สัปดาห์นี้ Meta ประกาศเปิดตัว Muse Ember โมเดลที่เล็กที่สุดของตน Ember ไม่ได้แข่งขันในงานให้เหตุผลที่ยาก แต่ทำขั้นตอนที่ซ้ำๆ ในเวิร์กโฟลว์ของเอเจนต์ ขณะที่โมเดลขนาดใหญ่กว่าอย่าง Muse Wonder ทำหน้าที่วางแผน
Muse Ember มีค่าใช้จ่าย $0.10 ต่อโทเคนขาเข้าหนึ่งล้านโทเคน และ $0.50 ต่อโทเคนขาออกหนึ่งล้านโทเคน สำหรับพรอมป์ตสูงสุด 200,000 โทเคน Meta ระบุว่ามอบความฉลาดต่อดอลลาร์ได้มากกว่า Claude Haiku 5.5 และ GPT-6 Luna และทำคะแนนดัชนี Artificial Analysis Intelligence สูงสุดเทียบเท่า Haiku ที่ต้นทุนต่อภารกิจราวหนึ่งในสาม
บทความนี้จะพาไปรู้จักว่า Muse Ember คืออะไร เทียบเบนช์มาร์กและราคาอย่างไร และอยู่ตรงไหนเมื่อเทียบกับโมเดล Muse ขนาดใหญ่กว่า
แต่ AI Agent คืออะไร? ลงทะเบียนคอร์ส Introduction to AI Agents แล้วทำความเข้าใจพื้นฐานได้ในเพียง 90 นาที
Muse Ember เป็นโมเดลให้เหตุผลแบบมัลติโหมดน้ำหนักเบาจาก Meta Superintelligence Labs ออกแบบมาสำหรับงานที่เอเจนต์ทำซ้ำตลอดวัน เช่น การเรียกใช้เครื่องมือ งานย่อยด้านโค้ดดิ้ง การรูตติ้ง การสกัดข้อมูล และงานเอกสารยาว
รองรับอินพุตทั้งข้อความ รูปภาพ เสียง และวิดีโอ จึงไม่ต้องใช้โมเดลแยกกัน หน้าต่างบริบทมี 1 ล้านโทเคน และสร้างเอาต์พุตได้สูงสุด 512,000 โทเคน ใช้งานได้ผ่าน Muse Code และ Meta Model API
| | Muse Ember |
|---|
| ผู้พัฒนา | Meta Superintelligence Labs |
| รหัสโมเดล | muse-ember-1.0 |
| ประเภทอินพุต | ข้อความ รูปภาพ เสียง วิดีโอ |
| หน้าต่างบริบท | 1,000,000 โทเคน |
| เอาต์พุตสูงสุด | 512,000 โทเคน |
| การรองรับ API | Responses API |
| ช่องทางใช้งาน | Muse Code, Meta Model API |
Meta ระบุว่าเป็นโมเดลที่ “เล็กที่สุด” ซึ่งหมายถึงตำแหน่งในพอร์ตโฟลิโอโมเดลของ Meta เท่านั้น ประกาศไม่ได้ระบุจำนวนพารามิเตอร์
แชตบอทเรียกโมเดลครั้งเดียวต่อคำตอบ แต่เอเจนต์อาจเรียกหลายร้อยครั้งต่อเซสชัน ตามคำกล่าวของ Meta โทเคนส่วนใหญ่ใช้ไปกับขั้นตอนเล็กๆ ที่มีโครงสร้าง เช่น:
- การเรียกค้น: อ่านไฟล์หรือเปิดเอกสาร
- การเรียกใช้เครื่องมือ: รันการทดสอบหรือเรียก API
- การรูตติ้ง: ส่งคำขอแต่ละรายการไปยังเวิร์กโฟลว์ที่ถูกต้อง
- การแก้ไข: อัปเดตแอปพลิเคชันหลังจากปรับโค้ดแบบเจาะจงเป้าหมาย
ขั้นตอนเหล่านี้ส่วนใหญ่ไม่ต้องใช้โมเดลระดับแนวหน้า แต่ต้นทุนจะสะสม แม้ประหยัดต่อครั้งเล็กน้อยก็สำคัญเมื่อเอเจนต์เรียกใช้งานเป็นร้อยหรือเป็นพันครั้ง
คำตอบของ Meta คือการแบ่งงาน: “Muse Wonder วางแผน ส่วน Muse Ember จัดการปริมาณงาน” Wonder รับงานให้เหตุผลยากๆ และ Ember รันขั้นตอนที่ซ้ำๆ
สมมติทีมหนึ่งย้ายโค้ดเบสขนาดใหญ่ไปยังเฟรมเวิร์กใหม่ Wonder วางลำดับการเปลี่ยนแปลงและแตกงานเป็นงานย่อย จากนั้น Ember อ่านไฟล์แต่ละไฟล์ แก้ไขแบบเจาะจง และรันทดสอบ ซ้ำไปหลายร้อยครั้ง
เบนช์มาร์กของ Muse Ember
