
2026年11月9日,美国Meta公司宣布推出一款以效率为核心的AI模型——Muse Ember。该模型现已通过Muse Code、Meta Model API以及Google Cloud和Oracle Cloud平台提供服务。API费用为每百万输入令牌0.1美元,输出令牌0.5美元,缓存输入仅0.004美元。
Muse Ember专为AI代理日常反复执行的任务设计,如工具调用、代码子任务处理、路由、信息提取以及长文档解析等。它是基于Meta顶级模型Muse Wonder Full训练的首款高效模型。
Meta将Muse Ember定位为“最小且最高效的模型”,在其产品线中,最复杂的工作流程由Muse Wonder负责,AI代理工作流和编码任务由中级模型Muse Spark承担,而大量重复性任务则由Muse Ember处理,形成明确的角色分工。
该模型支持文本、图像、音频、视频和PDF等多模态输入,拥有高达100万令牌的上下文窗口,最大输出令牌数达512,000。Meta将其与Claude的Haiku 5.5和OpenAI的GPT-6 Luna进行了对比。在独立综合AI基准测试“Artificial Analysis Intelligence Index”中,Muse Ember与Haiku 5.5同得36分。在AI代理任务性能的“AutomationBench-AA”测试中,Muse Ember表现优于另外两款模型。

在编码性能方面,Muse Ember在“Terminal-Bench 4.0”测试中得分40.9,在“Coding Agent Index-AA”中得分46,均超过对比模型。但在衡量工程任务中维护者是否认可代码质量的“FrontierCode 2.0-AA”测试中,Muse Ember得分27.2,略低于Haiku 5.5的34.9。此外,其多模态处理能力与其他两款模型不相上下。

Muse Ember(max)在Artificial Analysis Intelligence Index中得分36,单任务成本为0.14美元;而Muse Spark 1.3(max)得分37,单任务成本高达2.39美元。特别是在成本方面,Muse Ember低于Haiku 5.5,成为三款模型中成本最低的选择。

Meta官方推特介绍称,Muse Ember是其最小且最高效的模型,专为复杂推理执行和日常代理工作打造。它能够跨应用处理工作流,顺序调用工具,执行测试并进行针对性代码修复。凭借100万令牌的上下文窗口及对文本、图像、音频和视频的原生理解能力,Muse Ember还能处理大量文档和多样化输入。


