Meta-Muse-Modelle: Wonder, Spark und Glimmer im Vergleich

Metas Muse-Modelle erledigen unterschiedliche Aufgaben. Wonder und Spark liefern Text und treiben Agenten an. Muse Image erzeugt Bilder. Glimmer lässt sich mit offenen Gewichten lokal betreiben. Wer diese Namen als austauschbare Varianten eines Chatbots behandelt, wählt schnell das falsche Modell.

Dieser Überblick trennt die Modellfamilien von den Anwendungen, in denen du sie nutzt. Stand: 13. Oktober 2026. Der gerade veröffentlichte Wonder-Start ist berücksichtigt; Zugang und Preise können sich weiter ändern. Die Grundlage ist der aktuelle Meta-Modellkatalog.

Modell, App und Muse Code unterscheiden

Ein Modell verarbeitet Eingaben und erzeugt eine Ausgabe. Eine Anwendung stellt die Oberfläche bereit und entscheidet, welche Dateien oder Werkzeuge das Modell verwenden kann. Bei Meta begegnen dir vor allem diese Begriffe:

Ein Screenshot aus einer App ist deshalb noch kein Beleg dafür, dass darin Wonder Full läuft. Entscheidend sind die dokumentierte Modellauswahl und der Zugang des jeweiligen Kontos. Quellen: Muse Code, Wonder-Verfügbarkeit.

Welche Muse-Modelle gibt es?

Die Familienliste richtet sich nach dem aktuell dokumentierten Katalog. Sie ist keine Aussage, dass jede Variante in jedem Land oder Konto verfügbar ist. Modellkatalog.

Muse Wonder und Wonder Full

Beide Modelle erschienen am 12. Oktober 2026. Sie richten sich besonders an Aufgaben, die viele Schritte und anspruchsvolle Entscheidungen erfordern. Wonder Full ist ein eigenes Modell. Die Reasoning-Einstellung max bei Wonder schaltet Full nicht frei. Im ausführlichen Wonder-Artikel findest du die Zugangswege und die ersten Beispiele aus X.

Meta erklärt Active Memory als Wiederfinden relevanter Gesprächsinformationen und Active Focus als Weiterarbeiten bei schwierigen Aufgaben. Wie daraus ein brauchbarer Agent wird, hängt zusätzlich von der Anwendung ab. Diese Fähigkeiten sind keine Erlaubnis, ohne passende Freigaben auf beliebige Konten zuzugreifen. Quelle: Wonder-Ankündigung.

Muse Spark 1.3, 1.2 und 1.1

Spark ist die günstigere Reihe für Textaufgaben und Agentenarbeit. Die aktuelle Version 1.3 erschien am 2. September 2026. Meta beschreibt Verbesserungen bei Coding und mehrstufigen Werkzeugabläufen. Spark 1.2 und 1.1 stehen weiterhin im geprüften API-Katalog. Die ursprüngliche Spark-Ankündigung stammt vom 8. April; dieses Startdatum gehört nicht zur Version 1.3. Spark-1.3-Release, ursprünglicher Spark-Start.

Für neue Agentenaufgaben empfiehlt Meta Spark 1.3. Bei Audioeingaben nennt die aktuelle Dokumentation aber eine Einschränkung: Die Unterstützung ist noch unvollständig, wodurch Antworten schlechter ausfallen können. Dafür verweist Meta auf Spark 1.2 oder das spezialisierte Voice-Transcribe-Modell. "Neueste Version" ist also kein ausreichendes Auswahlkriterium für jede Aufgabe. Aktuelle Einschränkung.

Muse Glimmer: offene Gewichte für den lokalen Betrieb

Glimmer erschien am 10. August 2026 und besitzt 30 Milliarden Parameter. Meta stellt die Gewichte unter Apache 2.0 bereit. Das Modell verarbeitet Text und Bilder und liefert Text. Sein Standardkontext liegt bei 128K Tokens. Launch, offizielle Modellkarte.

Lokaler Betrieb ist ein eigener technischer Aufwand. Die Modellkarte nennt für quantisierte Varianten Hardwareziele mit 24 beziehungsweise 32 GB Speicher. Kontext und weitere Komponenten brauchen ebenfalls Ressourcen. Daraus lässt sich keine Zusage ableiten, dass ein vollständiger Glimmer-Agent auf jedem Notebook gut läuft.

Der praktische Unterschied zu Wonder: Du kannst Glimmer selbst bereitstellen und die Umgebung kontrollieren. Das macht es für lokale Experimente interessant. Es beweist keinen automatischen Qualitätsgleichstand mit Metas größeren, proprietären Modellen. Glimmer-Dokumentation.

