本周，Meta 宣布发布 Muse Ember，这是其最小的模型。Ember 并不在高难度推理任务上竞争；它负责智能体工作流中的重复步骤，而像 Muse Wonder 这样的更大模型负责规划。
Muse Ember 的价格为每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元，适用于最多 200,000 Token 的提示。Meta 称其在单位成本上的智能水平高于 Claude Haiku 5.5 和 GPT-6 Luna，并且在人工分析智能指数上的最佳得分可与 Haiku 持平，而单次任务成本约为其三分之一。
本文将带您了解 Muse Ember 是什么、其基准与定价如何比较，以及与更大的 Muse 模型相比它处于什么位置。
但 AI 智能体究竟是什么？报名我们的 Introduction to AI Agents 课程，只需 90 分钟掌握基础。
Muse Ember 是来自 Meta Superintelligence Labs 的轻量级多模态推理模型。它专为智能体全天重复的工作而构建，例如工具调用、编码子任务、路由、数据抽取以及长文档处理。
它支持文本、图像、音频和视频输入，因此智能体无需为每种模态配备单独模型。其上下文窗口为 100 万 Token，最多可生成 512,000 个输出 Token。您可以通过 Muse Code 和 Meta Model API 使用它。
| | Muse Ember |
|---|
| 开发方 | Meta Superintelligence Labs |
| 模型 ID | muse-ember-1.0 |
| 输入类型 | 文本、图像、音频、视频 |
| 上下文窗口 | 1,000,000 tokens |
| 最大输出 | 512,000 tokens |
| API 支持 | Responses API |
| 可用渠道 | Muse Code、Meta Model API |
Meta 称其为“最小”的模型，但这只是指其在 Meta 模型产品线中的位置。公告未披露参数规模。
聊天机器人每次回答只调用一次模型，而智能体在一次会话中会调用上百次。Meta 表示大部分 Token 都花在小而结构化的步骤上。例如：
- 检索： 阅读文件或打开文档
- 工具调用： 运行测试或调用 API
- 路由： 将每个请求发送到正确的工作流
- 编辑： 在有针对性的代码更改后更新应用程序
这些步骤大多不需要最前沿的大模型，但成本会不断累加。当智能体调用数百或上千次时，即便每次稍有节省也很重要。
Meta 的答案是分工协作：“Muse Wonder 负责规划，Muse Ember 负责规模化执行。”Wonder 处理困难推理，Ember 负责重复步骤。
比如，一个团队把大型代码库迁移到新框架。Wonder 规划修改顺序并将工作拆分为任务。随后 Ember 逐个读取文件、进行定向编辑并运行测试，如此往复数百次。
Muse Ember 基准测试
Meta 的说法是，Muse Ember 以远低于其他小模型的成本提供具备竞争力的智能。在人工分析智能指数上，Ember 和 Claude Haiku 5.5 都得分 36，GPT-6 Luna 得分 28。差异在于单次任务成本：Ember 约为 0.14 美元，而 Haiku 约为 0.41 美元，Luna 约为 0.15 美元。
| 基准 | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| 人工分析智能指数 | 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 于 2026 年 11 月 9 日在最大推理强度下报告了这些结果。Intelligence Index、AutomationBench-AA 和 FrontierCode 2.0-AA 来自 Artificial Analysis。Agents' Last Exam 是 Meta 内部评估。Terminal-Bench 4.0 使用每个模型已公布的最佳运行环境。完整细节可见 Meta 的评估报告。
智能体工作流
Ember 的最大领先体现在 AutomationBench-AA 上，它衡量端到端业务工作流。Ember 得分 37.8%，而 Haiku 为 13.9%，Luna 为 20.2%。