ตามที่ Meta อ้าง Muse Ember มอบความสามารถที่แข่งขันได้ที่ต้นทุนต่ำกว่ามากเมื่อเทียบกับโมเดลขนาดเล็กอื่นๆ บน Artificial Analysis Intelligence Index Ember และ Claude Haiku 5.5 ทำได้ 36 ขณะที่ GPT-6 Luna ได้ 28 ความต่างอยู่ที่ต้นทุนต่อภารกิจ: ประมาณ $0.14 สำหรับ Ember เทียบกับราว $0.41 สำหรับ Haiku และ $0.15 สำหรับ Luna
| เบนช์มาร์ก | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| Artificial Analysis Intelligence Index | 36 | 36 | 28 |
| AutomationBench-AA | 37.8% | 13.9% | 20.2% |
| Agents’ Last Exam | 61.6% | 57.0% | 57.1% |
| Terminal-Bench 4.0 | 40.9% | 39.2% | 16.4% |
| FrontierCode 2.0-AA | 27.2% | 34.9% | 25.2% |
Meta รายงานผลเหล่านี้เมื่อวันที่ 9 พฤศจิกายน 2026 ที่ระดับความพยายามให้เหตุผลสูงสุด Intelligence Index, AutomationBench-AA และ FrontierCode 2.0-AA มาจาก Artificial Analysis ส่วน Agents' Last Exam เป็นการประเมินภายในของ Meta Terminal-Bench 4.0 ใช้ฮาร์เนสที่ดีที่สุดซึ่งเผยแพร่ของแต่ละโมเดล ดูรายละเอียดฉบับเต็มได้ในรายงานการประเมินของ Meta
เวิร์กโฟลว์แบบเอเจนต์
คะแนนที่ Ember นำมากที่สุดคือ AutomationBench-AA ซึ่งวัดเวิร์กโฟลว์ธุรกิจแบบปลายทางถึงปลายทาง ทำได้ 37.8% เทียบกับ 13.9% ของ Haiku และ 20.2% ของ Luna
ใน Agents' Last Exam ช่องว่างเล็กลงเล็กน้อย — 61.6% เทียบกับ 57.0% และ 57.1% การทดสอบนี้เป็นการประเมินภายในของ Meta บนชุดย่อยของ Linux จึงเป็นผลของ Meta เอง
ด้านโค้ดดิ้ง
Ember ทำได้ 40.9% บน Terminal-Bench 4.0 เทียบกับ 39.2% ของ Haiku และ 16.4% ของ Luna แต่แต่ละโมเดลรันในฮาร์เนสของตัวเอง จึงไม่ใช่การเทียบแบบเท่าเทียม บน Artificial Analysis Coding Agent Index Ember ได้ 46 เทียบกับ 37 ของ Haiku และ 31 ของ Luna
Haiku ชนะใน FrontierCode 2.0-AA ซึ่งประเมินงานวิศวกรรมจากความสามารถในการเมิร์จ ได้ 34.9% เทียบกับ 27.2% ของ Ember และ 25.2% ของ Luna
งานมัลติโหมด
เมื่อเทียบกับ Haiku ช่องว่างด้านมัลติโหมดไม่เด่นชัดนัก บน OSWorld 2.1 ซึ่งเป็นการทดสอบการใช้คอมพิวเตอร์ Ember ได้ 69.5% ด้วยการให้คะแนนบางส่วน เทียบกับ 68.9% ของ Haiku และ 50.5% ของ Luna
บน PerceptionBench ซึ่งวัดรายละเอียดภาพที่ละเอียดมาก ทำได้ 80.6% เมื่อใช้เครื่องมือ เทียบกับ 78.6% และ 62.8% ทั้งสองเป็นการประเมินภายในของ Meta บน GDP.pdf-AA ซึ่งครอบคลุมงานมืออาชีพบนเอกสารยาว Ember และ Luna เสมอกันที่ 22.8% และ Haiku ได้ 20.8%
Muse Ember เทียบกับ Claude Haiku 5.5 และ GPT-6 Luna
ทั้งสามโมเดลมีราคา $0.10 ต่อโทเคนขาเข้าหนึ่งล้าน และ $0.50 ต่อโทเคนขาออกหนึ่งล้าน สำหรับพรอมป์ตสั้น นี่จึงเป็นเหตุผลที่ต้องเทียบและดูความต่างกัน
ในแง่ความฉลาดต่อดอลลาร์ Meta ระบุว่า Ember ทำคะแนน Intelligence Index สูงสุดเทียบเท่า Haiku ที่ต้นทุนต่อภารกิจราวหนึ่งในสาม คือประมาณ $0.14 เทียบกับ $0.41 ราคาต่อโทเคนเท่ากัน ดังนั้นช่องว่างมาจากจำนวนโทเคนที่แต่ละโมเดลใช้ต่อภารกิจ Luna มีต้นทุนใกล้เคียง Ember ที่ประมาณ $0.15 ต่อภารกิจ แต่ทำคะแนนได้ 28 แทนที่จะเป็น 36
