메타 Muse Wonder: 오픈웨이트 버리고 '에이전트 노출'로 전환한 의미

핵심 요약

• 메타 슈퍼인텔리전스 랩은 2026년 10월 12일 첫 프런티어급 모델 Muse Wonder와 Muse Wonder Full을 공개했으며, 두 모델 모두 다운로드 가능한 오픈웨이트로 배포되지 않는다(TechCrunch·CNBC).
• 표준 모델 API 가격은 입력 100만 토큰당 $4, 출력 100만 토큰당 $20, 캐시 입력 100만 토큰당 $0.20이다(VentureBeat).
• 웹 검색 그라운딩은 토큰 비용에 더해 검색 쿼리 1,000건당 $2.50이 별도 부과된다(Meta Model API 문서).
• Muse Wonder는 Artificial Analysis 기준 52점으로 보고됐으나, GPT-6 Astra와의 격차는 출처마다 엇갈려 '추정'으로 취급해야 한다(DataNorth·VentureBeat).
• 소비자는 월 $20 또는 $100 구독이 필요하고, Muse Wonder Full은 Muse Code 에이전트 구독자($50 또는 $200/월)에게만 열린다(CNBC).

메타의 전략 전환은 무엇이 달라진 것인가?

메타는 '다운로드 가능한 오픈웨이트' 노선을 접고 유료 API·구독 기반의 에이전트 모델로 선회했다. 과거 Llama 모델은 조직이 자체 인프라에서 돌릴 수 있는 다운로드형 AI를 대중화시켰으나, 이번 두 Wonder 모델은 공개 가중치로 배포되지 않는다(TechCrunch). 대신 메타는 표준 모델을 상업용 API로 제공하고, 가장 강력한 Wonder Full은 Muse Code 유료 구독자에게만 유보한다(CNBC). 즉 Mistral·Qwen·Kimi로 대표되는 '오픈웨이트 인용 계층'과 정반대로, 자사 소비자 유통망과 에이전트 제품에 모델을 묶는 '폐쇄·에이전트' 전략이다.

성능과 비용은 어느 수준인가?

성능 수치는 대부분 벤더 자체 또는 2차 집계 성격이 강해 '추정'으로 봐야 한다. 주요 보고치는 다음과 같다.

항목	Muse Wonder	GPT-6 Astra	Claude Opus 5.5
Artificial Analysis 인덱스	52	58(또는 53으로 엇갈림)	—
과업 1건당 평균 비용	$4.52	$3.26	$5.98
DeepSWE 1.1(장기 코딩)	78.8(Full 79.0)	74.1	74.2

(DataNorth·VentureBeat·ASCII 인용) 다만 Forkast에 따르면 일부 인덱스는 BenchLM 재현치로 Artificial Analysis나 모델 제작사가 확인하지 않았고, 독립 벤치마크는 아직 부재하다. 성능 비교는 방법론·기준점 차이가 있어 그대로 단정하기 어렵다.

왜 '에이전트 노출'이 핵심 쟁점인가?

Muse Wonder는 인용 포함 내장 검색과 브라우저·앱 조작 능력을 갖춘 에이전트 모델이라는 점이 브랜드 노출에 직결된다. OpenRouter에 따르면 이 모델은 구조화된 출력, 병렬 함수 호출, 인용이 포함된 내장 검색(built-in search with citations), 조정 가능한 추론 강도를 지원한다. 모델 카드는 브라우저의 검색·열기·찾기 도구로 목록형 정보 탐색 질문에 답하는 내부 평가 Verifiable Browsing Task(VBT)를 명시한다(Meta Research). 또 메타는 수개월간 맥락을 유지하는 Active Memory와 실패 시 대안을 시도하는 Active Focus를 차별점으로 제시했다(Forkast).

중요한 변화는 검색 노출이 '유료 레이어'가 됐다는 점이다. 쿼리 1,000건당 $2.50의 과금은 에이전트가 외부 웹을 참조할 때마다 비용이 붙는다는 의미이며, 운영자는 검색 호출을 아끼려는 유인이 생긴다. 결과적으로 적은 수의 고신뢰 소스만 인용될 가능성이 높아진다.

TableFlip 관점

이번 전환은 한국 브랜드의 AI 노출 좌표가 '챗봇 답변 인용'에서 '에이전트가 브라우저로 직접 탐색·실행하는 과정의 노출'로 확장됨을 시사한다. VBT 같은 목록형 정보 탐색에서 상위 소스로 잡히려면 FAQ·표·명확한 엔티티 등 구조화 콘텐츠 정비가 중요해진다. 특히 유료 검색 그라운딩 환경에서는 인용되는 소스가 소수로 압축되므로, '자주 인용되는 고신뢰 소스' 지위 확보가 과거보다 더 결정적이다.

TableFlip은 (1) 에이전트 브라우징·computer-use 시나리오를 가정한 '탐색 가능성(crawlable·구조화)' 진단, (2) 소수 고신뢰 인용원 지위를 겨냥한 근거 콘텐츠 설계, (3) 메타 유통망 통합 여부는 공식 발표 전까지 '추정'으로만 취급하는 월간 모니터링을 권한다. 오픈웨이트 인용 저변이 메타발로 줄어드는 만큼, 어떤 모델·에이전트가 실제로 국내 브랜드를 인용하는지는 AI 노출 리포트와 GEO 진단 방법론으로 지속 추적할 사안이다.

브랜드가 에이전트 답변 표면에서 어떻게 보이는지 궁금하다면 무료 AI Visibility 진단으로 현재 위치를 먼저 확인하길 권한다.