Muse Wonder est facturé séparément selon les contenus reçus et générés par le modèle. TechCrunch rapporte un tarif de 4 dollars par million de jetons en entrée et de 20 dollars par million de jetons en sortie. Pour une PME qui envisage de produire du code, des propositions commerciales ou des synthèses longues par API, la taille des réponses devient donc un élément direct du budget.
Cette tarification accompagne l’arrivée du premier modèle dit « frontier » de Meta. Elle ne permet toutefois pas de calculer seule le coût d’un processus métier : la source ne précise ni la longueur moyenne des réponses, ni les mécanismes de cache, ni les conditions techniques susceptibles de modifier la consommation.
Le tarif sépare lecture et production
La distinction entre entrée et sortie correspond à deux opérations différentes. Les documents, consignes et historiques transmis au modèle consomment des jetons d’entrée. Le code, les analyses ou les textes produits consomment des jetons de sortie. Les montants publiés pour Wonder rendent cette seconde catégorie plus coûteuse à volume égal.
Cette structure compte pour les usages qui demandent plusieurs versions d’un même livrable. Dans un scénario hypothétique, un responsable commercial transmet un cahier des charges et demande une réponse structurée, puis plusieurs révisions. Le document initial alimente l’entrée, tandis que chaque nouvelle version ajoute une production facturée en sortie. Réduire le nombre de documents transmis ne suffit donc pas à maîtriser la dépense si le modèle génère des réponses étendues à chaque étape.
Meta présente Wonder comme un modèle plus grand que Muse Spark et mieux adapté aux tâches complexes, notamment au développement logiciel. Cette caractérisation est rapportée par TechCrunch à partir des annonces de Meta. Elle ne fournit pas de mesure du volume nécessaire pour obtenir un résultat exploitable dans un processus commercial précis.
Le modèle le plus complet échappe à l’API
Meta lance simultanément Muse Wonder et Muse Wonder Full, mais les deux versions ne suivent pas le même canal de distribution. Wonder est accessible par Meta Model API, tandis que Wonder Full est réservé aux abonnés de Muse Code et ne doit pas être servi par l’API. Les deux modèles doivent également alimenter l’agent Muse.
Cette séparation limite la portée des comparaisons annoncées. Selon les tests de Meta rapportés par la source, Wonder et Wonder Full obtiennent des résultats comparables à ceux de Fable 5.1 et GPT-6 Astra. Le compte rendu ne détaille cependant pas, pour chaque évaluation citée, le résultat propre à la version disponible par API.
Une entreprise ne peut donc pas attribuer automatiquement à Wonder les capacités observées avec Wonder Full. Ce point complète notre lecture du positionnement de Muse Wonder face aux évaluations externes : avant de rapprocher prix et performance, il faut identifier la version effectivement accessible dans le canal prévu pour le déploiement.
Illustration conceptuelle des canaux d’accès distincts de Wonder et Wonder Full, et non photographie d’un service réel.
La mémoire active ne chiffre pas un usage métier
Meta met en avant une fonction appelée « active memory », conçue pour conserver et synthétiser les informations communiquées par l’utilisateur au fil d’un travail prolongé. TechCrunch indique que l’entreprise s’appuie sur MemoryBench et affirme que Muse Wonder y dépasse Fable, Opus et Astra. La source ne donne cependant aucun score détaillé dans son article et présente ce résultat comme un test de Meta.
Pour un usage commercial, le mécanisme vise un besoin identifiable : éviter de retransmettre l’intégralité d’un dossier lorsqu’une tâche se poursuit sur plusieurs échanges. Mais l’annonce ne démontre ni la fidélité de cette mémoire sur un dossier client réel, ni son effet sur la consommation de jetons, ni la durée pendant laquelle les informations restent mobilisables.
Il faut ainsi séparer la capacité revendiquée et son économie réelle. Une mémoire plus persistante peut réduire certaines répétitions, mais aucun élément fourni ne permet de convertir ce bénéfice en coût par proposition, par analyse ou par projet. MemoryBench renseigne une capacité évaluée par Meta, pas une facture correspondant à un flux de travail d’entreprise.
Illustration conceptuelle du mécanisme de mémoire active revendiqué par Meta, et non photographie d’un test réel.
Mesurer la sortie avant d’étendre l’usage
La décision immédiate consiste à évaluer Muse Wonder dans la version réellement disponible par API, avec des demandes représentatives du livrable visé. Pour une génération de proposition commerciale, la mesure utile porte sur la longueur des documents envoyés, le volume de réponse obtenu et le nombre de révisions nécessaires avant d’atteindre une version utilisable.
Ce relevé permet de relier la tarification annoncée à une unité métier concrète, sans prêter à Wonder Full les résultats de Wonder ni transformer la promesse de mémoire en économie acquise. Il permet aussi de comparer des consignes produisant une réponse complète avec des consignes organisant le travail en sorties plus courtes.
La limite actuelle est claire : Meta publie un prix pour Wonder, mais pas le coût constaté d’un processus professionnel ni un accès API à Wonder Full. Le prochain signal à surveiller sera une évaluation séparant explicitement les deux versions sur des tâches longues, accompagnée de données de consommation issues du modèle effectivement accessible.