Ember ยังนำหน้าบนการทดสอบแบบเอเจนต์และมัลติโหมดของ Meta เป็นเพียงตัวเดียวในสามที่รับเสียงและวิดีโอได้ และรองรับเอาต์พุตสูงสุด 512,000 โทเคน เทียบกับ 128,000 ของอีกสองตัว หน้าต่างบริบทใกล้เคียงกัน
Haiku แข็งแกร่งในจุดหนึ่ง ทำคะแนนสูงกว่าบน FrontierCode 2.0-AA ซึ่งประเมินงานวิศวกรรมด้วยเกณฑ์การเมิร์จ นี่สำคัญหากเอเจนต์ของคุณเขียนโค้ดที่เข้าคลังโดยตรง
Ember ดูเป็นตัวเลือกที่ดีสำหรับเวิร์กโฟลว์ปริมาณมากที่ประกอบจากขั้นตอนรูทีน แต่ Meta เลือกและรายงานการเปรียบเทียบเหล่านี้เอง จึงควรทดสอบกับงานของตนก่อนตัดสินใจสลับใช้งาน
| | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| ราคาต่อ 1M โทเคน (ขาเข้า/ขาออก) | $0.10 / $0.50 | $0.10 / $0.50 | $0.10 / $0.50 |
| อัตราที่สูงกว่าเริ่มที่ | 200K โทเคน | 100K โทเคน | 272K โทเคน |
| หน้าต่างบริบท | 1M โทเคน | 1M โทเคน | 1.05M โทเคน |
| เอาต์พุตสูงสุด | 512K โทเคน | 128K โทเคน | 128K โทเคน |
| ประเภทอินพุต | ข้อความ รูปภาพ เสียง วิดีโอ | ข้อความ รูปภาพ | ข้อความ รูปภาพ |
| คะแนนดัชนี | 36 | 36 | 28 |
| ต้นทุนต่อภารกิจของดัชนี | ประมาณ $0.14 | ประมาณ $0.41 | ประมาณ $0.15 |
คะแนนดัชนีและต้นทุนต่อภารกิจอยู่ที่ระดับความพยายามให้เหตุผลสูงสุด รายละเอียดราคา Haiku 5.5 และ GPT-6 Luna มาจากอัตราที่เผยแพร่
ราคาและการใช้งาน Muse Ember
นี่คือราคาต่อหนึ่งล้านโทเคนของ Muse Ember สำหรับพรอมป์ตที่มีโทเคนขาเข้าถึง 200,000 โทเคน:
| การใช้งาน API | ราคาต่อ 1M โทเคน |
|---|
| ขาเข้า | $0.10 |
| ขาเข้าที่แคชไว้ | $0.004 |
| ขาออก | $0.50 |
พรอมป์ตที่ยาวกว่าจะมีราคาสูงขึ้น เหนือ 200,000 โทเคนขาเข้า อัตราของ Meta จะเพิ่มเป็น $0.30 สำหรับขาเข้า และ $1.50 สำหรับขาออก และขาเข้าที่แคชไว้เพิ่มเป็น $0.012
คิดเป็นสามเท่าของราคาพรอมป์ตสั้น ดังนั้นราคาพาดหัวไม่ได้ใช้กับทุกความยาวบริบท และหากเอเจนต์ของคุณส่งพรอมป์ตยาวมากเป็นประจำ ควรวางแผนเผื่อไว้
รหัสโมเดล API คือ muse-ember-1.0 และ Ember รองรับ Responses API ใช้งานได้ผ่าน Muse Code และ Meta Model API Meta ยังแสดงรายการบน Google Cloud และ Oracle Cloud
Meta อธิบายโมเดล Muse ว่าเป็นพอร์ตโฟลิโอ โดยแต่ละตัวถูกสร้างมาสำหรับงานต่างกัน
Muse Wonder
Wonder ใช้สำหรับปัญหาที่ยากที่สุด เช่น การให้เหตุผลที่ซับซ้อนและงานที่ซับซ้อน ในเวิร์กโฟลว์ของเอเจนต์ มันคือโมเดลที่วางแผน
Muse Spark
Spark ใช้สำหรับโค้ดดิ้งและเวิร์กโฟลว์แบบเอเจนต์ที่กว้างขึ้น ในการเปรียบเทียบของ Meta Spark 1.3 ทำได้ 37 บน Intelligence Index เทียบกับ 36 ของ Ember แต่มีต้นทุน $2.39 ต่อภารกิจ เทียบกับ $0.14 ราคาปกติคือ $1.25 ต่อโทเคนขาเข้าหนึ่งล้าน และ $4.25 ต่อโทเคนขาออกหนึ่งล้าน
Muse Ember
Ember ใช้สำหรับงานโค้ดดิ้งและงานแบบเอเจนต์ที่ทำซ้ำได้ในสเกลใหญ่ Meta ระบุว่าเป็นโมเดลแรกที่ฝึกด้วย Muse Wonder Full
นักพัฒนาสร้างอะไรได้บ้างด้วย Muse Ember?
