메타 뮤즈 원더(Muse Wonder)는 메타가 현지 시각 10월 12일 공개한 개인·업무용 에이전트를 위한 AI 모델로, 함께 공개된 뮤즈 원더 모델카드와 Meta Model API 개발자 문서에는 벤치마크 순위표 바깥의 기록도 여럿 들어 있습니다. 상위 모델인 뮤즈 원더 풀(Muse Wonder Full)이 사이버 역량 평가 ExploitGym에서 따낸 플래그 92개 가운데 71개를 의도되지 않은 취약점으로 얻었다는 기록이 그중 하나이고, API로 부를 수 있는 모델이 이 상위 모델과 다르다는 점이나 비교표에 넣을 점수를 고른 기준도 같은 문서들에 적혀 있습니다. 메타는 같은 모델카드에서, 실제로 행동을 하는 에이전트 환경에 이 모델을 배포할 때는 되돌릴 수 없는 작업 앞에 사람의 확인을 두는 것 같은 추가 가드레일을 구현하라고 권하고 있습니다.
메타 뮤즈 원더 발표 블로그는 뮤즈 원더가 이전 모델인 뮤즈 스파크 1.3(Muse Spark 1.3)보다 크고 강한 베이스 모델 위에 만들어졌다고 설명합니다. 메타는 대화를 넘나들며 중요한 맥락을 기억해 두었다가 지금 하는 일에 필요한 내용을 꺼내 쓰는 능력을 액티브 메모리(Active Memory), 어려운 목표를 향해 다른 접근을 시도하고 걸림돌을 넘어가며 새 정보에 맞춰 방향을 바꾸는 성질을 액티브 포커스(Active Focus)라고 이름 붙였습니다. 같은 글에 따르면 뮤즈 원더는 공개 당일부터 개발자용 Meta Model API와 메타가 만든 터미널·CI용 코딩 에이전트 뮤즈 코드(Muse Code)에서 쓸 수 있고, 메타가 9월 8일 미국에서 내놓은 개인 AI 에이전트 뮤즈(Muse)에는 곧 구독자부터 들어갈 예정이죠.
메타 뮤즈 원더 API로는 어떤 모델을 쓸 수 있나?
뮤즈 원더 시리즈 가운데 Meta Model API로 부를 수 있는 모델은 뮤즈 원더(muse-wonder-1.0)이고, 모델카드가 시리즈에서 가장 성능이 높은 변형(most capable variant)이라고 부른 뮤즈 원더 풀은 API로 열려 있지 않습니다. Meta Model API 모델 문서를 보면 뮤즈 원더 풀은 뮤즈 코드 구독, 그중에서도 뮤즈 원더 모델 페이지에 월 50달러로 올라온 파워 유시지(Power Usage) 요금제와 월 200달러인 맥시멈 유시지(Maximum Usage) 요금제에서만 쓸 수 있고, API에서 뮤즈 원더의 추론 강도를 가장 높은 단계인 max로 올려도 풀 모델이 선택되지는 않는다고 적혀 있습니다. 테크크런치는 이번 출시를 메타가 처음으로 프런티어 모델에 도전한 사례로 표현하면서, 풀 모델은 뮤즈 코드 구독자에게만 열리고 API로는 서비스되지 않는
다고 전했습니다.
API로 쓰는 뮤즈 원더의 가격은 Meta Model API 가격표 기준 100만 토큰당 입력 4달러, 캐시된 입력 0.2달러, 출력 20달러이고, 모델 문서에 적힌 컨텍스트 창은 1,048,576토큰입니다. 같은 가격표에 있는 뮤즈 스파크 1.3 표준 모드의 출력 가격이 100만 토큰당 4.25달러이니, 출력만 놓고 보면 뮤즈 원더가 뮤즈 스파크 1.3보다 약 4.7배 비싼 셈이죠. 메타 문서는 토큰당 비용보다 성능이 중요한 여러 시간짜리 에이전트 작업이나 하위 에이전트를 조율하는 일에는 원더를, 처리량이 많거나 응답 속도와 비용에 민감한 일에는 스파크를 쓰라고 안내하는데, 두 모델이 같은 엔드포인트에서 같은 형식의 요청을 받기 때문에 모델 ID만 바꿔서 오갈 수 있다는 설명도 함께 붙어 있습니다.
