Meta发布Muse Ember：最小最便宜的智能体模型

11月9日，Meta发布了Muse家族的最新成员Muse Ember——公司迄今最小、最便宜的模型。它专做AI智能体每天重复的高频工作：调工具、写代码片段、做路由、抽信息、解析长文档。定价同样直白：输入每百万token 0.10美元，输出每百万token 0.50美元。Meta称，它在第三方基准上的得分追平Anthropic的Claude Haiku 5.5，单任务成本却只有后者的三分之一左右。

发布详情：小模型，大上下文

Muse Ember于11月9日当天上线，模型编号muse-ember-1.0，可通过Meta Model API和Muse Code使用，同时登陆Google Cloud、Oracle Cloud。扎克伯格当天在X上宣布了这款模型，称它是”同级别中单位智能性价比最高的最小模型”。

参数方面，Ember支持100万token上下文窗口，单次最多输出512K token，输入支持文本、图像、音频和视频，并支持Responses API。Meta没有公布参数量，也没有开源权重——这是一款纯API模型。定价还有一处细节：输入超过20万token的请求将进入更高档位，输入与输出价格均变为三倍，分别为每百万token 0.30美元和1.50美元；缓存输入则为每百万token 0.004美元。

Meta还公布了Ember的定位分工：与Muse Spark 1.3、Muse Wonder组成”团队”——Wonder负责规划与推理，Ember负责高频执行。Meta称Ember是首个”用Muse Wonder Full训练出来的模型”。官方的口号是：”Muse Wonder plans, Muse Ember handles the volume.”

基准成绩：追平Haiku 5.5，成本约三分之一

按Meta引用的Artificial Analysis智能指数第5版，Muse Ember得分为36分，与Anthropic的Claude Haiku 5.5在最高推理设置下的得分持平。同一份对比中，Ember每项任务的成本约为0.14美元，而Haiku 5.5约为0.41美元，约为后者的三分之一。Meta还称，Ember在各推理设置下均优于OpenAI的GPT-6 Luna。

需要提醒的是，这些都是发布当天的厂商引用数据：分数来自基准机构Artificial Analysis，成本按Meta官方定价估算，尚未有独立第三方复现。横向对比同门：Muse Spark 1.3在同一指数上得37分，但每任务成本高达2.39美元——Ember只低1分，成本却只有约十七分之一。

早期合作伙伴名单也透露了目标客户：Box、Cline、Oracle、Cloudflare和You.com——都是在规模化运行智能体的公司。Meta表示，Ember已按其”超级智能扩展框架”接受了化学与生物、网络安全及失控风险评估。

背景分析：大模型分工时代，廉价执行层成主战场

Ember的发布踩中了行业正在发生的转向：不再是”一个巨型模型包打天下”，而是大小模型分工协作。大模型负责规划、判断和复杂推理，小模型负责把成千上万次重复执行做便宜、做稳定。智能体的真实成本不在几次关键决策，而在每天海量的工具调用和文档处理。

这也是Meta Muse产品线成型的一步：9月2日发布Muse Spark 1.3，10月12日发布Muse Wonder，不到一个月后补上最小的Ember，三档覆盖规划层、主力层和执行层。与此同时，三款模型同日以预览版登陆Google Cloud，显示Meta正把Muse推向更多云渠道。

竞争对手也在同一方向发力：Anthropic的Haiku系列、OpenAI的轻量模型都在争夺”便宜又够用”的执行层。Ember用”追平Haiku 5.5、成本三分之一”的对比直接点名，说明这场竞争已经从比拼上限转向比拼单位成本。

影响与展望

对开发者而言，Ember的直接意义是智能体的运行账单可能大幅下降：如果重复性任务占智能体总调用的大头，把执行层换成Ember，成本结构会明显改变。不过要注意：超20万token的长输入会触发三倍定价；且性能数据均来自Meta与Artificial Analysis，仍需真实工作负载验证。

对行业而言，Ember是”模型即团队”思路的又一注脚：训练大模型、蒸馏出小模型、按任务分层定价，正在成为大厂的标准打法。Meta称Ember是首个由Wonder Full训练的模型——大模型不只用来服务用户，也开始用来”生产”小模型，这条生产线的效率，或许才是未来竞争的关键。

接下来值得观察：Ember在真实工作负载中的稳定性与实际成本，以及对手是否会在执行层跟进降价。模型越来越便宜、智能体跑得越来越多的循环，已经转起来了。