ประกาศของ Meta และผู้ทดสอบช่วงต้นชี้ไปที่การใช้งานที่เป็นรูปธรรมบางอย่าง:
- การวิเคราะห์เอกสาร: Box ใช้เพื่อให้คะแนนสัญญาตามเพลย์บุ๊กการเจรจา แบบทีละข้อ
- งานบนรีโพสิทอรี: Cloudflare ใช้สำหรับการสืบค้นข้ามหลายรีโพ และ Meta ระบุว่าสามารถรันทดสอบและแก้ปัญหาแบบเจาะจงเป้าหมายได้
- การสกัดแบบมัลติโหมด: อ่านเอกสารสแกนหรือทำงานจากบันทึกการประชุมได้
- เวิร์กโฟลว์ข้ามแอป: ดึงระเบียนและอัปเดตระบบข้ามแอปพลิเคชัน
สมมติเอเจนต์ฝ่ายสนับสนุนลูกค้าได้รับคำขอคืนเงินพร้อมภาพหน้าจอแนบ โมเดลขนาดใหญ่ตัดสินใจวิธีปิดเคส จากนั้น Ember อ่านภาพหน้าจอ ดึงระเบียนคำสั่งซื้อ และอัปเดตทิกเก็ต
ลำดับเดียวกันนี้รันซ้ำกับทุกทิกเก็ต ดังนั้นราคาต่อครั้งจึงเป็นตัวกำหนดต้นทุนของคิวทั้งหมด
Muse Ember บอกอะไรเกี่ยวกับอนาคตของ AI Agents
ตัวเลขที่ควรจับตาคือต้นทุนต่อภารกิจที่เสร็จสิ้น ไม่ใช่ต้นทุนต่อโทเคน โมเดลที่ราคาต่อโทเคนต่ำก็ยังแพงได้ หากต้องใช้โทเคนจำนวนมากเพื่อจบงาน
นั่นเปลี่ยนวิธีเลือกโมเดล แทนที่จะหาตัวที่แกร่งที่สุด ให้จับคู่แต่ละขั้นกับความสามารถและราคาให้เหมาะสม โมเดลใหญ่ใช้วางแผน โมเดลเล็กใช้รันขั้นตอนที่ซ้ำๆ และโมเดลมัลติโหมดอย่าง Ember อ่านสกรีนช็อตและบันทึกเสียงได้โดยไม่ต้องมีโมเดลแยกกัน
สำหรับเวิร์กโฟลว์อัตโนมัติที่ยาวนาน ขั้นตอนรูทีนต้องมีราคาถูกเพื่อให้รันทั้งกระบวนการได้คุ้มค่า
แต่ Meta ไม่ใช่แล็บเดียวที่จำหน่ายโมเดลขนาดเล็กสำหรับบทบาทนี้ Haiku 5.5 และ GPT-6 Luna มีราคาต่อโทเคนเท่ากัน ควรเก็บไว้พิจารณาด้วย
สรุป
Muse Ember ถูกสร้างมาเพื่อทำงานซ้ำๆ ที่เอเจนต์ AI ทำตลอดวัน มีค่าใช้จ่าย $0.10 ต่อโทเคนขาเข้าหนึ่งล้าน และ $0.50 ต่อโทเคนขาออกหนึ่งล้าน หน้าต่างบริบท 1 ล้านโทเคน และรับอินพุตได้ทั้งข้อความ รูปภาพ เสียง และวิดีโอ Meta รายงานว่าทำคะแนนเทียบเท่า Haiku 5.5 บน Artificial Analysis Intelligence Index ที่ต้นทุนต่อภารกิจราวหนึ่งในสาม
ออกแบบมาให้ทำงานเคียงข้างโมเดลขนาดใหญ่อย่าง Muse Wonder โดย Wonder วางแผน ขณะที่ Ember รันขั้นตอนที่ซ้ำๆ แต่อย่าลืมว่า Meta เป็นผู้รันการเปรียบเทียบส่วนใหญ่ ผลลัพธ์และการประหยัดของคุณขึ้นอยู่กับงานและการประเมินของคุณเอง
สาระสำคัญคือ หาก Meta ถูกต้อง ความได้เปรียบเชิงการแข่งขันครั้งถัดไปของ AI agents อาจมาจากการแบ่งงานอย่างชาญฉลาดพอๆ กับความสามารถของโมเดลที่ใหญ่ที่สุด
AI Agents ที่ดีที่สุดในปี 2026 คืออะไร? อ่านบล็อกโพสต์เพื่อเปรียบเทียบเฟรมเวิร์ก เครื่องมือโนโค้ด แพลตฟอร์มสำหรับองค์กร และรับคำแนะนำทีละขั้นในการเลือกและปรับใช้ระบบอัตโนมัติแบบเอเจนต์
