Muse Wonder s’approche de Claude 5.1 sur les tâches d’agent

Meta a lancé Muse Wonder le 12 octobre, un modèle pensé pour les tâches d’agent personnel et professionnel, avec une version complète réservée à l’application Muse Code. Dans un test publié le 16 octobre, il s’est montré proche de Claude Fable 5.1 sur plusieurs scénarios de debugging et d’investigation, mais sans écraser son rival sur le coût réel des essais. Le sujet compte pour les équipes qui utilisent des agents toute la journée : à ces volumes, quelques centimes de différence finissent vite par ressembler à un poste budgétaire. Ou à une ligne de production.

Une alternative crédible, mais pas forcément la moins chère

Muse Wonder est proposé sur l’API de Meta à 4 dollars par million de tokens d’entrée et 20 dollars par million de tokens de sortie. Claude Fable 5.1, lancé en septembre par Anthropic, est affiché à 10 dollars et 50 dollars sur les mêmes bases. Sur le papier, Muse Wonder coûte donc 60 % de moins pour les tokens standards, tandis que le cache ramène l’écart à 0,20 dollar contre 0,25 dollar par million de tokens d’entrée mis en cache.

Dans les tests menés par Jessica Wachtel, cet avantage tarifaire n’a pas suffi à faire pencher la balance. Sur une correction de bugs, Muse a dû consommer davantage de tokens et a fini à 0,75 dollar contre 0,39 dollar pour Fable 5.1, malgré un temps d’exécution plus court. Sur une enquête d’incident, Muse a encore dépensé plus, à 1,03 dollar contre 0,89 dollar. Le modèle de Meta s’en sort donc bien, mais il parle parfois un peu trop. Comme un stagiaire très motivé qui veut vraiment tout relire.

Quand le code devient un test de résistance

Le premier scénario portait sur une bibliothèque Python de file d’attente avec 27 modules, trois bugs liés entre eux et un test lui-même erroné. Les deux modèles ont identifié le bon fichier pour le premier bug et corrigé le troisième sans casser les 22 tests de non-régression. La différence s’est jouée sur le deuxième bug : Fable 5.1 a validé les six tests cachés, alors que Muse en a passé cinq, parce que sa correction envoyait encore l’ancien compteur d’essais à l’événement d’échec du job.

Le second scénario concernait une panne en cascade sur 20 faux services, avec journaux, métriques, historique de déploiement et configuration. Là, les deux modèles ont trouvé la cause racine, nommée CFG-4470, ont éliminé les faux indices et ont repéré une horloge serveur décalée de 263 secondes. Fable 5.1 a conclu en six tours, Muse en treize. Plus bavard, donc, mais pas hors sujet.

La mémoire longue session change la donne

C’est sur le troisième test que l’écart s’est creusé. Muse Wonder a obtenu 25 sur 25 sur une tâche de mémoire longue, puis 8 sur 8 au questionnaire final, en appliquant correctement huit règles modifiées au fil d’un chat de 50 tours. Fable 5.1, lui, a refusé la quasi-totalité de cette session : 34 refus sur 50 tours, dont la livraison finale et le quiz, avec une alerte classée « cyber ». Le projet n’était pourtant qu’un simple relais webhook.

Cette divergence montre un point sensible pour les usages d’entreprise : le filtrage de sécurité peut bloquer un modèle solide sur un cas banal de backend. Dans ce test, les garde-fous d’Anthropic ont empêché Fable de terminer le travail, alors que Muse l’a fait. Le problème n’est pas théorique ; il apparaît dès qu’un agent doit lire une variable d’environnement, manipuler une URL cible ou enchaîner des vérifications techniques. [à vérifier]

Ce que les équipes produit retiendront

Au total, Muse Wonder a affiché 78 tours de conversation contre 70 pour Fable 5.1, avec 691 179 tokens d’entrée et 23 286 tokens de sortie, pour un coût cumulé de 2,24 dollars. Fable 5.1 a totalisé 365 528 tokens d’entrée et 16 456 de sortie, pour 1,85 dollar. Sur les deux tests où les modèles sont allés au bout, Muse a coûté 1,78 dollar contre 1,28 dollar pour Fable.

La conclusion de l’essai est nuancée : Muse Wonder s’approche franchement de Fable 5.1 sur les tâches d’agent, et peut même mieux passer là où les filtres de sécurité d’Anthropic s’enrayent. Pour les équipes qui arbitrent entre performance, coût et tolérance au faux positif, le choix n’est plus seulement une affaire de benchmark. Il est aussi devenu une question de friction opérationnelle, donc de productivité très concrète.