뮤즈 원더는 문서상 아직 프리뷰 단계로 표시돼 있습니다. 출시 당일인 10월 12일자로 갱신된 Meta Model API 지역 이용 정책은 북한과 중국, 러시아를 비롯한 21개 항목을 이용 제한 지역으로 두고 있고 한국은 이 목록에 없으며, 메타 개발자 도움말은 메타 AI가 서비스되고 결제가 지원되는 대부분의 국가와 지역에서 Meta Model API를 쓸 수 있다고 안내합니다. 같은 정책 문서는 메타가 어느 지역이든 언제든 재량으로 접근을 열거나 막을 수 있다고 밝히고 있어서, 여기 적은 지역 정책 내용은 10월 14일에 확인한 기준입니다.
뮤즈 원더는 GPT-6 아스트라나 클로드 오퍼스 5.5보다 성능이 좋나?
메타가 공개한 비교표를 기준으로 보면 API에서 쓸 수 있는 뮤즈 원더는 일부 항목에서 경쟁 모델을 앞서지만, 여러 평가를 하나로 묶은 Artificial Analysis 종합지수 v4.3에서는 52점으로 클로드 오퍼스 5.5(Claude Opus 5.5)의 58점보다 낮습니다. 같은 지수에서 GPT-6 아스트라(GPT-6 Astra)와 클로드 페이블 5.1(Claude Fable 5.1)은 53점, API로는 쓸 수 없는 뮤즈 원더 풀은 56점이었고, 뮤즈 원더 모델카드는 뮤즈 원더와 비교 대상 모델들을 추론 강도 max 설정에서 비교했다고 밝혔습니다(뮤즈 원더 풀의 SWE-Marathon 점수만은 xhigh 설정 결과). 메타 개발자 페이지가 DeepSWE와 SWE-Marathon 등 에이전트·코딩 벤치마크 1위로 내세운 모델도 뮤즈 원더 풀이어서, API로 붙여 쓸 모델의 점수는 같은 표의 다른 열에 적혀 있죠.
메타 개발자 페이지 비교표의 14개 행을 API로 쓸 수 있는 네 모델, 그러니까 뮤즈 원더와 GPT-6 아스트라, 클로드 페이블 5.1, 클로드 오퍼스 5.5만 남겨 놓고 세어 보면, 뮤즈 원더가 1위인 항목은 법률 업무 평가인 Harvey LAB-AA와 메타 내부의 기억력 평가인 MemoryBench, 장기 코딩 평가인 DeepSWE 1.1과 SWE-Marathon 네 개입니다. 클로드 오퍼스 5.5는 종합지수와 컴퓨터 사용 평가인 OSWorld V2.1(부분 점수 기준), Terminal-Bench 4.0, ProgramBench를 포함한 일곱 개 항목에서 가장 높았고, GPT-6 아스트라는 두 개, 클로드 페이블 5.1은 한 개 항목에서 1위였습니다. 뮤즈 원더가 앞선 네 항목 가운데 MemoryBench는 메타가 만든 내부 평가이고, 2위와의 점수 차가 가장 큰 SWE-Marathon(뮤즈 원더 53.1, 클로드 오퍼스 5.5 46.3)은 GPT-6 아스트라와 클로드 페이블 5.1의 점수가 각각 Codex와 Claude Code로 잰 리더보드 값이라 같은 조건에서 잰 비교가 아니라고 모델카드가 스스로 밝혀 둔 항목입니다.
표에 점수를 넣은 기준도 모델카드에 적혀 있는데, 제3자나 모델 제공사가 낸 비교 가능한 결과가 있으면 그것을 쓰고 없으면 메타가 내부에서 검증한 실행 결과와 자체 보고 점수, 공식 리더보드 점수 가운데 가장 높은 값을 골랐다고 합니다. 메타가 직접 돌린 경쟁 모델 결과에는 프롬프트와 도구, 실행 환경이 다른 회사의 비공개 모델에 맞게 최적화되지 않았을 수 있다는 단서가 달려 있고, 모델이 답을 거부한 문제는 점수에서 빼지 않고 0점으로 계산했다는 설명도 붙어 있습니다. 모델카드는 한계 항목에서도 성능이 양자화와 서빙 설정, 프롬프트, 도구, 에이전트 하네스에 따라 달라질 수 있다고 적었습니다.
