我们最小、最高效的模型：Muse Ember

【HN用户评论摘要】 六个努力级别（最小、低、中、高、xhigh、最大），所以这里有六只鹈鹕（实际上是五只，“高”没有返回完整的 SVG）：https://tools.simonwillison.net/markdown-svg-renderer?url=ht...鹈鹕的思维水平和视觉质量之间通常存在相当强的相关性。这是我第一次看到相关性似乎被打破——更多的推理标记似乎并没有产生明显更好的 SVG。 此时对所有模型更新都有点厌倦了。 > 每百万个输入令牌的成本为 0.10 美元，每百万个缓存输入令牌的成本为 0.004 美元，每百万个输出令牌的成本为 0.50 美元，值得注意的是 4% 输入的缓存成本，而 Luna/Haiku 的输入为 10%。 这开始让人感觉就像早期的个人电脑时代一样。一堆计算机模型出现，各种形状和颜色，但最终它解决了鼠标键盘，监控大多数人，使用办公套件：Word，电子表格，演示文稿，数据库。我敢打赌，我们将在专业模型而不是所有模型上看到与法学硕士完全相同的东西。一个为律师，程序员，会计师，设计师等设计的模型...... 是什么使它变小？ 有人知道尺寸吗？ 我在任何地方都没有看到它。 相对于他们目前的阵容来说很小吗？ 无论如何，我上次尝试的 Meta 是 llama4。 我退到一边并不是因为 llama4 变得多么糟糕，而是因为 Zuck 的举动。 这里有人使用 Meta 吗？ 我不知道我的圈子里有人使用它，但我确信人们正在使用它。 原始链接：https://research.meta.ai/blog/muse-ember