Muse Wonder建模大翻车，亚历山大·王辩护遭马斯克无情补刀
官方承认 3D 短板，跨模型测试 Harness 不同。
作者丨 郑佳美
编辑丨岑 峰
Meta 刚发布的 Muse Wonder，没想到因为一盏熔岩灯，在开发者社区引发了一场关于 AI 模型跑分的争论。
10 月 12 日，Meta 推出 Muse Wonder 和 Muse Wonder Full，主打 Coding Agent、工具调用和长任务执行能力。官方公布的成绩相当亮眼，Wonder Full 在 SWE-Marathon 上拿到 57.5 分，DeepSWE 1.1 达到 79.0 分，已经能够与同期的前沿模型展开竞争。
然而，开发者社区 BridgeMind 随后安排了一项 3D 编程测试，要求 Muse Wonder 制作一盏具有透明玻璃外壳、动态熔岩和光照效果的熔岩灯。
结果模型只生成了一个红色圆柱体。
BridgeMind 随即质疑 Muse Wonder 存在严重的 Benchmaxxing，也就是针对 Benchmark 进行大量优化，成绩看着漂亮，碰上陌生任务却露了怯。
连马斯克也忍不住下场，在相关帖子下意味深长地回了一句 Hmm。短短一个词，虽然没有明确表态，却让这场围绕 Meta 新模型的刷分争议又添了几分戏剧性。
Meta 首席 AI 官 Alexandr Wang 很快回应，团队确实没有针对 3D 演示游戏进行显式训练，事后看来或许应该补充相关训练，但他仍然希望开发者实际体验 Muse Wonder 的 Coding 能力。雷峰网 (公众号：雷峰网)
这场争论有一个重要前提：熔岩灯测试针对的是普通版 Muse Wonder，而 Meta 公布的部分突出成绩来自 Wonder Full，两者存在能力差异。同时，Meta 官方 Model Card 已经明确承认，视觉与空间推理，尤其是 3D 任务，属于 Muse Wonder 的已知短板。
但高分模型在陌生任务中遭遇如此明显的失败，依然让人好奇：当前大模型的训练方法究竟在强化哪些能力，Agent Benchmark 又能在多大程度上反映模型的实际水平？
01
奖励机制，
决定模型擅长解决什么问题
Muse Wonder 的表现，与当前大模型越来越依赖 Post-training 提升任务能力的技术路线有关。
在 Pre-training 阶段，模型通过大规模数据学习语言、代码、空间关系和其他通用知识。进入 Post-training 后，训练会进一步塑造模型的行为策略，尤其是通过强化学习，让它在特定任务环境中形成更稳定的执行能力。
Coding Agent 很适合这类训练。例如，给模型一个存在 Bug 的代码仓库，要求它定位问题、修改文件并运行测试。
整个过程可以通过编译结果、单元测试和功能检查获得相对明确的反馈。强化学习系统据此判断哪些操作有效，持续强化能够提高任务成功率的行为。
训练规模扩大后，模型逐渐学会一套复杂的软件工程策略，包括如何缩小搜索范围、选择工具、处理报错，以及在多轮修改中维护任务状态。
Meta 在官方技术文章中提到，Muse Wonder 接受了多样化长任务训练，并引入 Active Focus，使模型能够在遭遇阻碍后尝试其他方案、恢复执行并继续推进任务。
但这类训练依赖一个关键条件：环境必须能够向模型提供有用的反馈。熔岩灯恰好打破了传统 Coding Agent 熟悉的反馈方式。雷峰网
从程序实现来看，熔岩灯涉及三维几何、透明材质、光照计算和动态形变。如果使用 Three.js，模型需要构造玻璃灯罩，为内部熔岩生成不规则的几何形态，再通过时间变量或噪声函数驱动形状变化。
这些代码即使能够正常执行，画面仍然可能完全错误。例如，透明材质的参数配置不当，玻璃就可能变成不透明的实体，熔岩形状缺少连续变化机制，内部效果就可能退化为静态色块。编译器和单元测试很难直接判断这些视觉问题。
这意味着，Agent 还需要具备一套视觉反馈机制，通过渲染截图、识别画面偏差，再把视觉问题转换成代码修改。单纯增加工具调用次数或延长推理时间，并不能替代这一环节。
Muse Wonder 生成红色圆柱体的具体原因，仍然需要完整执行轨迹才能确定。可能是模型没有建立正确的空间结构，也可能是图形工具使用不当，或者生成错误后缺少有效的视觉检查。
Alexandr Wang 承认没有针对 3D 演示进行显式训练，至少说明这一任务没有获得与重点 Coding 场景相同的训练投入。