Meta推出最小模型Muse Ember，面向智能体日常执行任务
2026年11月9日，Meta Superintelligence Labs发布其迄今最小、最高效的模型Muse Ember，面向复杂推理执行及智能体日常重复工作，包括跨应用执行工作流、按顺序调用工具、运行测试并进行针对性代码修复。
该模型原生支持文本、图像、音频和视频输入，上下文窗口为100万Token，最大输出51.2万Token。定价为每百万输入Token 0.1美元、每百万输出Token 0.5美元（缓存输入0.004美元），现已通过Muse Code和Meta Model API（模型ID为muse-ember-1.0）上线。
Meta称，Muse Ember在Artificial Analysis Intelligence Index上以约每任务0.14美元的成本匹配Claude Haiku 5.5的最高得分（36分），约为后者成本的三分之一，并在所有推理设置上优于GPT-6 Luna。在Terminal-Bench 4.0（40.9%对39.2%）、OSWorld 2.1（partial credit 69.5%对68.9%）等基准中，公司公布的结果显示其得分高于上述两款模型；但在FrontierCode 2.0-AA上则低于Haiku 5.5（27.2%对34.9%）。该模型是首个使用Muse Wonder Full训练的模型。
原始来源：
标题：Introducing Our Smallest, Most Efficient Model: Muse Ember 发布者：Meta AI Research 发布日期：2026-11-09 URL：https://research.meta.ai/blog/muse-ember 来源性质：官方公告 核验情况：本次完整读取官方博客正文、评测表格、定价与可用性说明（2026-11-09） 支持内容：支持Muse Ember发布日期、定位（智能体日常工具调用、编码子任务、跨应用工作流）、多模态输入、1M上下文与512K输出、定价（$0.10/$0.50）、上线渠道（Muse Code与Meta Model API）、公司声称的与Claude Haiku 5.5和GPT-6 Luna在Artificial Analysis Index、Terminal-Bench 4.0、OSWorld 2.1等基准上的比较结果，以及其为首个用Muse Wonder Full训练的模型。
ABAB AI 解读
Meta Superintelligence Labs首席AI官Alexandr Wang与Mark Zuckerberg均在X上宣布此次发布。Muse系列自2026年4月推出首款模型Muse Spark以来，逐步分层：Spark定位中端编码与智能体工作流，8月开放权重的Glimmer面向本地运行，10月推出前沿模型Muse Wonder，Ember则填补高容量、低成本执行层。公司明确表示，Ember是首个使用Muse Wonder Full蒸馏或训练的模型，意图用更大模型规划、用更小模型处理重复体量。
资本与产品路径上，Ember不涉及新一轮外部融资，而是内部产品矩阵完善。Meta将其定价与Haiku 5.5、Luna对齐（均为每百万输入0.1美元、输出0.5美元），但通过更少输出Token和更低缓存成本，将Artificial Analysis每任务成本压至约0.14美元，远低于Haiku的0.41美元。资金流向体现为：开发者通过API或Muse Code调用，用于子智能体任务、工具循环和文档处理，从而降低整体智能体系统的边际成本。
与Anthropic的Claude Haiku系列相比，两者都定位高效执行层，Haiku长期作为Anthropic的低成本选项服务编码与工具调用。关键相同点是列表价格相近且均强调智能体重复任务；不同点在于Meta主动公开成本-per-task数据并宣称处于Artificial Analysis效率前沿，同时把Ember明确设计为与Wonder/Spark配对使用，而非独立主模型。历史案例显示，类似分层（如OpenAI的o系列与小型模型）往往推动智能体从实验走向高频生产，但依赖实际输出Token效率和工具可靠性。
此次发布改变的是智能体开发者的成本结构与模型选择：高容量子任务可从更大模型卸载至Ember，潜在降低每会话Token支出，尤其在跨应用工作流和长文档场景。观察指标是实际生产中的输出Token消耗与任务完成率，若持续低于竞品，将强化Meta在智能体执行层的价格竞争力；前提是评测中的优势能在真实harness中复现，且长上下文（超过20万Token）的更高定价不抵消整体节省。
ABAB News · 认知定律
列表价格相同，不等于每任务成本相同。
小模型负责体量，大模型负责规划，是智能体分层的常见路径。
基准优势需在实际工具循环中验证，才能转化为成本优势。