在 Agents' Last Exam 上，领先幅度略小——61.6%，对比 57.0% 和 57.1%。该评估是 Meta 内部在 Linux 子集上的测试，因此属于 Meta 自有结果。
编码
在 Terminal-Bench 4.0 上，Ember 得分 40.9%，Haiku 为 39.2%，Luna 为 16.4%。但各模型使用了各自的运行环境，因此并非完全可比。在 Artificial Analysis 的 Coding Agent Index 上，Ember 得分 46，Haiku 为 37，Luna 为 31。
在 FrontierCode 2.0-AA 上，Haiku 领先。该基准以可合并性评判工程任务。Haiku 得分 34.9%，Ember 为 27.2%，Luna 为 25.2%。
多模态任务
与 Haiku 相比，多模态差距并不显著。在 OSWorld 2.1（电脑使用测试）中，Ember 在部分给分下得分 69.5%，Haiku 为 68.9%，Luna 为 50.5%。
在衡量精细视觉细节的 PerceptionBench 上，Ember 搭配工具得分 80.6%，对比 78.6% 和 62.8%。这两项都是 Meta 内部评估。在覆盖长文档专业工作的 GDP.pdf-AA 上，Ember 与 Luna 并列 22.8%，Haiku 得分 20.8%。
Muse Ember vs Claude Haiku 5.5 与 GPT-6 Luna
三款模型在短提示场景下的标价均为每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元。因此，比较并关注差异尤为重要。
在单位美元智能上，Meta 表示 Ember 在人工分析智能指数上的最佳得分与 Haiku 持平，但单次任务成本约为其三分之一，分别约 0.14 美元与 0.41 美元。Token 价格相同，差距来自每个模型完成任务所需的 Token 数。Luna 的单次任务成本与 Ember 接近，约 0.15 美元，但得分为 28 而非 36。
Ember 还在 Meta 的智能体与多模态测试中领先。三者中只有它支持音频与视频，并允许最多 512,000 个输出 Token，而另两者为 128,000。上下文窗口基本相当。
Haiku 在一个方面更强。在以可合并性评估工程任务的 FrontierCode 2.0-AA 上，其得分更高。如果您的智能体编写的代码会直接进入代码库，这一点很重要。
Ember 看起来非常适合由常规步骤构成的高吞吐工作流。但 Meta 选择并报告了这些对比，因此在切换前请先在您的实际负载上自行测试。
| | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| 每 100 万 Token 价格（输入/输出） | $0.10 / $0.50 | $0.10 / $0.50 | $0.10 / $0.50 |
| 高阶费率起始于 | 200K tokens | 100K tokens | 272K tokens |
| 上下文窗口 | 1M tokens | 1M tokens | 1.05M tokens |
| 最大输出 | 512K tokens | 128K tokens | 128K tokens |
| 输入类型 | 文本、图像、音频、视频 | 文本、图像 | 文本、图像 |
| 指数得分 | 36 | 36 | 28 |
| 每个指数任务成本 | 约 $0.14 | 约 $0.41 | 约 $0.15 |
指数得分与单次任务成本均基于最大推理强度。有关 Haiku 5.5 与 GPT-6 Luna 的定价细节来源于其公布的费率。
Muse Ember 的定价与可用性
以下为在输入 Token 不超过 200,000 的提示下，每百万 Token 的费用：
| API 使用项 | 每 1M Token 价格 |
|---|
| 输入 | $0.10 |
| 缓存输入 | $0.004 |
| 输出 | $0.50 |
更长的提示成本更高。超过 200,000 个输入 Token 后，Meta 的费率 上调为输入 0.30 美元、输出 1.50 美元每百万 Token，缓存输入上调为 0.012 美元。
这相当于短提示价格的三倍。因此，标称价格并不适用于所有上下文长度；如果您的智能体经常发送非常大的提示，请提前规划。
