Meta 发布 Muse Ember：面向大规模智能体子任务的 1M-token 多模态推理模型
Meta Releases Muse Ember, a 1M-Context Model for High-Volume Agent Work
Meta Superintelligence Labs 发布 Muse Ember，这是一款托管式多模态推理模型，面向工具调用、编码子任务、路由、信息提取和长文档解析。
同一件事，精选收录的是《Meta 发布轻量级 AI 模型 Muse Ember，单任务成本为 Claude Haiku 5.5 的 1/3》
Meta Superintelligence Labs 发布了 Muse Ember，这是其规模最小、效率最高的模型。Meta Muse Ember 是一款托管式多模态推理模型，专为智能体内部重复性较强的步骤而打造。Meta 列出的适用任务包括工具调用、编码子任务、路由、信息提取和长文档解析。该模型在 Artificial Analysis Intelligence Index 上得分 36，与最高推理强度下的 Claude Haiku 5.5 持平。Meta 表示，其每个指数任务的成本约为 $0.14。
TL;DR
- 规模：100 万 token 上下文窗口，最多输出 512K token。
- 运行方式：仅支持 Meta 自有托管基础设施（Meta Model API 和 Muse Code）。模型权重不公开，因此无法在本地 GPU、笔记本电脑或量化环境中运行。
- 性能：在 AA Intelligence Index 上与 Claude Haiku 5.5（最高推理强度）的 36 分持平，高于 GPT-6 Luna 的 28 分。
- 最佳表现：AutomationBench-AA 得分 37.8，GPT-6 Luna 为 20.2，Claude Haiku 5.5 为 13.9。
- 最差表现：FrontierCode 2.0-AA 得分 27.2，落后于 Claude Haiku 5.5 的 34.9。
- 结论：最佳方面：每个任务成本为 $0.136，而对比模型为 $0.411，却具备 Haiku 级别的智能水平。最差方面：权重不公开，并且在可合并的真实代码仓库任务上表现较弱。
Meta Muse Ember 是什么？
Muse Ember 是 Meta 面向大规模智能体子任务推出的小型推理模型，继 Spark、Glimmer 和 Wonder 之后，它成为 Muse 品牌下的第四款模型。
Meta 将它定位在自家更大型模型之下。Muse Wonder 处理难度最高的问题，Muse Spark 覆盖编码和智能体工作流，而 Ember 负责大规模执行可重复的编码与智能体任务。Meta 自己的表述是：Muse Wonder 负责规划，Muse Ember 处理海量任务。
Muse Ember 如何运作？
Muse Ember 是 Meta 首款使用 Muse Wonder Full——其规模最大的模型——进行训练的模型。
该模型原生支持文本、图像、音频和视频。智能体无需搭配其他模型，就能读取屏幕截图、图表、扫描文档、语音备忘和会议录音。它还可以根据屏幕截图操作桌面应用。
100 万 token 的上下文窗口可在一次调用中容纳完整代码库或整套文档。最大输出长度为 512K token，是两个竞品 128K 上限的 4 倍。
Muse Ember 在基准测试中的表现如何？
以下所有结果均为 Meta 报告的最高推理强度成绩。部分数据来自 Artificial Analysis（AA），其余来自 Meta 的内部测试套件。
- 智能体：在包含 657 个 Zapier 业务流程的 AutomationBench-AA 中，Ember 完成了 37.8% 的任务。GPT-6 Luna 完成率为 20.2%，Claude Haiku 5.5 为 13.9%。在内部测试 Agents’ Last Exam 中，Ember 得分 61.6，另外两款模型分别为 57.1 和 57.0。
- 编码：Ember 在 Terminal-Bench 4.0 中以 40.9 分领先，Haiku 为 39.2，Luna 为 16.4。它也位居 AA Coding Agent Index 首位，三者得分依次为 46、37 和 31。但在 FrontierCode 2.0-AA 中，它落后于 Haiku，后者得分 34.9，Ember 得分 27.2。
- 多模态：Ember 在 GDP.pdf-AA 上以 22.8 分与 GPT-6 Luna 持平。在按部分得分计算的 OSWorld 2.1 中，它以 69.5 分略高于 Haiku 的 68.9 分。在配备工具的 PerceptionBench 中，Ember 得分 80.6，Haiku 为 78.6，Luna 为 62.8。
