Meta 发布 Muse Ember 模型，支持 1M 上下文面向高频智能体任务
Meta Releases Muse Ember, a 1M-Context Model for High-Volume Agent Work
Meta Superintelligence Labs 发布 Muse Ember，这是 Muse 系列第四款、也是最小的模型，面向智能体中的工具调用、编码子任务、路由、抽取和长文档解析等重复环节。
同一件事，精选收录的是《Meta 发布最小最高效模型 Muse Ember》
Meta Superintelligence Labs 发布了 Muse Ember，这是其最小、最高效的模型。Meta Muse Ember 是一个托管式多模态推理模型，专为智能体内部的重复性步骤而构建。Meta 将工具调用、编码子任务、路由、信息提取和长文档解析列为目标场景。它在 Artificial Analysis Intelligence Index 上得分为 36，与最高推理强度下的 Claude Haiku 5.5 持平。Meta 称其每项指数任务成本约为 0.14 美元。
TL;DR
- 规模：100 万 token 上下文窗口，最多 512K 输出 token。
- 运行于：仅限 Meta 的托管基础设施（Meta Model API 和 Muse Code）。权重不公开，因此没有本地 GPU、笔记本电脑或量化选项。
- 性能：在 AA Intelligence Index 上以 36 分与 Claude Haiku 5.5（最高推理强度）持平，领先于 GPT-6 Luna（28 分）。
- 最佳：AutomationBench-AA 为 37.8，而 GPT-6 Luna 为 20.2，Claude Haiku 5.5 为 13.9。
- 最差：FrontierCode 2.0-AA 为 27.2，落后于 Claude Haiku 5.5 的 34.9。
- 结论：最佳：以每项任务 0.136 美元实现 Haiku 级别的智能，而后者为 0.411 美元。最差：权重不公开，且在可合并的真实仓库代码方面较弱。
什么是 Meta Muse Ember？
Muse Ember 是 Meta 推出的一款小型推理模型，面向高并发的智能体子任务。它是 Muse 品牌下的第四款模型，排在 Spark、Glimmer 和 Wonder 之后。
Meta 将其定位在较大模型之下。Muse Wonder 处理最难的问题，Muse Spark 覆盖编码和智能体工作流。Ember 则大规模承接可重复的编码和智能体任务。Meta 自己的说法是：Muse Wonder 负责规划，Muse Ember 负责处理海量任务。
Muse Ember 如何工作？
Muse Ember 是 Meta 首个使用其最大模型 Muse Wonder Full 训练而成的模型。
该模型原生接受文本、图像、音频和视频。这使得智能体无需单独的模型即可读取截图、图表、扫描页面、语音备忘录和会议录音。它还能通过截图操作桌面应用。
100 万 token 的上下文窗口可在一次调用中容纳完整的代码库或文档集。输出最多可达 512K token，是两个竞争对手 128K 上限的 4 倍。
Muse Ember 在基准测试中表现如何？
以下所有结果均为最高推理强度下、由 Meta 报告的数据。部分来自 Artificial Analysis（AA），其他来自 Meta 的内部测试套件。
- 智能体：在 AutomationBench-AA（657 个 Zapier 业务工作流）上，Ember 完成任务的比例为 37.8%。GPT-6 Luna 达到 20.2%，Claude Haiku 5.5 达到 13.9%。在 Agents’ Last Exam（内部）上，Ember 得分为 61.6，而两者分别为 57.1 和 57.0。
- 编码：Ember 在 Terminal-Bench 4.0 上以 40.9 领先，Haiku 为 39.2，Luna 为 16.4。它还在 AA Coding Agent Index 上领先，分别为 46、37 和 31。它在 FrontierCode 2.0-AA 上落败，Haiku 得分为 34.9，Ember 为 27.2。
- 多模态：Ember 在 GDP.pdf-AA 上以 22.8 与 GPT-6 Luna 持平。它在 OSWorld 2.1 上以部分得分 69.5 对 68.9 略胜 Haiku。带工具的 PerceptionBench 中，Ember 为 80.6，Haiku 为 78.6，Luna 为 62.8。
既然 token 价格相同，为什么 Muse Ember 每项任务更便宜？
Muse Ember 的价格为 每百万输入 token 0.10 美元、每百万输出 token 0.50 美元。缓存输入为每百万 0.004 美元。Claude Haiku 5.5 和 GPT-6 Luna 的基础价格相同。
在列表价格相同的情况下，成本差距必然来自每项任务所用的 token 数。在 Meta 的图表中，Ember 在最高设置下每项任务得分 35.8，成本为 $0.136。Haiku 5.5 在最高设置下每项任务得分 36.2，成本为 $0.411。Luna 的最佳设置得分为 27.8，成本为 $0.152。Artificial Analysis 将其总结为以三分之一的每项任务成本达到与 Haiku 相当的水平。
长提示词在纸面上会拉大差距。Haiku 5.5 在提示词超过 100K token 时收费 $0.50 和 $2.50。GPT-6 Luna 在输入超过 272K token 时输入费率翻倍。Meta 未为 Ember 列出长上下文档位。
Muse Ember 与 Claude Haiku 5.5 与 GPT-6 Luna 对比
| 特性 | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| 开发者 | Meta | Anthropic | OpenAI |
| 发布日期 | 2026 年 11 月 9 日 | 2026 年 10 月 7 日 | 2026 年 9 月 22 日（来源） |
| 参数量 | 未披露 | 未披露 | 未披露 |
| 上下文窗口 | 1M | 1M | 1.05M |
| 最大输出 | 512K | 128K | 128K |
| 输入 | 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 | $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 | $0.004 | $0.01 | $0.01 |
| AA Intelligence Index（最高）* | 36 | 36 | 28 |
| 每项 AA 任务成本（最高）* | $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 / 二元）* | 69.5 / 33.8 | 68.9 / 27.8 | 50.5 / 17.0 |
*基准测试行数据来自 Meta 在其发布博文和评估报告中发布的内容，数据源自 Artificial Analysis Intelligence Index v5 和 Meta 内部运行结果。
开发者如何访问 Muse Ember？
Ember 可通过 Meta Model API 和 Meta 的编码智能体 Muse Code 使用。它支持 Responses API。早期测试合作伙伴包括 Box、Cline、Oracle、Cloudflare 和 You.com。
关键要点
- Muse Ember 在 AA Intelligence Index 上以 36 分与 Claude Haiku 5.5 持平。
- 相同的 $0.10 / $0.50 token 价格，每项任务成本约为 Haiku 的三分之一。
- 在智能体工作流上最强：AutomationBench-AA 得分 37.8。
- 在可合并代码上最弱：FrontierCode 2.0-AA 得分 27.2。
- 闭源权重，仅通过 Meta Model API 和 Muse Code 托管。
查看发布博文 和评估报告，或在 dev.meta.ai 上试用。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ ML SubReddit 并订阅我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。
需要与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等？联系我们
文章 Meta Releases Muse Ember, a 1M-Context Model for High-Volume Agent Work 首次发表于 MarkTechPost。
来源：MarkTechPost · marktechpost.com