Muse Image, Voice Transcribe und SAM

Muse Image ist für Bildgenerierung und Bildbearbeitung zuständig. Es nimmt Text und optional Referenzbilder entgegen. Eine Wonder-Antwort, die Code für eine Grafik schreibt, ist davon zu unterscheiden. Muse Voice Transcribe übersetzt Audio in ein schriftliches Transkript. SAM grenzt Objekte in Bildmaterial ab und liefert Segmentierungsinformationen.

Für einen Ablauf wie "Interview transkribieren und zusammenfassen" können also zwei Modelle zusammenarbeiten: zuerst Transkription, danach Textauswertung. Für "Objekt im Foto ersetzen" braucht es wiederum ein Bildbearbeitungsmodell; eine Segmentierungsmaske allein erzeugt den Ersatz noch nicht. Quellen: Voice-Transcribe-Start, Modellkatalog.

Meta hat am 7. Juli auch Muse Video als Preview vorgestellt. Es steht im hier geprüften aktuellen Model-API-Katalog nicht als eigene verfügbare Modelllinie. Die ältere Ankündigung belegt deshalb keinen allgemeinen API-Zugang im Oktober. Ursprüngliche Image- und Videoankündigung.

Wonder oder Spark: Was zeigen unabhängige Benchmarks?

Artificial Analysis meldet für Spark 1.3 bei maximalem Reasoning 48 Punkte im Intelligence Index, für Wonder 52 und für Wonder Full 56. Das ist ein erkennbarer Leistungsschritt innerhalb der Meta-Familie. Die Werte beziehen sich auf diese Konfigurationen, nicht auf jede Antwort in einer beliebigen App. AA-Analyse zum Wonder-Start.

Ein großer Teil des Index prüft anspruchsvolle Aufgaben. Der Abstand sagt deshalb wenig darüber, ob du für eine einfache Umformulierung das teurere Modell brauchst. Dafür ist ein Vergleich mit deinen eigenen Beispielen aussagekräftiger: Liefert Spark bereits eine korrekte Antwort, kostet zusätzliche Leistung womöglich nur mehr Geld. Scheitert es regelmäßig an zusammenhängenden Anforderungen, wird Wonder interessanter.

Im Meta-Bereich unseres Rankings kannst du die gemessenen Varianten ansehen. Das gesamte KI-Weekly-Ranking ordnet sie gegenüber anderen Anbietern ein. Unser eigener Score betont Coding und Agentenfähigkeiten zusätzlich. Verwechsle ihn deshalb nicht mit den AA-Punkten in der Grafik. Scoremethodik.

Meta über die Zeit: von Llama zu Muse Wonder

Die Grafik zeigt die heute verfügbaren Intelligenzwerte der Modelle auf einer Zeitachse ihrer Veröffentlichungen. Sie ist keine tägliche historische Messreihe und verwendet nicht unseren gewichteten Gesamtscore. Quelle ist die Meta-Anbieterseite im KI-Weekly-Ranking. Du kannst das Bild in voller Größe ansehen oder den interaktiven Verlauf öffnen.

Kosten und Contributor: Was du vergleichen solltest

Für Textmodelle nennt die aktuelle Meta-Preisliste diese Standardtarife, jeweils in US-Dollar pro einer Million Tokens:

Die tatsächlichen Auftragskosten hängen vom Tokenverbrauch ab. Ein längerer Agentenlauf kann viele Modellaufrufe benötigen. Auch Denkaufwand und Wiederholungen wirken sich aus. Ein Preis pro Million Tokens ist deshalb keine feste Gebühr für eine fertige Aufgabe. Aktuelle Preise.

Was kosten die Muse-Code-Subscriptions?

Wenn du den Codingagenten im Terminal nutzt, kannst du zwischen Verbrauchsabrechnung und einem Muse-Code-Abo wählen. Meta nennt am 13. Oktober 2026 diese monatlichen Dollar-Listenpreise:

Reguläres Wonder ist in den vier Abostufen enthalten; Wonder Full gibt es in Power Usage und Maximum Usage. Die relativen Nutzungsmengen sind keine festen Tokenpakete und keine Zusage für beliebig lange Aufgaben. Den für dein Konto geltenden Endpreis und die regional verfügbaren Leistungen zeigt Meta beim Abschluss. Offizielle Abopreise, Wonder-Zugang.

Das Abo deckt den Muse-Code-CLI-Schlüssel ab. Weitere API-Schlüssel bleiben nach Verbrauch abgerechnet. Diese Übersicht beschreibt Muse Code; sie überträgt die Preise nicht auf die persönliche Muse-App. Abobedingungen.