สัปดาห์นี้ Meta ประกาศเปิดตัว Muse Ember โมเดลที่เล็กที่สุดของตน Ember ไม่ได้แข่งขันในงานให้เหตุผลที่ยาก แต่ทำขั้นตอนที่ซ้ำๆ ในเวิร์กโฟลว์ของเอเจนต์ ขณะที่โมเดลขนาดใหญ่กว่าอย่าง Muse Wonder ทำหน้าที่วางแผน
Muse Ember มีค่าใช้จ่าย $0.10 ต่อโทเคนขาเข้าหนึ่งล้านโทเคน และ $0.50 ต่อโทเคนขาออกหนึ่งล้านโทเคน สำหรับพรอมป์ตสูงสุด 200,000 โทเคน Meta ระบุว่ามอบความฉลาดต่อดอลลาร์ได้มากกว่า Claude Haiku 5.5 และ GPT-6 Luna และทำคะแนนดัชนี Artificial Analysis Intelligence สูงสุดเทียบเท่า Haiku ที่ต้นทุนต่อภารกิจราวหนึ่งในสาม
บทความนี้จะพาไปรู้จักว่า Muse Ember คืออะไร เทียบเบนช์มาร์กและราคาอย่างไร และอยู่ตรงไหนเมื่อเทียบกับโมเดล Muse ขนาดใหญ่กว่า
แต่ AI Agent คืออะไร? ลงทะเบียนคอร์ส Introduction to AI Agents แล้วทำความเข้าใจพื้นฐานได้ในเพียง 90 นาที
Muse Ember ของ Meta คืออะไร?
Muse Ember เป็นโมเดลให้เหตุผลแบบมัลติโหมดน้ำหนักเบาจาก Meta Superintelligence Labs ออกแบบมาสำหรับงานที่เอเจนต์ทำซ้ำตลอดวัน เช่น การเรียกใช้เครื่องมือ งานย่อยด้านโค้ดดิ้ง การรูตติ้ง การสกัดข้อมูล และงานเอกสารยาว
รองรับอินพุตทั้งข้อความ รูปภาพ เสียง และวิดีโอ จึงไม่ต้องใช้โมเดลแยกกัน หน้าต่างบริบทมี 1 ล้านโทเคน และสร้างเอาต์พุตได้สูงสุด 512,000 โทเคน ใช้งานได้ผ่าน Muse Code และ Meta Model API
Meta ระบุว่าเป็นโมเดลที่ “เล็กที่สุด” ซึ่งหมายถึงตำแหน่งในพอร์ตโฟลิโอโมเดลของ Meta เท่านั้น ประกาศไม่ได้ระบุจำนวนพารามิเตอร์
เหตุผลที่ Meta สร้าง Muse Ember สำหรับ AI Agents
แชตบอทเรียกโมเดลครั้งเดียวต่อคำตอบ แต่เอเจนต์อาจเรียกหลายร้อยครั้งต่อเซสชัน ตามคำกล่าวของ Meta โทเคนส่วนใหญ่ใช้ไปกับขั้นตอนเล็กๆ ที่มีโครงสร้าง เช่น:
ขั้นตอนเหล่านี้ส่วนใหญ่ไม่ต้องใช้โมเดลระดับแนวหน้า แต่ต้นทุนจะสะสม แม้ประหยัดต่อครั้งเล็กน้อยก็สำคัญเมื่อเอเจนต์เรียกใช้งานเป็นร้อยหรือเป็นพันครั้ง
คำตอบของ Meta คือการแบ่งงาน: “Muse Wonder วางแผน ส่วน Muse Ember จัดการปริมาณงาน” Wonder รับงานให้เหตุผลยากๆ และ Ember รันขั้นตอนที่ซ้ำๆ
สมมติทีมหนึ่งย้ายโค้ดเบสขนาดใหญ่ไปยังเฟรมเวิร์กใหม่ Wonder วางลำดับการเปลี่ยนแปลงและแตกงานเป็นงานย่อย จากนั้น Ember อ่านไฟล์แต่ละไฟล์ แก้ไขแบบเจาะจง และรันทดสอบ ซ้ำไปหลายร้อยครั้ง
เบนช์มาร์กของ Muse Ember
