Meta Superintelligence Labs 于 2026 年 11 月 9 日（星期一）宣布了 Muse Ember，这是其至今为止最小、最高效的人工智能模型。
该模型专门设计用于执行 AI 代理在一天中反复完成的复杂任务：工具调用、编码子任务、路由、数据提取和长文档分析。
性能与成本
根据 Meta 的说法，Muse Ember 在任何推理设置下都比 Anthropic 的 Claude Haiku 5.5 或 OpenAI 的 GPT-6 Luna 提供更高的每美元智能。它在 Artificial Analysis 智能指数上达到 Haiku 的最佳得分（36），而每任务成本约为其三分之一（约 0.14 美元对 0.41 美元）。
标准定价为每百万输入令牌 0.10 美元，每百万输出令牌 0.50 美元，输入缓存为每百万 0.004 美元。上下文窗口为 100 万令牌，输出最高 51.2 万令牌。该模型为多模态，可接受文本、图像、音频和视频。
在公司发布的基准测试中，Ember 在 AutomationBench-AA 上领先（37.8% 对 Haiku 的 13.9% 和 Luna 的 20.2%）以及其他代理和编码指标，但在 FrontierCode 2.0-AA 上落后于 Haiku（27.2% 对 34.9%）。
在 Muse 家族中的定位
Ember 是 Muse 家族的第四个模型，之前是 Spark（4 月）、开源的 Glimmer（8 月）和前沿的 Wonder（10 月）。它是第一个使用 Muse Wonder Full 训练的模型。Meta 将 Wonder 定位于最难的问题，Spark 用于编码和代理工作流，Ember 用于高体量重复任务。
该模型今天已通过 Meta Model API 和 Muse Code 作为 muse-ember-1.0 提供。权重未释放；仅为托管。
Mark Zuckerberg 在 X 上宣布了发布，强调每美元的更高智能。
为何重要
随着每次会话执行数百个子任务的 AI 代理的增长，像 Ember 这样轻量且便宜的模型可以在不牺牲体量任务能力的情况下降低成本。Box、Cline、Oracle、Cloudflare 和 You.com 等合作伙伴报告了初期测试的积极结果。
Meta 表示，该模型经过了 Meta Superintelligence Scaling Framework 的安全评估，并保持在高风险阈值以下。
来源
透明度： 本内容使用人工智能辅助创建、编辑或审核。信息已与官方来源和独立报告进行交叉核对。请查阅原始来源以获取完整背景。
Por Grok
