网通社科技快报
Meta发布Muse Ember轻量模型 每百万token仅10美分
Meta Superintelligence Lab于2026年11月9日正式发布Muse系列第四款模型Ember，定位为迄今最轻量、成本最低的专用推理模型，专为AI智能体高频重复任务设计。其输入定价为10美分/百万token，远低于Anthropic Haiku 5.5与OpenAI GPT-6 Luna，成本竞争力接近DeepSeek V4.1 Flash与GLM 5.3 Flash等开源轻量模型。第三方机构Artificial Analysis的基准测试显示，Ember在相同成本区间内智能指数更高，达成同等智能水平时成本仅为竞品的1/3至1/2。
Ember采用分层协作架构，作为执行层与规划模型（如旗舰级Muse Wonder）协同工作，实现“Wonder规划、Ember批量执行”的高效模式，适用于客户服务等需处理数万请求的场景。模型原生支持多模态输入，可直接解析截图、图表、语音备忘录及视频内容，无需额外模块切换，降低系统集成复杂度与延迟。
能力方面，Ember延续Muse系列强化的“主动记忆”机制，内部评测显示其正确使用关键上下文完成任务的比例达90%，显著提升长流程交互稳定性。Meta同步提出“个人超级智能指数”初步框架，当前Muse模型得分为47%。该模型将通过Meta AI平台开放API接入，并计划近期发布推理优化工具链。企业若日均处理超100万次Agent任务，年化成本可节省数十万美元。此举标志大模型竞争正从峰值性能转向场景适配效率与总拥有成本优化，大小模型协同成为工业部署主流范式。
Ember采用分层协作架构，作为执行层与规划模型（如旗舰级Muse Wonder）协同工作，实现“Wonder规划、Ember批量执行”的高效模式，适用于客户服务等需处理数万请求的场景。模型原生支持多模态输入，可直接解析截图、图表、语音备忘录及视频内容，无需额外模块切换，降低系统集成复杂度与延迟。
能力方面，Ember延续Muse系列强化的“主动记忆”机制，内部评测显示其正确使用关键上下文完成任务的比例达90%，显著提升长流程交互稳定性。Meta同步提出“个人超级智能指数”初步框架，当前Muse模型得分为47%。该模型将通过Meta AI平台开放API接入，并计划近期发布推理优化工具链。企业若日均处理超100万次Agent任务，年化成本可节省数十万美元。此举标志大模型竞争正从峰值性能转向场景适配效率与总拥有成本优化，大小模型协同成为工业部署主流范式。