Meta推出最小模型Muse Ember，面向智能體日常執行任務
2026年11月9日，Meta Superintelligence Labs發佈其迄今最小、最高效的模型Muse Ember，面向複雜推理執行及智能體日常重複工作，包括跨應用執行工作流、按順序調用工具、運行測試並進行鍼對性代碼修復。
該模型原生支持文本、圖像、音頻和視頻輸入，上下文窗口爲100萬Token，最大輸出51.2萬Token。定價爲每百萬輸入Token 0.1美元、每百萬輸出Token 0.5美元（緩存輸入0.004美元），現已通過Muse Code和Meta Model API（模型ID爲muse-ember-1.0）上線。
Meta稱，Muse Ember在Artificial Analysis Intelligence Index上以約每任務0.14美元的成本匹配Claude Haiku 5.5的最高得分（36分），約爲後者成本的三分之一，並在所有推理設置上優於GPT-6 Luna。在Terminal-Bench 4.0（40.9%對39.2%）、OSWorld 2.1（partial credit 69.5%對68.9%）等基準中，公司公佈的結果顯示其得分高於上述兩款模型；但在FrontierCode 2.0-AA上則低於Haiku 5.5（27.2%對34.9%）。該模型是首個使用Muse Wonder Full訓練的模型。
原始來源：
標題：Introducing Our Smallest, Most Efficient Model: Muse Ember 發佈者：Meta AI Research 發佈日期：2026-11-09 URL：https://research.meta.ai/blog/muse-ember 來源性質：官方公告 覈驗情況：本次完整讀取官方博客正文、評測表格、定價與可用性說明（2026-11-09） 支持內容：支持Muse Ember發佈日期、定位（智能體日常工具調用、編碼子任務、跨應用工作流）、多模態輸入、1M上下文與512K輸出、定價（$0.10/$0.50）、上線渠道（Muse Code與Meta Model API）、公司聲稱的與Claude Haiku 5.5和GPT-6 Luna在Artificial Analysis Index、Terminal-Bench 4.0、OSWorld 2.1等基準上的比較結果，以及其爲首個用Muse Wonder Full訓練的模型。
ABAB AI 解讀
Meta Superintelligence Labs首席AI官Alexandr Wang與Mark Zuckerberg均在X上宣佈此次發佈。Muse系列自2026年4月推出首款模型Muse Spark以來，逐步分層：Spark定位中端編碼與智能體工作流，8月開放權重的Glimmer面向本地運行，10月推出前沿模型Muse Wonder，Ember則填補高容量、低成本執行層。公司明確表示，Ember是首個使用Muse Wonder Full蒸餾或訓練的模型，意圖用更大模型規劃、用更小模型處理重複體量。
資本與產品路徑上，Ember不涉及新一輪外部融資，而是內部產品矩陣完善。Meta將其定價與Haiku 5.5、Luna對齊（均爲每百萬輸入0.1美元、輸出0.5美元），但通過更少輸出Token和更低緩存成本，將Artificial Analysis每任務成本壓至約0.14美元，遠低於Haiku的0.41美元。資金流向體現爲：開發者通過API或Muse Code調用，用於子智能體任務、工具循環和文檔處理，從而降低整體智能體系統的邊際成本。
與Anthropic的Claude Haiku系列相比，兩者都定位高效執行層，Haiku長期作爲Anthropic的低成本選項服務編碼與工具調用。關鍵相同點是列表價格相近且均強調智能體重複任務；不同點在於Meta主動公開成本-per-task數據並宣稱處於Artificial Analysis效率前沿，同時把Ember明確設計爲與Wonder/Spark配對使用，而非獨立主模型。歷史案例顯示，類似分層（如OpenAI的o系列與小型模型）往往推動智能體從實驗走向高頻生產，但依賴實際輸出Token效率和工具可靠性。
此次發佈改變的是智能體開發者的成本結構與模型選擇：高容量子任務可從更大模型卸載至Ember，潛在降低每會話Token支出，尤其在跨應用工作流和長文檔場景。觀察指標是實際生產中的輸出Token消耗與任務完成率，若持續低於競品，將強化Meta在智能體執行層的價格競爭力；前提是評測中的優勢能在真實harness中復現，且長上下文（超過20萬Token）的更高定價不抵消整體節省。
ABAB News · 認知定律
列表價格相同，不等於每任務成本相同。
小模型負責體量，大模型負責規劃，是智能體分層的常見路徑。
基準優勢需在實際工具循環中驗證，才能轉化爲成本優勢。