人工智能开源与商业化竞争持续白热化。日前，Meta Superintelligence Labs 官方正式发布了 Muse 品牌下的第四款、也是迄今为止规模最小的高效多模态推理模型——Muse Ember。该模型专为人工智能智能体（Agent）在日常运行中需要高频处理的重复性子任务而打造。
核心定位:专注智能体高频子任务，实现精细化分工
在 Meta 的产品矩阵中，各款模型扮演着不同的角色。其中，旗舰级的 Muse Wonder 专注于攻克最复杂的规划与难题，Muse Spark 负责处理日常的编码与智能体工作流，而全新的 Muse Ember 则精准聚焦于规模化的重复性编码和智能体子任务。
官方明确指出，Muse Ember 的核心应用场景主要涵盖工具调用（tool calls）、编码子任务(coding subtasks)、路由(routing)、信息提取(extraction)以及长文档解析(long document parsing)。通过这种精细化的分工，大模型能够以更高的效率支撑庞大的智能体日常运转。
架构特性:原生多模态融合与百万级上下文窗口
在底层架构和多模态能力上，Muse Ember 展现出了极强的综合处理水平。该模型原生支持文本、图像、音频和视频等多种输入形态。这意味着智能体在执行任务时，无需额外调用独立模型，便能直接读取截图、图表、扫描页、语音备忘录甚至是会议录音，甚至能够直接通过截图来操作桌面应用程序。
在处理容量方面，Muse Ember 拥有高达100万 Token 的超大上下文窗口，单次调用即可轻松容纳完整的代码库或整个文档集合。同时，其最大输出长度可达51.2万 Token，达到同类竞争对手的4倍之多。
需要注意的是，该模型采用纯托管模式，仅在 Meta 的托管基础设施（即 Meta Model API 和 Muse Code）上运行，其权重保持私有，因此不提供本地 GPU、笔记本电脑运行或量化部署的选项。
基准评测:智能体任务表现惊艳，代码合并场景稍逊一筹
在权威评测机构和 Meta 内部测试套件中，在开启最大推理 effort 的状态下，Muse Ember 展现出了优异的综合表现:
智能体与工作流（Agents）: 在基于657个 Zapier 业务工作流的 AutomationBench-AA 测试中，Ember 的任务完成率达到了37.8%，大幅领先于 GPT-6Luna 的20.2% 以及 Claude Haiku5.5的13.9%。在内部的 Agents’ Last Exam 测试中，Ember 取得了61.6分，同样优于 Haiku 的57.0分和 Luna 的57.1分。
编程与开发（Coding）: 在 Terminal-Bench4.0测试中，Ember 以40.9分领先于 Haiku 的39.2分和 Luna 的16.4分;在 Artificial Analysis(AA)编码智能体指数中也以46分居首。不过，在考察真实仓库代码合并能力的 FrontierCode2.0-AA 测试中，Haiku5.5取得了34.9分，表现优于 Ember 的27.2分。
多模态与感知: 在 GDP.pdf-AA 测试中，Ember 与 GPT-6Luna 打成平手（22.8分）;在 OSWorld2.1(部分得分)上以69.5分微弱优势领先于 Haiku 的68.9分;在结合工具的 PerceptionBench 测试中，Ember 拿到了80.6分，高于 Haiku 的78.6分和 Luna 的62.8分。
在整体的 Artificial Analysis 智能指数中，Muse Ember 获得了36分，与 Claude Haiku5.5（max effort）完全持平，并领先于 GPT-6Luna 的28分。
成本效益:基础定价相同，实际任务成本大幅优化
在公开的 API 定价方面，Muse Ember 的标准资费与竞争对手保持一致:每百万输入 Token 收费0.10美元、每百万输出 Token 收费0.50美元，缓存输入则收费0.004美元每百万 Token（低于 Haiku 和 Luna 的0.01美元）。
尽管基础单价相似，但由于 Token 消耗效率的提升，其实际执行单次任务的成本迎来了大幅优化。实测数据显示，Muse Ember 在最高推理设置下的单次任务成本约为0.136美元，而 Claude Haiku5.5完成同类任务的成本则高达0.411美元，这意味着其单次任务成本直接降到了对手的三分之一左右。
此外，在处理超长文本时，竞品往往会在超过10K 或272K 提示词时进行价格翻倍或阶梯加价，而 Meta 针对 Ember 并未单独设立长上下文的加价档位，进一步强化了其在长文本处理上的经济效益。
目前，开发者可以通过 Meta Model API 以及 Meta 的编程智能体工具 Muse Code 正式接入和使用 Muse Ember，并支持标准的 Responses API。在早期测试阶段，包括 Box、Cline、Oracle、Cloudflare 以及 You.com 在内的多家知名企业和技术平台已经参与其中。
人工智能开源与商业化竞争持续白热化。Meta Superintelligence Labs 正式发布 Muse 品牌第四款、迄今规模最小的多模态推理模型 Muse Ember，专为 AI 智能体日常高频重复性子任务打造，核心定位是专注智能体高频子任务，实现精细化分工。在 Meta 产品矩阵中，各模型角色不同，旗舰级 Muse 等形成分层布局。
Meta 11月10日发布轻量模型 Muse Ember，号称迄今最小、最高效，面向复杂推理与智能体反复执行的日常任务，主打性价比而非参数规模。Artificial Analysis榜单显示，其综合表现可与 Claude Haiku 5.5 抗衡，单任务成本仅后者三分之一，并在多项测试中超过 GPT-6 Luna，还涉及端到端业务工作等场景。
11月9日，Meta发布迄今规模最小、运行效率最高的轻量级AI模型Muse Ember。该模型主打高效轻量，定位AI智能体（Agent）日常反复处理的高频任务，场景包括工具调用等，旨在以极致效率满足智能体高强度运转。此举显示人工智能领域“性价比军备竞赛”再添重量级选手。
11月9日，Meta推出迄今最小、效率最高的高性能AI模型Muse Ember，专为AI代理日常繁复任务打造，涵盖工具调用、小型编码、请求路由、数据提取及长文档处理。该模型在性能与成本上竞争力强。据Artificial Analysis Intelligence Index，其在每个推理层面均超越Claude Haiku5.5与GPT-6Luna。
微软开源多模态推理模型Phi-4-reasoning-vision-15B，参数15B，兼顾轻量化与高性能。该模型仅用200B多模态token训练，强调数据质量，适合资源受限环境下的复杂视觉任务。
关注 “悠AI” 更多干货技巧行业动态
相关文章