API 模型 ID 为 muse-ember-1.0，Ember 支持 Responses API。您可以通过 Muse Code 和 Meta Model API 使用它。Meta 还在 Google Cloud 和 Oracle Cloud 上列出了该模型。
Meta 将 Muse 系列描述为一个组合，每个模型面向不同任务而构建。
Muse Wonder
Wonder 面向最困难的问题，如复杂推理与复杂任务。在智能体工作流中，它是负责规划的模型。
Muse Spark
Spark 面向编码与更广泛的智能体工作流。在 Meta 的对比中，Spark 1.3 的 Intelligence Index 得分为 37，Ember 为 36，但 Spark 的单次任务成本为 2.39 美元，Ember 为 0.14 美元。其标价为每百万输入 Token 1.25 美元、每百万输出 Token 4.25 美元。
Muse Ember
Ember 面向可规模化复用的编码与智能体任务。Meta 称它也是首个使用 Muse Wonder Full 进行训练的模型。
开发者可用 Muse Ember 构建什么？
Meta 的公告及早期测试者指出了几个具体用例：
- 文档分析： Box 用它依据谈判手册逐条评估合同条款
- 代码库工作： Cloudflare 用它进行多仓库调查，Meta 称其可运行测试并进行定向修复
- 多模态抽取： 可读取扫描文档，或基于会议录音开展工作
- 跨应用工作流： 可在多个应用间获取记录并更新系统
例如，客服智能体收到附带截图的退款请求。较大的模型决定如何处理该案例。随后 Ember 读取截图、获取订单记录并更新工单。
这一流程会在每张工单上重复执行，因此每次调用的价格决定了整个队列的总成本。
Muse Ember 对 AI 智能体未来的意义
需要关注的数字是单个完成任务的成本，而非每个 Token 的成本。即使 Token 价格低，如果完成任务需要大量 Token，整体仍可能很贵。
这会改变您选择模型的方式。不再只看谁最强，而是将每一步与合适的能力与价格匹配。更大的模型负责规划，较小的模型执行重复步骤，而像 Ember 这样的多模态模型可直接读取截图与录音，无需为每种模态配备单独模型。
在长链路的自治工作流中，常规步骤的成本必须足够低，整个流程才可承受。
但提供此类小模型的并非只有 Meta。Haiku 5.5 与 GPT-6 Luna 的 Token 标价相同，也值得纳入考虑。
结论
Muse Ember 专为 AI 智能体的日常重复工作而生。其价格为每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元，拥有 100 万 Token 的上下文窗口，支持文本、图像、音频与视频输入。Meta 报告称，它在人工分析智能指数上的得分与 Haiku 5.5 持平，而单次任务成本约为其三分之一。
它旨在与 Muse Wonder 等更大的模型协作：Wonder 负责规划，Ember 执行重复步骤。但多数对比由 Meta 进行，您的实际结果与节省将取决于您的工作负载与评测设置。
更重要的启示是，如果 Meta 的结论成立，那么智能体的下一阶段竞争优势，可能同样取决于系统如何聪明地拆分工作，而不只是最大模型本身的能力。
2026 年 最佳 AI 智能体有哪些？阅读我们的博文，比较框架、零代码工具、企业平台，并获取逐步指引来选择与部署智能体自动化。
本周，Meta 宣布发布 Muse Ember，这是其最小的模型。Ember 并不在高难度推理任务上竞争；它负责智能体工作流中的重复步骤，而像 Muse Wonder 这样的更大模型负责规划。
Muse Ember 的价格为每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元，适用于最多 200,000 Token 的提示。Meta 称其在单位成本上的智能水平高于 Claude Haiku 5.5 和 GPT-6 Luna，并且在人工分析智能指数上的最佳得分可与 Haiku 持平，而单次任务成本约为其三分之一。
本文将带您了解 Muse Ember 是什么、其基准与定价如何比较，以及与更大的 Muse 模型相比它处于什么位置。
但 AI 智能体究竟是什么？报名我们的 Introduction to AI Agents 课程，只需 90 分钟掌握基础。
什么是 Meta Muse Ember？
