Meta 发布最小最省的 Muse Ember：每百万 token 输入 0.10 美元、输出 0.50 美元，1M 上下文，AA 智能指数 36 分追平 Claude Haiku 5.5，单任务成本约为其三分之一

核心背景与行业痛点

Agent 一次任务往往要拆成几十上百个小步骤：读文件、调工具、跑测试、抽字段。如果每一步都用旗舰模型，成本和延迟都扛不住，所以各家都在做便宜的小模型，比如 Anthropic 的 Claude Haiku 5.5 和 OpenAI 的 GPT-6 Luna。北京时间 11 月 10 日凌晨，Meta 超级智能实验室推出 Muse Ember，正面切入这个市场。它补齐了 Meta 的产品线：Muse Wonder 负责最难的问题，Muse Spark 负责编码和 Agent 工作流，Muse Ember 负责大规模、可重复的编码与 Agent 任务。

架构亮点与底层机制

Meta 没有公布参数量，只说这是目前最小的模型，并且是第一个用 Muse Wonder Full 训练出来的专用模型。它支持 1M token 上下文和最多 512K 输出，能一次读进整个代码库或文档集；原生理解文本、图像、音频和视频，可以直接看截图、图表、扫描件，或处理语音和会议录像，不需要另接模型。Meta 表示，它和大模型一样经过了核心安全训练，并测试了是否尊重用户意图、能否抵抗网页或工具输出中隐藏的指令注入、以及在高影响操作前是否会征求用户确认。

权威 Benchmark 与实测跑分对比

第三方 Artificial Analysis 的结果：智能指数 36 分，与 Claude Haiku 5.5（max）持平，单任务成本约 0.14 美元，Haiku 约 0.41 美元；xhigh 档 34 分、0.12 美元。在 Muse Code 中运行时，Coding Agent Index 为 46，高于 Claude Code 中的 Haiku 5.5（37）和 Codex 中的 GPT-6 Luna（31）。Terminal-Bench 4.0 为 40.9%（Haiku 5.5 为 39.2%），但 FrontierCode 2.0 只有 27.2%，落后 Haiku 的 34.9%。知识是主要短板：AA-Omniscience 准确率 21.1%，因为它拒答了 64% 的问题，幻觉率只有 17.4%，约为 Haiku 的一半。Meta 博客另列出 OSWorld 2.1（部分得分）69.5%、PerceptionBench 80.6% 等数据，这部分为 Meta 内部评测。

开发者实战落地与开箱指南

现在就能在 Meta Model API 上以 muse-ember-1.0 调用，支持 Responses API，也可以在 Muse Code 里直接用。价格为输入 0.10 美元、缓存输入 0.004 美元、输出 0.50 美元（每百万 token）；Artificial Analysis 指出，Agent 评测里大部分成本来自缓存输入，而它的缓存价比同价位模型便宜 60%。适合的用法是把它当子 Agent：用 Muse Wonder 或其他旗舰模型规划，把边界清楚的子任务分给 Ember 批量执行。需要大量事实知识的问答不建议单独用它。另外它不开放权重，无法本地部署。