ตามที่ Meta อ้าง Muse Ember มอบความสามารถที่แข่งขันได้ที่ต้นทุนต่ำกว่ามากเมื่อเทียบกับโมเดลขนาดเล็กอื่นๆ บน Artificial Analysis Intelligence Index Ember และ Claude Haiku 5.5 ทำได้ 36 ขณะที่ GPT-6 Luna ได้ 28 ความต่างอยู่ที่ต้นทุนต่อภารกิจ: ประมาณ $0.14 สำหรับ Ember เทียบกับราว $0.41 สำหรับ Haiku และ $0.15 สำหรับ Luna
Meta รายงานผลเหล่านี้เมื่อวันที่ 9 พฤศจิกายน 2026 ที่ระดับความพยายามให้เหตุผลสูงสุด Intelligence Index, AutomationBench-AA และ FrontierCode 2.0-AA มาจาก Artificial Analysis ส่วน Agents' Last Exam เป็นการประเมินภายในของ Meta Terminal-Bench 4.0 ใช้ฮาร์เนสที่ดีที่สุดซึ่งเผยแพร่ของแต่ละโมเดล ดูรายละเอียดฉบับเต็มได้ในรายงานการประเมินของ Meta
เวิร์กโฟลว์แบบเอเจนต์
คะแนนที่ Ember นำมากที่สุดคือ AutomationBench-AA ซึ่งวัดเวิร์กโฟลว์ธุรกิจแบบปลายทางถึงปลายทาง ทำได้ 37.8% เทียบกับ 13.9% ของ Haiku และ 20.2% ของ Luna
ใน Agents' Last Exam ช่องว่างเล็กลงเล็กน้อย — 61.6% เทียบกับ 57.0% และ 57.1% การทดสอบนี้เป็นการประเมินภายในของ Meta บนชุดย่อยของ Linux จึงเป็นผลของ Meta เอง
ด้านโค้ดดิ้ง
Ember ทำได้ 40.9% บน Terminal-Bench 4.0 เทียบกับ 39.2% ของ Haiku และ 16.4% ของ Luna แต่แต่ละโมเดลรันในฮาร์เนสของตัวเอง จึงไม่ใช่การเทียบแบบเท่าเทียม บน Artificial Analysis Coding Agent Index Ember ได้ 46 เทียบกับ 37 ของ Haiku และ 31 ของ Luna
Haiku ชนะใน FrontierCode 2.0-AA ซึ่งประเมินงานวิศวกรรมจากความสามารถในการเมิร์จ ได้ 34.9% เทียบกับ 27.2% ของ Ember และ 25.2% ของ Luna
งานมัลติโหมด
เมื่อเทียบกับ Haiku ช่องว่างด้านมัลติโหมดไม่เด่นชัดนัก บน OSWorld 2.1 ซึ่งเป็นการทดสอบการใช้คอมพิวเตอร์ Ember ได้ 69.5% ด้วยการให้คะแนนบางส่วน เทียบกับ 68.9% ของ Haiku และ 50.5% ของ Luna
บน PerceptionBench ซึ่งวัดรายละเอียดภาพที่ละเอียดมาก ทำได้ 80.6% เมื่อใช้เครื่องมือ เทียบกับ 78.6% และ 62.8% ทั้งสองเป็นการประเมินภายในของ Meta บน GDP.pdf-AA ซึ่งครอบคลุมงานมืออาชีพบนเอกสารยาว Ember และ Luna เสมอกันที่ 22.8% และ Haiku ได้ 20.8%
Muse Ember เทียบกับ Claude Haiku 5.5 และ GPT-6 Luna
ทั้งสามโมเดลมีราคา $0.10 ต่อโทเคนขาเข้าหนึ่งล้าน และ $0.50 ต่อโทเคนขาออกหนึ่งล้าน สำหรับพรอมป์ตสั้น นี่จึงเป็นเหตุผลที่ต้องเทียบและดูความต่างกัน