如果 token 价格相同，为什么 Muse Ember 的单任务成本更低？
Muse Ember 的价格为每百万输入 token $0.10，每百万输出 token $0.50。缓存输入价格为每百万 token $0.004。Claude Haiku 5.5 和 GPT-6 Luna 公布的基础价格与之相同。
在标价相同的情况下，成本差距只能来自每项任务消耗的 token。Meta 的图表显示，满档设置的 Ember 每项任务得分 35.8，成本为 $0.136；满档设置的 Haiku 5.5 得分 36.2，成本为 $0.411；Luna 的最佳设置得分 27.8，成本为 $0.152。Artificial Analysis 将其概括为：与 Haiku 相当，但每项任务的成本只有三分之一。
从纸面数据看，长提示词会进一步拉大差距。Haiku 5.5 在提示词超过 100K token 后，输入费率为 $0.50 和 $2.50。超过 272K 输入 token 后，GPT-6 Luna 的输入费率翻倍。Meta 没有为 Ember 列出长上下文价格档位。
Muse Ember 对比 Claude Haiku 5.5 与 GPT-6 Luna
| 特性 | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| 开发商 | Meta | Anthropic | OpenAI |
| 发布时间 | Nov 9, 2026 | Oct 7, 2026 | Sep 22, 2026（来源） |
| 参数量 | 未公开 | 未公开 | 未公开 |
| 上下文窗口 | 1M | 1M | 1.05M |
| 最大输出 | 512K | 128K | 128K |
| 输入类型 | 文本、图像、音频、视频 | 文本、图像 | 文本、图像 |
| 权重 | 闭源 | 闭源 | 闭源 |
| 每 1M 输入/输出价格 | $0.10 / $0.50 | $0.10 / $0.50（提示词不超过 100K） | $0.10 / $0.50（输入不超过 272K） |
| 每 1M 缓存输入价格 | $0.004 | $0.01 | $0.01 |
| AA 智能指数（最高档）* | 36 | 36 | 28 |
| 每项 AA 任务成本（最高档）* | $0.136 | $0.411 | $0.152 |
| AutomationBench-AA* | 37.8 | 13.9 | 20.2 |
| Terminal-Bench 4.0* | 40.9 | 39.2 | 16.4 |
| FrontierCode 2.0-AA* | 27.2 | 34.9 | 25.2 |
| OSWorld 2.1（部分任务/二元结果）* | 69.5 / 33.8 | 68.9 / 27.8 | 50.5 / 17.0 |
*基准测试数据均按 Meta 在其发布文章和评估报告中公布的内容呈现，数据来自 Artificial Analysis Intelligence Index v5 以及 Meta 的内部测试。
开发者如何使用 Muse Ember？
Ember 已通过 Meta Model API 和 Meta 的编程智能体 Muse Code 提供，并支持 Responses API。早期测试合作伙伴包括 Box、Cline、Oracle、Cloudflare 和 You.com。
要点总结
- Muse Ember 在 AA 智能指数上得分 36，与 Claude Haiku 5.5 持平。
- token 价格同为 $0.10 / $0.50，每项任务成本约为 Haiku 的三分之一。
- 在智能体工作流方面表现最强：AutomationBench-AA 得分 37.8。
- 在代码合并任务方面表现最弱：FrontierCode 2.0-AA 得分 27.2。
- 采用闭源权重，仅通过 Meta Model API 和 Muse Code 提供托管服务。
查看发布文章和评估报告，或前往 dev.meta.ai 体验。此外，欢迎在 Twitter 上关注我们，也别忘了加入我们的 150k+ML SubReddit 并订阅 电子报。等等！你用 Telegram 了吗？现在也可以加入我们的 Telegram 社群：立即加入。
需要在 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等方面与我们合作推广吗？联系我们
文章《Meta 发布 Muse Ember：一款面向高并发智能体工作负载的 1M 上下文模型》首发于 MarkTechPost。
来源：MarkTechPost · marktechpost.com