- Muse Ember 是 Meta 最小型的 AI 模型，專為低成本處理日常任務而設。
- 該模型在智能指數和成本方面表現優於 Claude Haiku 5.5 和 GPT-6 Luna。
- Muse Ember 能執行多項小型操作，並具備強大的上下文處理能力。
- 該模型支持多種媒體類型的處理，並經過安全評估，保持高風險閾值之下。
Meta 發佈了其最小型的模型 Muse Ember，專為處理 AI 代理所執行的重複編碼和推理任務而設，並保持較低的運營成本。該緊湊型模型適用於日常代理工作負載，包括工具調用、編碼子任務、資訊提取、請求路由及解析冗長文檔。Meta 表示，Muse Ember 在推理設定中每美元提供的智能超過了 Anthropic 的 Claude Haiku 5.5 和 OpenAI 的 GPT-6 Luna。
根據 Artificial Analysis 的報告，Muse Ember 在其智能指數中得分為 36，與 Claude Haiku 5.5 相同，而每項任務的成本約為 $0.14 (約 HK$1.09)，幾乎是 Haiku 預估的 $0.41 (約 HK$3.20) 成本的三倍。該模型在與 Meta 更大型的 Muse Spark 1.3 的比較中表現也相當不錯。
Artificial Analysis 估計 Muse Ember 每項智能指數任務的成本為 $0.14 (約 HK$1.09)，而 Spark 的成本為 $2.39 (約 HK$18.63)，其智能指數得分為 37。
Muse Ember 的多功能性
Meta 設計 Muse Ember 是為了處理代理在延長工作流程中執行的多項小型操作，而非僅專注於複雜的推理問題。該模型能夠從頭到尾執行商業工作流程，通過檢索記錄、進行序列工具調用和更新應用程式中的資訊來完成任務。該模型還配備了一個 100 萬個標記的上下文窗口，並能生成最多 512,000 個輸出標記，讓其能夠在一次調用中處理整個代碼庫或大量文檔集合。在評估中，Muse Ember 在 AutomationBench-AA 的得分為 37.8%，該指標測量端到端的商業工作流程，對比之下，GPT-6
Luna 得分為 20.2%，而 Claude Haiku 5.5 則為 13.9%。此外，Muse Ember 在 Agents’ Last Exam 中的得分為 61.6%，略高於 Luna 的 57.1% 及 Haiku 的 57%。在 Meta 的個人超智能指數中，其得分為 46.8%，領先於 Luna 的 37% 及 Haiku 的 36.1%。其編碼表現同樣具有競爭力，Muse Ember 在 Terminal-Bench 4.0 中得分 40.9%，而 Haiku 的得分為 39.2%，
Luna 則為 16.4%。然而，在 FrontierCode 2.0-AA 上，Haiku 的表現更佳，得分為 34.9%，而 Muse Ember 則為 27.2%。
價格與使用方式
Muse Ember 除了編碼和代理執行外，還能處理文本、圖像、音頻及影片。這使其能夠解釋截圖、圖表和掃描文檔，以及語音錄音和影片內容。在 OSWorld 2.1 中，該模型使用部分信貸計分，得分為 69.5%。它在 PerceptionBench 中的得分則為 80.6%，該指標評估細粒度的視覺理解能力。Meta 表示，該模型經過了涵蓋化學和生物風險、網絡安全及失控場景的安全評估，公司報告 Muse Ember 始終保持在其框架的高風險閾值之下。
該模型可通過 Muse Code 和 Meta Model API 以 muse-ember-1.0 的名義使用，價格從每百萬個輸入標記 $0.10 (約 HK$0.78) 和每百萬個輸出標記 $0.50 (約 HK$3.90) 開始，而快取輸入的成本為每百萬個標記 $0.004 (約 HK$0.03)。Muse Ember 是 Meta 首個宣稱使用 Muse Wonder Full 訓練的模型。
它與專為最艱難推理問題而設的 Muse Wonder 和針對編碼及代理工作流程的 Muse Spark 一同推出。Meta 的更廣泛目標是使先進功能的成本足夠低，以便在日常產品和服務中運行，Muse Ember 旨在針對代理在大規模處理的重複工作負載。
Muse Ember 在 AI 領域的影響力
Muse Ember 的推出標誌著 Meta 在 AI 模型開發上的一個重要進展，特別是在降低成本和提升效率方面。這款模型不僅能處理編碼和推理任務，還支持文本、圖像及音頻等多媒體的解釋，顯示出其多功能性。隨著AI技術在日常生活中的應用越來越廣泛，Muse Ember 的低成本特性將有助於推動更廣泛的商業採用，並可能改變企業在自動化和數據處理方面的策略。