Meta发布Muse Ember模型以低成本处理日常AI任务

Meta发布了其最小型的模型Muse Ember，专为处理AI代理所执行的重复编码和推理任务而设，并保持较低的运营成本。该紧凑型模型适用于日常代理工作负载，包括工具调用、编码子任务、信息提取、请求路由及解析冗长文档。Meta表示，Muse Ember在推理设置中每美元提供的智能超过了Anthropic的Claude Haiku 5.5和OpenAI的GPT-6 Luna。

根据Artificial Analysis的报告，Muse Ember在其智能指数中得分为36，与Claude Haiku 5.5相同，而每项任务的成本约为$0.14（约HK$1.09），几乎是Haiku预估的$0.41（约HK$3.20）成本的三倍。该模型在与Meta更大型的Muse Spark 1.3的比较中表现也相当不错。

Artificial Analysis估计Muse Ember每项智能指数任务的成本为$0.14（约HK$1.09），而Spark的成本为$2.39（约HK$18.63），其智能指数得分为37。

Muse Ember的多功能性

Meta设计Muse Ember是为了处理代理在延长工作流程中执行的多项小型操作，而非仅专注于复杂的推理问题。该模型能够从头到尾执行商业工作流程，通过检索记录、进行序列工具调用和更新应用程序中的信息来完成任务。该模型还配备了一个100万个标记的上下文窗口，并能生成最多512,000个输出标记，让其能够在一次调用中处理整个代码库或大量文档集合。在评估中，Muse Ember在AutomationBench-AA的得分为37.8%，该指标测量端到端的商业工作流程，对比之下，GPT-6

Luna得分为20.2%，而Claude Haiku 5.5则为13.9%。此外，Muse Ember在Agents’ Last Exam中的得分为61.6%，略高于Luna的57.1%及Haiku的57%。在Meta的个人超智能指数中，其得分为46.8%，领先于Luna的37%及Haiku的36.1%。其编码表现同样具有竞争力，Muse Ember在Terminal-Bench 4.0中得分40.9%，而Haiku的得分为39.2%，

Luna则为16.4%。然而，在FrontierCode 2.0-AA上，Haiku的表现更佳，得分为34.9%，而Muse Ember则为27.2%。

价格与使用方式

Muse Ember除了编码和代理执行外，还能处理文本、图像、音频及影片。这使其能够解释截图、图表和扫描文档，以及语音录音和影片内容。在OSWorld 2.1中，该模型使用部分信贷计分，得分为69.5%。它在PerceptionBench中的得分则为80.6%，该指标评估细粒度的视觉理解能力。Meta表示，该模型经过了涵盖化学和生物风险、网络安全及失控场景的安全评估，公司报告Muse Ember始终保持在其框架的高风险阈值之下。

该模型可通过Muse Code和Meta Model API以muse-ember-1.0的名义使用，价格从每百万个输入标记$0.10（约HK$0.78）和每百万个输出标记$0.50（约HK$3.90）开始，而快取输入的成本为每百万个标记$0.004（约HK$0.03）。Muse Ember是Meta首个宣称使用Muse Wonder Full训练的模型。

它与专为最艰难推理问题而设的Muse Wonder和针对编码及代理工作流程的Muse Spark一同推出。Meta的更广泛目标是使先进功能的成本足够低，以便在日常产品和服务中运行，Muse Ember旨在针对代理在大规模处理的重复工作负载。

Muse Ember在AI领域的影响力

Muse Ember的推出标志着Meta在AI模型开发上的一个重要进展，特别是在降低成本和提升效率方面。这款模型不仅能处理编码和推理任务，还支持文本、图像及音频等多媒体的解释，显示出其多功能性。随着AI技术在日常生活中的应用越来越广泛，Muse Ember的低成本特性将有助于推动更广泛的商业采用，并可能改变企业在自动化和数据处理方面的策略。