Harvey LAB-AA 1.1은 Artificial Analysis가 하비(Harvey)의 법률 에이전트 벤치마크를 바탕으로 만든 평가로, 결과물이 모든 채점 기준을 만족하고 환각 검사까지 통과한 과제의 비율을 점수로 삼기 때문에 뮤즈 원더의 10.0점은 그 기준을 통과한 과제가 열 개 가운데 하나 정도라는 뜻입니다. 같은 항목에서 뮤즈 원더 풀은 13.1점, GPT-6 아스트라는 8.6점, 클로드 페이블 5.1은 6.4점, 클로드 오퍼스 5.5는 4.2점이었으니, 1위를 한 뮤즈 원더를 포함해 다섯 모델 모두 과제의 86% 이상에서 채점 기준을 하나 이상 놓쳤거나 환각 검사를 통과하지 못했습니다. 모델카드는 법률과 금융, 의료 분야의 쓰임새로 문서 이해와 자료 종합, 검토용 초안 준비를 들었습니다.
뮤즈 원더 API에 보낸 데이터는 학습에 쓰이나?
Meta Model API에서 뮤즈 원더를 종량제로 쓰면 스탠더드(Standard) 모드로만 쓸 수 있고, 이 모드에서는 보낸 프롬프트와 코드, 파일, 맥락과 모델이 돌려준 응답이 메타 모델 학습에 쓰이지 않는다고 Meta Model API 모델 문서에 적혀 있습니다. 반대로 뮤즈 코드 구독에서는 사용량을 더 주는 대신 보낸 내용을 앞으로의 메타 모델 학습에 쓰도록 허락하는 컨트리뷰터(Contributor) 모드가 기본으로 켜져 있고 설정에서 언제든 끌 수 있는데, 같은 모델이라도 어느 경로로 쓰느냐에 따라 학습 사용 여부의 기본값이 반대로 잡혀 있습니다. 뮤즈 코드를 구독해 회사 코드를 다루면 이 설정을 끄지 않는 한 보낸 코드가 앞으로의 메타 모델 학습에 쓰일 수 있는 상태에서 시작한다는 뜻이기도 하죠.
프롬프트와 응답을 메타 서버에 남기지 않는 무보존(ZDR, Zero Data Retention) 옵션도 있지만, 메타 도움말의 ZDR 안내에 따르면 기본 사용에는 포함되지 않고 자격을 갖춘 조직이 영업팀을 거쳐 신청해 승인을 받아야 하며 모델마다 지원 여부가 다를 수 있습니다. 무보존을 켜더라도 이용 정책 위반으로 걸린 요청의 입력과 출력은 남용 탐지와 법적 의무 이행을 위해 최대 2년까지 보관될 수 있고, 토큰과 요청 수 같은 사용량 통계와 모델 이름, 지연 시간 같은 운영 기록도 그대로 남습니다. 또 무보존은 Meta Model API에 직접 보낸 호출에만 적용되기 때문에, 다른 플랫폼을 거쳐 들어간 호출은 그 플랫폼의 데이터 보존 정책을 따르게 됩니다.
무보존을 켜면 서버에 저장된 이전 응답을 참조하는 상태 저장 요청과 비동기 백그라운드 요청, 파일 업로드, 웹 검색, 플레이그라운드 대화 기록을 쓸 수 없고 이런 기능을 쓰는 요청은 거부됩니다. 메타 문서는 Responses API를 서버가 상태를 관리하는 에이전트형 다단계 작업용 프로토콜로 소개하고 있는데, 무보존 환경에서는 서버에서 이전 응답을 불러올 수 없으니 이전 대화를 이어 가려면 그 내용을 쓰는 쪽 시스템이 보관했다가 요청에 담아 보내야 합니다. 무보존은 무보존이 켜진 조직이나 팀의 API 키로 보낸 요청에만 적용되고, 개인 계정이나 다른 조직의 키로 보낸 요청은 적용 대상이 아닙니다.
뮤즈 원더 모델카드의 92개 중 71개는 무슨 뜻인가?
뮤즈 원더 모델카드에 적힌 92개 중 71개는 상위 모델 뮤즈 원더 풀이 사이버 역량 평가 ExploitGym에서 따낸 플래그 92개 가운데, 의도되지 않은 취약점(unintended vulnerabilities)으로 얻은 플래그가 71개였다는 뜻입니다. 모델카드 각주에 따르면 GPT-cyber 검증기로 확인하고 구글의 제미나이 3.1 프로(Gemini 3.1 Pro)로 따로 다시 확인한 결과 의도된 취약점을 이용한 풀이는 21개였고, ExploitGym의 공개 순위는 의도된 취약점을 이용한 공격만 인정하기 때문에 공개 순위와 견줄 수 있는 숫자는 21이라고 메타가 밝혔습니다. 메타는 위험 평가 결과를 같은 계열에서 가장 성능이 높은 뮤즈 원더 풀로 냈다고 밝혔기 때문에, 이 숫자도 API로 쓰는 뮤즈 원더보다 한 단계 위인 뮤즈 원더 풀의 결과입니다.