ในแง่ความฉลาดต่อดอลลาร์ Meta ระบุว่า Ember ทำคะแนน Intelligence Index สูงสุดเทียบเท่า Haiku ที่ต้นทุนต่อภารกิจราวหนึ่งในสาม คือประมาณ $0.14 เทียบกับ $0.41 ราคาต่อโทเคนเท่ากัน ดังนั้นช่องว่างมาจากจำนวนโทเคนที่แต่ละโมเดลใช้ต่อภารกิจ Luna มีต้นทุนใกล้เคียง Ember ที่ประมาณ $0.15 ต่อภารกิจ แต่ทำคะแนนได้ 28 แทนที่จะเป็น 36
Ember ยังนำหน้าบนการทดสอบแบบเอเจนต์และมัลติโหมดของ Meta เป็นเพียงตัวเดียวในสามที่รับเสียงและวิดีโอได้ และรองรับเอาต์พุตสูงสุด 512,000 โทเคน เทียบกับ 128,000 ของอีกสองตัว หน้าต่างบริบทใกล้เคียงกัน
Haiku แข็งแกร่งในจุดหนึ่ง ทำคะแนนสูงกว่าบน FrontierCode 2.0-AA ซึ่งประเมินงานวิศวกรรมด้วยเกณฑ์การเมิร์จ นี่สำคัญหากเอเจนต์ของคุณเขียนโค้ดที่เข้าคลังโดยตรง
Ember ดูเป็นตัวเลือกที่ดีสำหรับเวิร์กโฟลว์ปริมาณมากที่ประกอบจากขั้นตอนรูทีน แต่ Meta เลือกและรายงานการเปรียบเทียบเหล่านี้เอง จึงควรทดสอบกับงานของตนก่อนตัดสินใจสลับใช้งาน
คะแนนดัชนีและต้นทุนต่อภารกิจอยู่ที่ระดับความพยายามให้เหตุผลสูงสุด รายละเอียดราคา Haiku 5.5 และ GPT-6 Luna มาจากอัตราที่เผยแพร่
ราคาและการใช้งาน Muse Ember
นี่คือราคาต่อหนึ่งล้านโทเคนของ Muse Ember สำหรับพรอมป์ตที่มีโทเคนขาเข้าถึง 200,000 โทเคน:
พรอมป์ตที่ยาวกว่าจะมีราคาสูงขึ้น เหนือ 200,000 โทเคนขาเข้า อัตราของ Meta จะเพิ่มเป็น $0.30 สำหรับขาเข้า และ $1.50 สำหรับขาออก และขาเข้าที่แคชไว้เพิ่มเป็น $0.012
คิดเป็นสามเท่าของราคาพรอมป์ตสั้น ดังนั้นราคาพาดหัวไม่ได้ใช้กับทุกความยาวบริบท และหากเอเจนต์ของคุณส่งพรอมป์ตยาวมากเป็นประจำ ควรวางแผนเผื่อไว้
รหัสโมเดล API คือ
muse-ember-1.0และ Ember รองรับ Responses API ใช้งานได้ผ่าน Muse Code และ Meta Model API Meta ยังแสดงรายการบน Google Cloud และ Oracle CloudMuse Ember อยู่ตรงไหนในตระกูลโมเดล AI ของ Meta
Meta อธิบายโมเดล Muse ว่าเป็นพอร์ตโฟลิโอ โดยแต่ละตัวถูกสร้างมาสำหรับงานต่างกัน
Muse Wonder
Wonder ใช้สำหรับปัญหาที่ยากที่สุด เช่น การให้เหตุผลที่ซับซ้อนและงานที่ซับซ้อน ในเวิร์กโฟลว์ของเอเจนต์ มันคือโมเดลที่วางแผน
Muse Spark
Spark ใช้สำหรับโค้ดดิ้งและเวิร์กโฟลว์แบบเอเจนต์ที่กว้างขึ้น ในการเปรียบเทียบของ Meta Spark 1.3 ทำได้ 37 บน Intelligence Index เทียบกับ 36 ของ Ember แต่มีต้นทุน $2.39 ต่อภารกิจ เทียบกับ $0.14 ราคาปกติคือ $1.25 ต่อโทเคนขาเข้าหนึ่งล้าน และ $4.25 ต่อโทเคนขาออกหนึ่งล้าน
Muse Ember
Ember ใช้สำหรับงานโค้ดดิ้งและงานแบบเอเจนต์ที่ทำซ้ำได้ในสเกลใหญ่ Meta ระบุว่าเป็นโมเดลแรกที่ฝึกด้วย Muse Wonder Full
นักพัฒนาสร้างอะไรได้บ้างด้วย Muse Ember?
