Meta 推出轻量高效模型 Muse Ember：面向 Agent 高频任务，百万上下文，性价比领先

Meta 正式推出 Muse Ember，这是其当前体量最小、运行效率最高的模型，定位面向智能体高频重复的复杂推理任务，覆盖工具调用、编码子任务、请求路由、信息提取以及长文档解析场景。

在同等推理部署条件下，Muse Ember 的单位成本产出优于 Claude Haiku 5.5 与 GPT-6 Luna。它以约三分之一的成本达到 Haiku 的最优评测分数，同时在所有配置下得分超过 Luna。在 Artificial Analysis 榜单上，该模型处于效率前沿区间，不存在同榜单内单位任务成本更低、得分更高的竞品。完整评估细节可查阅官方配套报告。

Muse Ember 现已上线 Meta Model API，定价为每百万输入 token 0.10 美元，每百万输出 token 0.50 美元。早期合作测试中，合作方已经将其用于合同审核、代码编写这类智能体高频任务。

面向智能体工作流设计

智能体的 token 消耗大多分散在大量细碎、结构化的步骤中，Muse Ember 的架构设计针对这一特征优化。它可以端到端承接业务流程，完成数据拉取、按序调用工具、跨应用系统更新等动作。
模型上下文窗口上限为 100 万 token，单次调用最高支持 512K token 输出，能够一次性载入完整代码库或是整套文档合集。

编码场景

Muse Ember 适配智能体会话里反复执行的编码子任务，例如读取源码文件、执行测试、针对性代码修复。

遇到高难度问题时，可以搭配 Muse Wonder 组合使用：由 Muse Wonder 负责任务规划，Muse Ember 承接大批量执行工作。

多模态能力

Muse Ember 原生支持文本、图像、音频、视频输入。智能体可直接读取截图、图表、扫描件，也可以基于语音备忘录、会议录音、视频内容开展工作，无需额外调用独立模型。它能够处理篇幅较长的现实文档、基于截图完成计算机操作，识别精细的视觉细节。

安全评估

上线前，Meta 在 Meta Superintelligence Scaling Framework 框架下完成对 Muse Ember 的安全测评，测评范围包含化学生物风险、网络安全风险、模型失控风险。在所有测评维度中，结果均低于框架设定的高风险阈值。

尽管属于小体量模型，它采用和大模型一致的核心安全训练与测试流程。团队同时评估了它代用户执行操作时的行为表现，校验模型是否遵从用户意图、妥善处理敏感信息、抵御嵌入在网页、文档、工具返回内容里的劫持指令，以及在高风险操作前主动请求人工确认。

上线信息与产品矩阵

Muse Ember 以 muse-ember-1.0 标识，同步在 Muse Code 与 Meta Model API 开放调用，支持 Responses API。

完整定价：

• 每百万输入 token：0.10 美元
• 每百万缓存输入 token：0.004 美元
• 每百万输出 token：0.50 美元

它是首个基于 Muse Wonder Full 蒸馏训练得到的模型，补齐 Meta 的 Muse 模型产品线：

• Muse Wonder：应对高难度复杂问题
• Muse Spark：编码、智能体工作流
• Muse Ember：大规模重复编码与智能体任务，单 Artificial Analysis 任务成本约 0.14 美元，成本水平可嵌入各类产品规模化落地

Meta 的长期方向是打造面向个人的超级智能模型，辅助用户完成目标、创作、信息处理。而普惠落地，除能力本身之外，低成本可规模化是必要条件。官方同时透露，还有效率更高的模型正在训练中。