Meta เปิดตัวโมเดล Muse Ember เพื่อจัดการงาน AI ประจำวันด้วยต้นทุนต่ำ

Meta ได้เปิดตัวโมเดลที่มีขนาดเล็กที่สุดของตนคือ Muse Ember ซึ่งออกแบบมาเพื่อจัดการกับงานการเข้ารหัสและการอนุมานที่ทำโดย AI ตัวแทน โดยยังคงรักษาต้นทุนการดำเนินงานที่ต่ำ โมเดลที่มีขนาดกระทัดรัดนี้เหมาะสำหรับภาระงานประจำวันของตัวแทน รวมถึงการเรียกใช้เครื่องมือ การเข้ารหัสงานย่อย การดึงข้อมูล การจัดการคำขอ และการวิเคราะห์เอกสารที่ยาว Meta ระบุว่า Muse Ember ให้ความฉลาดมากกว่า Anthropic’s Claude Haiku 5.5 และ OpenAI’s GPT-6 Luna ในการตั้งค่าการอนุมานต่อทุก ๆ 1 ดอลลาร์

ตามรายงานของ Artificial Analysis, Muse Ember ได้คะแนน 36 ในดัชนีความฉลาด ซึ่งเท่ากับ Claude Haiku 5.5 ขณะที่ต้นทุนต่อภารกิจอยู่ที่ประมาณ $0.14 (ประมาณ HK$1.09) ซึ่งเกือบจะเป็นสามเท่าของต้นทุนที่ Haiku ประเมินไว้ที่ $0.41 (ประมาณ HK$3.20) โมเดลนี้ยังมีประสิทธิภาพที่ดีเมื่อเปรียบเทียบกับ Muse Spark 1.3 ของ Meta ที่มีขนาดใหญ่กว่า

Artificial Analysis ประเมินว่าต้นทุนของ Muse Ember ต่อภารกิจในดัชนีความฉลาดอยู่ที่ $0.14 (ประมาณ HK$1.09) ขณะที่ต้นทุนของ Spark อยู่ที่ $2.39 (ประมาณ HK$18.63) โดยมีคะแนนดัชนีความฉลาดอยู่ที่ 37

ความหลากหลายของ Muse Ember

Meta ออกแบบ Muse Ember เพื่อจัดการกับหลายงานขนาดเล็กที่ตัวแทนต้องดำเนินการในระหว่างการทำงานที่ยาวนาน ไม่ได้มุ่งเน้นเฉพาะปัญหาการอนุมานที่ซับซ้อน โมเดลนี้สามารถดำเนินการกระบวนการทำงานทางธุรกิจได้ตั้งแต่ต้นจนจบ โดยการดึงข้อมูลจากบันทึก การเรียกใช้เครื่องมือในลำดับ และการอัปเดตข้อมูลในแอปพลิเคชัน โมเดลนี้ยังมีหน้าต่างบริบทที่มีป้ายกำกับ 1 ล้านป้าย และสามารถสร้างผลลัพธ์ได้สูงสุด 512,000 ป้าย ทำให้สามารถจัดการทั้งคลังโค้ดหรือชุดเอกสารขนาดใหญ่ในการเรียกใช้ครั้งเดียว ในการประเมิน Muse Ember ได้คะแนน 37.8% ใน AutomationBench-AA ซึ่งเป็นดัชนีที่วัดกระบวนการทำงานทางธุรกิจแบบครบวงจร ในขณะที่ GPT-6

Luna ได้คะแนน 20.2% และ Claude Haiku 5.5 ได้คะแนน 13.9% นอกจากนี้ Muse Ember ยังได้คะแนน 61.6% ในการสอบครั้งสุดท้ายของตัวแทน ซึ่งสูงกว่า Luna ที่ได้ 57.1% และ Haiku ที่ได้ 57% ในดัชนีความฉลาดส่วนบุคคลของ Meta โมเดลนี้ได้คะแนน 46.8% ซึ่งนำหน้าลงมา Luna ที่ได้ 37% และ Haiku ที่ได้ 36.1% ประสิทธิภาพในการเข้ารหัสของ Muse Ember ก็มีการแข่งขันที่ดี โดยได้คะแนน 40.9% ใน Terminal-Bench 4.0 ขณะที่ Haiku ได้ 39.2%