메타 발표 블로그는 액티브 포커스를 어려운 목표를 향해 다른 접근을 시도하고 걸림돌을 넘어가며 새 정보에 맞춰 방향을 바꾸는 성질로 설명하고, 그러는 동안 필요하면 사람에게 되묻고 중요한 행동 앞에서는 확인을 구한다고 적었습니다. 메타는 이 집중력을 내부 평가 FocusBench로, 오래 이어지는 작업 수행은 장기 소프트웨어 프로젝트를 다루는 SWE-Marathon으로 쟀다고 밝혔고, 모델카드에 따르면 FocusBench는 주거와 여행, IT, 금융 같은 분야의 개인 에이전트 과제에서 현실의 걸림돌을 넘어 끈질기게 일하는지와 바뀌는 환경에 적응하는지를 봅니다. 모델카드는 ExploitGym의 71개 풀이가 어떤 과정을 거쳐 나왔는지, 그리고 그 결과가 액티브 포커스와 관련이 있는지는 설명하지 않았습니다.
같은 모델카드의 통제 상실(Loss of Control) 평가에서 뮤즈 원더 풀은 에이전트가 목표를 이루거나 교체와 종료를 피하려고 해로운 행동을 하는지 보는 Agentic Misalignment에서 0%, 압박을 받아도 원래 알고 있는 사실을 뒤집지 않고 정직하게 답하는지 보는 MASK에서 87.3%를 기록했습니다. 두 수치는 메타 프레임워크가 일정 수준의 능력에 이른 모델에 적용하는 위험 수용 기준의 예시로 든 MASK 40% 이상과 Agentic Misalignment 50% 이하를 모두 충족합니다. 다만 이 평가들도 ExploitGym처럼 정해진 평가 환경에서 잰 결과여서, 실제 업무 도구를 쥐 에이전트 환경에서 같은 결과가 나오는지는 공개된 자료에 나와 있지 않습니다.
메타는 뮤즈 원더 에이전트에 어떤 안전장치를 권했나?
뮤즈 원더 모델카드는 실제로 행동을 하는 에이전트 환경에 뮤즈 원더를 배포할 때 되돌릴 수 없는 작업 앞에 사람의 확인을 두는 것 같은 추가 가드레일을 구현하라고 권장하고 있습니다. 같은 문서는 용도에 맞는 가드레일을 더한 더 큰 AI 시스템의 일부로 뮤즈 원더를 배포하라고 권하면서, 개발자가 자기 서비스와 사용할 언어에 맞춰 이 모델이 적합한지 스스로 평가해야 한다고 적었습니다. 18세 미만 이용은 상정하지 않은 모델이라는 점과 함께, 18세 미만이 쓸 때 생기는 위험을 평가하고 줄이는 책임은 배포하는 쪽에 있다고도 밝혔습니다.
이 권고가 실린 모델카드의 고려 사항과 한계(Considerations and Limitations) 항목은 뮤즈 원더가 알려진 위험과 알려지지 않은 위험을 함께 지닌 기술이고 지금까지의 테스트가 모든 상황을 다루지 못했으며 다룰 수도 없었다는 두 문장으로 시작합니다. 이어지는 한계 목록에는 부정확하거나 편향되거나 부적절한 응답을 낼 수 있다는 점과, 에이전트 작업에 맞춰 최적화했더라도 학습 데이터에 잘 드러나지 않은 새로운 상황에서는 여러 단계에 걸친 추론에서 실수할 수 있다는 점이 들어 있습니다. 시각·공간 추론, 특히 3D 작업도 알려진 한계로 적혀 있죠.
같은 모델카드의 위험 평가를 보면, 메타는 대규모 피해로 이어질 수 있는 위험을 관리하는 자체 체계인 Meta Superintelligence Scaling Framework에 따라 완화 조치가 없으면 화학·생물 영역에서 '높음' 위험 단계에 이를 가능성을 배제할 수 없다고 판단했습니다. 그래서 이 영역에 안전 사후 학습(safety post-training)과 시스템 단위 분류기(system-level classifier) 같은 완화 조치를 적용했고, 사이버 보안과 통제 상실 영역은 완화 전에도 '보통 이하'로 평가됐습니다. 완화 조치와 시스템 안전장치를 갖춘 뒤에는 세 영역 모두 '보통 이하'로 평가돼 배포를 결정했으며, 이 평가는 메타 내부 거버넌스 절차의 검토를 거쳤다고 합니다. 이 프레임워크가 겨냥하는 위험은 대규모 인명 피해나 막대한 금전 손실처럼 광범위하고 파괴적이며 되돌리지 못할 수도 있는 파국적 결과이고, 프레임워크 스스로도 그보다 넓은 범위의 위험은 메타의 다른 AI 거버넌스 절차에서 다룬다고 적어 두었습니다.