Muse Ember 是来自 Meta Superintelligence Labs 的轻量级多模态推理模型。它专为智能体全天重复的工作而构建，例如工具调用、编码子任务、路由、数据抽取以及长文档处理。
它支持文本、图像、音频和视频输入，因此智能体无需为每种模态配备单独模型。其上下文窗口为 100 万 Token，最多可生成 512,000 个输出 Token。您可以通过 Muse Code 和 Meta Model API 使用它。
Meta 称其为“最小”的模型，但这只是指其在 Meta 模型产品线中的位置。公告未披露参数规模。
Meta 为何为 AI 智能体打造 Muse Ember
聊天机器人每次回答只调用一次模型，而智能体在一次会话中会调用上百次。Meta 表示大部分 Token 都花在小而结构化的步骤上。例如：
这些步骤大多不需要最前沿的大模型，但成本会不断累加。当智能体调用数百或上千次时，即便每次稍有节省也很重要。
Meta 的答案是分工协作：“Muse Wonder 负责规划，Muse Ember 负责规模化执行。”Wonder 处理困难推理，Ember 负责重复步骤。
比如，一个团队把大型代码库迁移到新框架。Wonder 规划修改顺序并将工作拆分为任务。随后 Ember 逐个读取文件、进行定向编辑并运行测试，如此往复数百次。
Muse Ember 基准测试
Meta 的说法是，Muse Ember 以远低于其他小模型的成本提供具备竞争力的智能。在人工分析智能指数上，Ember 和 Claude Haiku 5.5 都得分 36，GPT-6 Luna 得分 28。差异在于单次任务成本：Ember 约为 0.14 美元，而 Haiku 约为 0.41 美元，Luna 约为 0.15 美元。
Meta 于 2026 年 11 月 9 日在最大推理强度下报告了这些结果。Intelligence Index、AutomationBench-AA 和 FrontierCode 2.0-AA 来自 Artificial Analysis。Agents' Last Exam 是 Meta 内部评估。Terminal-Bench 4.0 使用每个模型已公布的最佳运行环境。完整细节可见 Meta 的评估报告。
智能体工作流
Ember 的最大领先体现在 AutomationBench-AA 上，它衡量端到端业务工作流。Ember 得分 37.8%，而 Haiku 为 13.9%，Luna 为 20.2%。
在 Agents' Last Exam 上，领先幅度略小——61.6%，对比 57.0% 和 57.1%。该评估是 Meta 内部在 Linux 子集上的测试，因此属于 Meta 自有结果。
编码
在 Terminal-Bench 4.0 上，Ember 得分 40.9%，Haiku 为 39.2%，Luna 为 16.4%。但各模型使用了各自的运行环境，因此并非完全可比。在 Artificial Analysis 的 Coding Agent Index 上，Ember 得分 46，Haiku 为 37，Luna 为 31。
在 FrontierCode 2.0-AA 上，Haiku 领先。该基准以可合并性评判工程任务。Haiku 得分 34.9%，Ember 为 27.2%，Luna 为 25.2%。
多模态任务
与 Haiku 相比，多模态差距并不显著。在 OSWorld 2.1（电脑使用测试）中，Ember 在部分给分下得分 69.5%，Haiku 为 68.9%，Luna 为 50.5%。
在衡量精细视觉细节的 PerceptionBench 上，Ember 搭配工具得分 80.6%，对比 78.6% 和 62.8%。这两项都是 Meta 内部评估。在覆盖长文档专业工作的 GDP.pdf-AA 上，Ember 与 Luna 并列 22.8%，Haiku 得分 20.8%。
Muse Ember vs Claude Haiku 5.5 与 GPT-6 Luna
三款模型在短提示场景下的标价均为每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元。因此，比较并关注差异尤为重要。
在单位美元智能上，Meta 表示 Ember 在人工分析智能指数上的最佳得分与 Haiku 持平，但单次任务成本约为其三分之一，分别约 0.14 美元与 0.41 美元。Token 价格相同，差距来自每个模型完成任务所需的 Token 数。Luna 的单次任务成本与 Ember 接近，约 0.15 美元，但得分为 28 而非 36。
