Meta发布Muse Ember：最小高效模型，输入每百万token 0.10美元
Meta于11月9日推出其最小、最高效的模型Muse Ember，面向智能体整天重复的工具调用、编程子任务、路由、抽取和长文档解析。官方定价为每百万输入token 0.10美元、输出0.50美元、缓存输入0.004美元，上下文100万token，最大输出51.2万token，API名为muse-ember-1.0。
导读
2026年11月9日，Meta 发布 Muse Ember，称这是其最小、最高效的模型，面向复杂推理执行，以及智能体整天重复的工作：工具调用、编程子任务、路由、抽取和长文档解析。它即日起在 Muse Code 与 Meta Model API 上以 `muse-ember-1.0` 提供，并支持 Responses API。
官方定价为：每百万输入 token 0.10美元，每百万输出 token 0.50美元，每百万缓存输入 token 0.004美元；上下文窗口 100万 token，最大输出 51.2万 token。脚注写明，上述价格适用于不超过 20万 token 的提示；更长提示下，输入、缓存输入和输出分别为每百万 0.30 / 0.012 / 1.50美元。
官方如何比较效率
Meta 称，Muse Ember 在任意推理设置下，每美元智力都高于 Claude Haiku 5.5 或 GPT-6 Luna：它以约三分之一的成本达到 Haiku 的最佳分数，并超过 Luna 的所有设置；在完整的 Artificial Analysis 榜单效率前沿上，没有模型能以更低的每任务成本得到更高分数。这些对照基于 2026年11月9日公布的 Artificial Analysis 原始结果，Ember 成本按拟定标价估算。
官方给出的部分成本—分数点包括：Muse Ember 在每任务约 0.116美元 时得分 33.9，约 0.136美元 时得分 35.8；Claude Haiku 5.5 在约 0.248美元时得 34.3，约 0.411美元时得 36.2；GPT-6 Luna 在约 0.152美元时得 27.8。Artificial Analysis Index 上，Ember（max）与 Haiku 5.5（max）均为 36，Luna（max）为 28。
与 Muse Spark 1.3 相比，Ember 的 Intelligence Index 为 36（Spark 1.3 为 37），但每项 Index 任务成本约 0.14美元，而 Spark 1.3 约 2.39美元；Spark 1.3 标价为每百万输入 1.25美元、输出 4.25美元。
智能体、编程与多模态评测
在 max 推理设置下，官方列出的评测包括：
- AutomationBench-AA（端到端商务流程）：Ember 37.8，Haiku 5.5 为 13.9，Luna 为 20.2（Artificial Analysis，strict pass@1）
- Agents' Last Exam（Linux 子集，Meta 内部）：61.6，对比 57.0 与 57.1
- Personal Superintelligence Index（内部综合指数）：46.8，对比 36.1 与 37.0。该指数由 Agents' Last Exam、AutomationBench、FocusBench、JobBench、OfficeQA Pro、GDP.pdf、GDP.xlsx 和 VBT 八项构成
- Terminal-Bench 4.0（各模型最佳已公布 harness）：40.9，Haiku 为 39.2，Luna 为 16.4。脚注写明 Ember 使用 mini-swe-agent，Haiku 使用 Claude Code，Luna 使用 Codex
- Coding Agent Index-AA：46，对比 37 与 31
- FrontierCode 2.0-AA：Ember 为 27.2，低于 Haiku 的 34.9，高于 Luna 的 25.2。官方并未回避这一项上 Haiku 领先
- GDP.pdf-AA：22.8，与 Luna 持平，高于 Haiku 的 20.8
- OSWorld 2.1（部分分 / 二分）：69.5 / 33.8，对比 Haiku 的 68.9 / 27.8 和 Luna 的 50.5 / 17.0
- PerceptionBench（可用工具）：80.6，对比 78.6 与 62.8
官方强调，Ember 原生理解文本、图像、音频和视频，可读取截图、图表、扫描文档，或直接处理语音备忘、会议录音和视频。对最难的问题，建议与 Muse Wonder 搭配：Wonder 负责规划，Ember 处理放量执行。
合作方早期反馈
Box 的 Yashodha Bhavnani 称，在 Box AI Complex Work Eval 上，Ember 能按条款对照谈判手册给合同打风险评级，或按详细简报筛选候选人。Cline 创始人 Saoud Rizwan 认为，它适合作为 harness 中的子智能体，处理编程和文档分析。Cloudflare CTO Dane Knecht 称，尾部延迟最高比所测对照模型快约 30%，并善于处理跨仓库的广泛排查。You.com 的 Chak Pothina 称，测试中 Ember 完成了全部编程任务，p95 延迟为 2.2秒，比领先的开源权重模型快约 4倍到13倍，输出 token 也少 36%–48%。Oracle 的 Konstantinos Papamiltiadis 表示早期测试显示出处理复杂工程任务的潜力。
定位、安全与上市范围
Meta 写道，在推出 Muse Wonder 与 Muse Wonder Full 时，曾表示会用它们开发可普及的专用模型；Muse Ember 是首个用 Muse Wonder Full 训练的模型。它补齐产品组合：Wonder 处理最难的问题，Spark 面向编程与智能体工作流，Ember 则以约每项 Artificial Analysis 任务 0.14 美元的成本承担可重复的编程和智能体任务。
发布前，Meta 按 Superintelligence Scaling Framework 评估了化学与生物、网络安全和失控风险，称在所评估类别中低于该框架的高风险阈值；同时也评估了它在代用户行动时是否尊重意图、如何处理敏感信息、能否抵抗网页/文档/工具输出中的隐藏指令，以及在高影响操作前是否征求人工意见。
除 Muse Code 与 Meta Model API 外，官方称 Muse Ember、Muse Spark 和 Muse Wonder 现已在 Google Cloud 与 Oracle Cloud 上提供。
来源
Meta AI Research，Introducing Our Smallest, Most Efficient Model: Muse Ember，2026年11月9日。