메타는 발표 블로그에서 추가 안전성 평가를 담은 전체 보고서를 곧 공개하겠다고 밝혔는데, 10월 14일 기준으로 이 보고서는 발표 블로그에 연결돼 있지 않습니다. 올해 10월 개정된 프레임워크 2.1판은 프런티어 AI를 공개할 때마다 배포와 관련해 적시에 준비성 보고서(preparedness report)를 내고, 그 안에 적대적 공격을 견디는 정도와 통제 가능성 평가 결과, 그리고 보상 해킹이나 몰래 다른 목적을 꾀하는 행동(scheming)처럼 사후 학습이 부추긴 바람직하지 않은 행동을 담겠다고 약속하고 있습니다. 같은 프레임워크는 흔한 에이전트 사용 환경에서 프롬프트 인젝션의 보안 위험을 평가하고 여러 겹의 방어를 두고 있다고도 적었지만, 지금 공개된 모델카드에는 프롬프트 인젝션 평가 결과가 실려 있지 않습니다.
뮤즈 원더 에이전트의 사람 확인은 워크플로 어디에 들어가나?
모델카드가 권하는 사람 확인은 배포하는 쪽이 구현하는 추가 가드레일이어서, 에이전트 워크플로에서는 되돌릴 수 없는 작업을 실행하는 단계 바로 앞에 놓이게 됩니다. Meta Model API 개발자 문서는 Model API가 OpenAI SDK와 그대로 호환돼 클라이언트의 base URL과 키만 바꾸면 나머지 코드는 그대로 쓸 수 있다고 안내하고 있죠. Dify 마켓플레이스에는 langgenius가 올린 OpenAI-API-compatible 플러그인이 있는데, OpenAI API 표준과 호환되는 모델 공급자를 Dify에 붙이는 플러그인으로 모델 이름과 API 키 같은 설정을 넣어 모델을 추가하는 방식입니다.
Dify가 올해 3월 3일 공식 블로그에서 소개한 v1.13.0에는 워크플로를 멈추고 사람의 판단을 받는 휴먼 인풋(Human Input) 노드가 들어 있고, Dify 공식 문서에 따르면 이 노드는 실행을 멈춘 채 요청 양식을 보내고 받는 사람이 미리 정해 둔 결정 가운데 하나를 고르면 그 결정에 따라 워크플로가 다음 경로로 넘어갑니다. 요청은 웹 앱 화면이나 이메일로 보낼 수 있고, 아무도 응답하지 않으면 기본 3일 뒤 시간 초과 경로로 넘어가며, 시간 초과 경로를 연결해 두지 않았다면 워크플로가 그대로 끝납니다. 결정 버튼마다 다른 경로로 이어지게 만들 수 있으니, 되돌릴 수 없는 작업을 맡은 도구 노드를 승인 버튼 쪽 경로에만 두면 사람이 그 버튼을 누르기 전에는 작업이 실행되지 않습니다.
Dify 문서에 따르면 이메일 요청은 링크를 가진 사람이면 Dify 계정이 없어도 응답할 수 있고 요청은 첫 응답이 들어오는 순간 닫히기 때문에, 승인 링크가 전달돼 다른 사람이 먼저 응답하면 그 응답이 결정이 됩니다. 사람이 누른 버튼의 ID와 이름은 __action_id와 __action_value 변수로, 채워진 양식은 __rendered_content 변수로 다음 노드에 넘어갑니다. 셀프 호스팅 Dify의 환경 변수 문서에 따르면 워크플로 실행 기록은 기본 설정에서 Dify 데이터베이스에 저장되고, 워크플로 실행 로그 자동 정리는 기본으로 꺼져 있으며 켜면 보존 기간 기본값인 30일이 지난 로그를 매일 지웁니다.
오픈네트웍시스템 ㅣ 권태규
** 해당 콘텐츠는 오픈네트웍시스템의 인블로그 작성 매뉴얼을 학습한 AI의 원문을 작성하고 편집 담당자가 검수 후에 발행했습니다. 빠르게 성장하는 AX시장에 발 맞춰 더 좋은 콘텐츠, 많은 소식들을 전달드리기 위해 노력하고 있습니다. 오류 또는 제안이 있다면 언제든 고객센터로 의견을 들려주세요