Spark bietet außerdem einen günstigeren Contributor-Modus. Der erlaubt die Verwendung von Inhalten für Modelltraining und muss beim Preisvergleich getrennt behandelt werden. Bei Muse-Code-Abos ist Contributor standardmäßig aktiv. Der Wonder-API-Zugang bietet diesen Modus derzeit nicht. Prüfe die Datenbedingungen, bevor du eine günstige Einstellung für ein vertrauliches Projekt übernimmst. Preise und Modi, Aboeinstellungen.

Welches Meta-Modell passt zu welcher Aufgabe?

Für eine Textklassifikation oder häufige kleine Agentenschritte ist Spark ein plausibler Ausgangspunkt. Bei einer schwierigen Änderung über mehrere Projektdateien lohnt der Vergleich mit Wonder. Wenn du offene Gewichte und eine eigene Laufzeitumgebung brauchst, gehört Glimmer auf die Liste. Bilderzeugung und Transkription verlangen dagegen ihre jeweiligen Spezialmodelle.

Starte mit einer klar umrissenen Aufgabe und einem prüfbaren Ergebnis. Bei Code kannst du einen konkreten Fehlerfall vorgeben. Bei einem Transkript prüfst du einen Ausschnitt gegen die Aufnahme. Dokumentiere, wo die günstigere Variante scheitert, bevor du ein größeres Modell für den gesamten Ablauf einsetzt.

Gehören Llama-Modelle auch dazu?

Llama ist eine weitere Meta-Modellfamilie. Sie ist kein anderer Name für Wonder oder Spark. Die historischen Llama-Generationen stehen neben den neuen Muse-Reihen; Lizenz und Hardwarebedarf müssen für das konkrete Modell geprüft werden. Der Wechsel zu Muse bedeutet insbesondere nicht, dass Wonder automatisch offene Gewichte besitzt. Wonder und Full sind im geprüften Vergleich proprietär. Meta-Modelle bei Artificial Analysis, Llama 4 bei Meta.

Für offene Modelle kannst du im KI-Weekly-Ranking die entsprechende Modellansicht wählen und anschließend den tatsächlichen Lizenztext prüfen. Für den Vergleich mit anderen großen Modellfamilien sind unsere Übersichten zu ChatGPT-Modellen und Claude-Modellen passende nächste Schritte.

FAQ zu Metas Muse-Modellen

Sind Muse und Llama dieselbe Modellfamilie?

Nein. Wonder, Spark und Glimmer gehören zu Muse. Llama ist eine weitere Meta-Modellfamilie mit eigenen Generationen und Lizenzbedingungen. Muse ist zugleich der Name eines persönlichen Agentenprodukts; App und Modell bleiben unterschiedliche Dinge. Aktueller Meta-Modellkatalog.

Welches Muse-Modell kann ich lokal nutzen?

Muse Glimmer besitzt offene Gewichte unter Apache 2.0 und lässt sich selbst betreiben. Das 30B-Modell braucht eine passende Laufzeitumgebung. Meta nennt für quantisierte Varianten Hardwareziele mit 24 beziehungsweise 32 GB Speicher. Wonder und Wonder Full sind keine entsprechenden Modelle mit offenen Gewichten. Glimmer-Modellkarte.

Brauche ich ein Muse-Code-Abo für die Meta Model API?

Nein. Der API-Zugang wird nach Verbrauch abgerechnet. Ein Muse-Code-Abo deckt seinen CLI-Schlüssel ab, keine zusätzlichen API-Schlüssel. Für Wonder Full brauchst du dagegen derzeit Muse Code Power oder Maximum, weil Full nicht über die normale API angeboten wird. Abobedingungen, Full-Zugang.

Wann lohnt sich Wonder statt Spark?

Ein Vergleich mit Wonder lohnt sich, wenn Spark wiederholt an einer schwierigen Codingaufgabe oder einem längeren Agentenablauf scheitert. Bei einfachen Aufgaben, die Spark korrekt löst, rechtfertigt ein höherer Benchmarkwert allein keinen Wechsel. Wonder hat deutlich höhere Standard-Tokenpreise. Preisvergleich.

Wo sehe ich Meta-Modelle im Vergleich mit anderen Anbietern?

Die Meta-Anbieterseite im KI-Weekly-Ranking zeigt die gemessenen Meta-Varianten und ihren Verlauf. Das Gesamtranking vergleicht sie mit anderen Anbietern. Unser gewichteter Score und der AA Intelligence Index sind unterschiedliche Kennzahlen. Rankingmethodik.

Wir begleiten die weiteren Muse-Versionen im kostenlosen KI-Weekly-Newsletter. Wenn du KI für eigene Clips nutzen möchtest, kannst du dich bei KI Weekly Motion vormerken.