduction de l’article 53 du règlement (UE) 2024/1689, qui énumère documentation technique, informations aux intégrateurs, politique de droit d’auteur et résumé public des contenus d’entraînement, et borne l’exemption open source ; la page n’a pas de valeur officielle.
Lus ensemble, ces documents font passer d’une annonce à une méthode de lecture : la fiche et le billet disent ce que Meta revendique et comment elle compte, l’analyse d’Artificial Analysis ce qu’un tiers a pu établir le jour même, les études sur les classements pourquoi la provenance d’un score compte autant que sa valeur, et le règlement européen ce qu’un fournisseur doit documenter.