Luna ได้คะแนน 16.4% อย่างไรก็ตาม ใน FrontierCode 2.0-AA, Haiku มีประสิทธิภาพที่ดีกว่า โดยได้คะแนน 34.9% ขณะที่ Muse Ember ได้คะแนน 27.2%

ราคาและวิธีการใช้งาน

Muse Ember นอกจากการเข้ารหัสและการดำเนินการของตัวแทนแล้ว ยังสามารถจัดการกับข้อความ รูปภาพ เสียง และวิดีโอ ซึ่งทำให้สามารถตีความภาพหน้าจอ กราฟ และเอกสารที่สแกน รวมถึงการบันทึกเสียงและเนื้อหาวิดีโอ ใน OSWorld 2.1 โมเดลนี้ใช้การให้คะแนนเครดิตบางส่วน โดยได้คะแนน 69.5% ในขณะที่คะแนนใน PerceptionBench อยู่ที่ 80.6% ซึ่งเป็นดัชนีที่ประเมินความสามารถในการเข้าใจภาพในระดับละเอียด Meta ระบุว่าโมเดลนี้ผ่านการประเมินความปลอดภัยที่ครอบคลุมความเสี่ยงทางเคมีและชีวภาพ ความปลอดภัยทางไซเบอร์ และสถานการณ์ที่ไม่สามารถควบคุมได้ โดยบริษัทรายงานว่า Muse Ember ยังคงอยู่ในระดับความเสี่ยงสูงภายใต้กรอบการทำงานของตน

โมเดลนี้สามารถใช้งานได้ผ่าน Muse Code และ Meta Model API ในชื่อ muse-ember-1.0 โดยมีราคาเริ่มต้นที่ $0.10 (ประมาณ HK$0.78) ต่อ 1 ล้านป้ายข้อมูลนำเข้า และ $0.50 (ประมาณ HK$3.90) ต่อ 1 ล้านป้ายข้อมูลผลลัพธ์ ขณะที่ต้นทุนการเก็บข้อมูลนำเข้าคือ $0.004 (ประมาณ HK$0.03) ต่อ 1 ล้านป้าย โมเดล Muse Ember เป็นโมเดลแรกของ Meta ที่อ้างว่าใช้การฝึกอบรม Muse Wonder Full

มันถูกเปิดตัวพร้อมกับ Muse Wonder ซึ่งออกแบบมาเพื่อปัญหาการอนุมานที่ยากที่สุด และ Muse Spark ซึ่งมุ่งเน้นไปที่การเข้ารหัสและกระบวนการทำงานของตัวแทน เป้าหมายที่กว้างขึ้นของ Meta คือการทำให้ฟังก์ชันขั้นสูงมีต้นทุนต่ำพอที่จะสามารถใช้งานในผลิตภัณฑ์และบริการประจำวันได้ โดย Muse Ember มีจุดมุ่งหมายในการจัดการภาระงานที่ซ้ำซากในระดับใหญ่ที่ตัวแทนต้องทำ

อิทธิพลของ Muse Ember ในวงการ AI

การเปิดตัว Muse Ember ถือเป็นความก้าวหน้าที่สำคัญของ Meta ในการพัฒนาโมเดล AI โดยเฉพาะในด้านการลดต้นทุนและเพิ่มประสิทธิภาพ โมเดลนี้ไม่เพียงแต่สามารถจัดการงานการเข้ารหัสและการอนุมาน แต่ยังรองรับการตีความสื่อหลายประเภท เช่น ข้อความ รูปภาพ และเสียง แสดงให้เห็นถึงความหลากหลายของมัน ด้วยการที่เทคโนโลยี AI ถูกนำไปใช้ในชีวิตประจำวันมากขึ้น คุณสมบัติต้นทุนต่ำของ Muse Ember จะช่วยส่งเสริมการนำไปใช้ในเชิงพาณิชย์อย่างกว้างขวาง และอาจเปลี่ยนแปลงกลยุทธ์ของธุรกิจในด้านการทำงานอัตโนมัติและการประมวลผลข้อมูล