Meta发布轻量级AI模型Muse Ember

Meta超级智能实验室（Meta Superintelligence Labs）正式发布Muse Ember，官方称其为迄今最轻量且最具成本效益的AI模型。

据TechCrunch报道，该模型专为复杂推理执行及智能体日常高频任务设计，覆盖工具调用、编程子任务、路由调度、信息提取以及长文档解析等场景。Ember的推出，标志着Meta在廉价、高吞吐智能体底座模型领域，直接向Anthropic的Claude Haiku 5.5与OpenAI的GPT-6 Luna发起竞争。

定价与基准测试表现

据The New Stack报道，Ember的定价为每百万输入Token 0.10美元、缓存输入Token 0.004美元，每百万输出Token 0.50美元。该模型拥有100万Token的上下文窗口，单次最大输出可达51.2万Token。尽管标准短提示词的基础输入输出价格与Luna和Haiku持平，但Meta的核心优势在于完成单项任务的综合成本。

在Artificial Analysis智能指数的极限推理测试中，Ember完成单项任务的预估成本约为0.14美元，低于Luna的0.15美元与Haiku的0.41美元。该指数测试中，Ember获得36分，与Haiku持平并高于Luna的28分。此外，TechCrunch指出，该定价同样能与DeepSeek V4.1 Flash、GLM 5.3等开源模型展开竞争。

不过基准测试结果并非全面领先。在评估仓库维护者是否合并智能体代码变更的FrontierCode 2.0测试中，Ember得分为27.2%，落后于Haiku的34.9%。而在考验电脑操作能力的OSWorld 2.1基准测试中，Ember以33.8%的直接任务完成率胜出，高于Haiku的27.8%和Luna的17%。

与Muse Wonder协同分工

Ember被设计为在智能体系统内与Meta规模更大的前沿模型Muse Wonder协同运作。Meta在官方公告中总结两者的分工：“Muse Wonder负责宏观规划，Muse Ember负责海量执行。”

Ember原生支持文本、图像、音频与视频输入。Meta表示，智能体无需依赖外部独立模型，即可直接读取屏幕截图、图表、扫描文档，或处理语音备忘录、会议录音与视频内容。该模型也是Meta首个完全由大模型Muse Wonder Full蒸馏训练而来的模型。

开发者目前可通过Muse Code及Meta Model API调用该模型（模型ID为muse-ember-1.0）。与Meta此前发布的Muse系列一致，Ember并未公开模型权重。

Muse模型家族扩容

Ember是Muse品牌旗下的第四款模型。此前，Meta已于4月推出中量级模型Spark、8月推出开源对应版本Glimmer，并在10月发布前沿主力模型Wonder。此外，Meta面向消费端的Muse Agent于9月上线，本月早些时候还新增了Spaces与视频通话等功能。