Ember 还在 Meta 的智能体与多模态测试中领先。三者中只有它支持音频与视频，并允许最多 512,000 个输出 Token，而另两者为 128,000。上下文窗口基本相当。
Haiku 在一个方面更强。在以可合并性评估工程任务的 FrontierCode 2.0-AA 上，其得分更高。如果您的智能体编写的代码会直接进入代码库，这一点很重要。
Ember 看起来非常适合由常规步骤构成的高吞吐工作流。但 Meta 选择并报告了这些对比，因此在切换前请先在您的实际负载上自行测试。
指数得分与单次任务成本均基于最大推理强度。有关 Haiku 5.5 与 GPT-6 Luna 的定价细节来源于其公布的费率。
Muse Ember 的定价与可用性
以下为在输入 Token 不超过 200,000 的提示下，每百万 Token 的费用：
更长的提示成本更高。超过 200,000 个输入 Token 后，Meta 的费率 上调为输入 0.30 美元、输出 1.50 美元每百万 Token，缓存输入上调为 0.012 美元。
这相当于短提示价格的三倍。因此，标称价格并不适用于所有上下文长度；如果您的智能体经常发送非常大的提示，请提前规划。
API 模型 ID 为
muse-ember-1.0，Ember 支持 Responses API。您可以通过 Muse Code 和 Meta Model API 使用它。Meta 还在 Google Cloud 和 Oracle Cloud 上列出了该模型。Muse Ember 在 Meta 模型家族中的定位
Meta 将 Muse 系列描述为一个组合，每个模型面向不同任务而构建。
Muse Wonder
Wonder 面向最困难的问题，如复杂推理与复杂任务。在智能体工作流中，它是负责规划的模型。
Muse Spark
Spark 面向编码与更广泛的智能体工作流。在 Meta 的对比中，Spark 1.3 的 Intelligence Index 得分为 37，Ember 为 36，但 Spark 的单次任务成本为 2.39 美元，Ember 为 0.14 美元。其标价为每百万输入 Token 1.25 美元、每百万输出 Token 4.25 美元。
Muse Ember
Ember 面向可规模化复用的编码与智能体任务。Meta 称它也是首个使用 Muse Wonder Full 进行训练的模型。
开发者可用 Muse Ember 构建什么？
Meta 的公告及早期测试者指出了几个具体用例：
例如，客服智能体收到附带截图的退款请求。较大的模型决定如何处理该案例。随后 Ember 读取截图、获取订单记录并更新工单。
这一流程会在每张工单上重复执行，因此每次调用的价格决定了整个队列的总成本。
Muse Ember 对 AI 智能体未来的意义
需要关注的数字是单个完成任务的成本，而非每个 Token 的成本。即使 Token 价格低，如果完成任务需要大量 Token，整体仍可能很贵。
这会改变您选择模型的方式。不再只看谁最强，而是将每一步与合适的能力与价格匹配。更大的模型负责规划，较小的模型执行重复步骤，而像 Ember 这样的多模态模型可直接读取截图与录音，无需为每种模态配备单独模型。
在长链路的自治工作流中，常规步骤的成本必须足够低，整个流程才可承受。
但提供此类小模型的并非只有 Meta。Haiku 5.5 与 GPT-6 Luna 的 Token 标价相同，也值得纳入考虑。
结论
Muse Ember 专为 AI 智能体的日常重复工作而生。其价格为每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元，拥有 100 万 Token 的上下文窗口，支持文本、图像、音频与视频输入。Meta 报告称，它在人工分析智能指数上的得分与 Haiku 5.5 持平，而单次任务成本约为其三分之一。
它旨在与 Muse Wonder 等更大的模型协作：Wonder 负责规划，Ember 执行重复步骤。但多数对比由 Meta 进行，您的实际结果与节省将取决于您的工作负载与评测设置。
更重要的启示是，如果 Meta 的结论成立，那么智能体的下一阶段竞争优势，可能同样取决于系统如何聪明地拆分工作，而不只是最大模型本身的能力。
2026 年 最佳 AI 智能体有哪些？阅读我们的博文，比较框架、零代码工具、企业平台，并获取逐步指引来选择与部署智能体自动化。