ประกาศของ Meta และผู้ทดสอบช่วงต้นชี้ไปที่การใช้งานที่เป็นรูปธรรมบางอย่าง:
สมมติเอเจนต์ฝ่ายสนับสนุนลูกค้าได้รับคำขอคืนเงินพร้อมภาพหน้าจอแนบ โมเดลขนาดใหญ่ตัดสินใจวิธีปิดเคส จากนั้น Ember อ่านภาพหน้าจอ ดึงระเบียนคำสั่งซื้อ และอัปเดตทิกเก็ต
ลำดับเดียวกันนี้รันซ้ำกับทุกทิกเก็ต ดังนั้นราคาต่อครั้งจึงเป็นตัวกำหนดต้นทุนของคิวทั้งหมด
Muse Ember บอกอะไรเกี่ยวกับอนาคตของ AI Agents
ตัวเลขที่ควรจับตาคือต้นทุนต่อภารกิจที่เสร็จสิ้น ไม่ใช่ต้นทุนต่อโทเคน โมเดลที่ราคาต่อโทเคนต่ำก็ยังแพงได้ หากต้องใช้โทเคนจำนวนมากเพื่อจบงาน
นั่นเปลี่ยนวิธีเลือกโมเดล แทนที่จะหาตัวที่แกร่งที่สุด ให้จับคู่แต่ละขั้นกับความสามารถและราคาให้เหมาะสม โมเดลใหญ่ใช้วางแผน โมเดลเล็กใช้รันขั้นตอนที่ซ้ำๆ และโมเดลมัลติโหมดอย่าง Ember อ่านสกรีนช็อตและบันทึกเสียงได้โดยไม่ต้องมีโมเดลแยกกัน
สำหรับเวิร์กโฟลว์อัตโนมัติที่ยาวนาน ขั้นตอนรูทีนต้องมีราคาถูกเพื่อให้รันทั้งกระบวนการได้คุ้มค่า
แต่ Meta ไม่ใช่แล็บเดียวที่จำหน่ายโมเดลขนาดเล็กสำหรับบทบาทนี้ Haiku 5.5 และ GPT-6 Luna มีราคาต่อโทเคนเท่ากัน ควรเก็บไว้พิจารณาด้วย
สรุป
Muse Ember ถูกสร้างมาเพื่อทำงานซ้ำๆ ที่เอเจนต์ AI ทำตลอดวัน มีค่าใช้จ่าย $0.10 ต่อโทเคนขาเข้าหนึ่งล้าน และ $0.50 ต่อโทเคนขาออกหนึ่งล้าน หน้าต่างบริบท 1 ล้านโทเคน และรับอินพุตได้ทั้งข้อความ รูปภาพ เสียง และวิดีโอ Meta รายงานว่าทำคะแนนเทียบเท่า Haiku 5.5 บน Artificial Analysis Intelligence Index ที่ต้นทุนต่อภารกิจราวหนึ่งในสาม
ออกแบบมาให้ทำงานเคียงข้างโมเดลขนาดใหญ่อย่าง Muse Wonder โดย Wonder วางแผน ขณะที่ Ember รันขั้นตอนที่ซ้ำๆ แต่อย่าลืมว่า Meta เป็นผู้รันการเปรียบเทียบส่วนใหญ่ ผลลัพธ์และการประหยัดของคุณขึ้นอยู่กับงานและการประเมินของคุณเอง
สาระสำคัญคือ หาก Meta ถูกต้อง ความได้เปรียบเชิงการแข่งขันครั้งถัดไปของ AI agents อาจมาจากการแบ่งงานอย่างชาญฉลาดพอๆ กับความสามารถของโมเดลที่ใหญ่ที่สุด
AI Agents ที่ดีที่สุดในปี 2026 คืออะไร? อ่านบล็อกโพสต์เพื่อเปรียบเทียบเฟรมเวิร์ก เครื่องมือโนโค้ด แพลตฟอร์มสำหรับองค์กร และรับคำแนะนำทีละขั้นในการเลือกและปรับใช้ระบบอัตโนมัติแบบเอเจนต์