成本仅1/3！元新模型 Muse Ember 硬刚 Claude Haiku 5.5

昨夜，Meta 正式发布新一代轻量级 AI 模型 Muse Ember。据介绍，这是 Meta 迄今推出的体积最小、效率最高的模型，主要面向复杂推理执行，以及 AI Agent 在日常工作中需要反复处理的任务，包括工具调用、编程子任务、任务路由、信息提取和长文档解析等。 Meta CEO 扎克伯格在x 上发文写道：“这是我们最小的模型，在同类模型中，每美元所能提供的智能更高。它专为智能体全天重复执行的高 token 消耗型工作而打造：工具调用、编码子任务、路由、信息提取和长文档解析。今天起可在 Meta Model API 和 Muse Code 中使用。” 与此前各家厂商围绕旗舰模型性能展开的竞争不同，Muse Ember 的卖点是成本。 Meta 在官方博客中表示，根据 Artificial Analysis 的评测结果，Muse Ember 在不同推理强度下的智能表现与成本比优于 Claude Haiku 5.5 和 GPT-6 Luna。它能够以约三分之一的成本，达到 Claude Haiku 5.5 最高推理强度下的接近水平，并超过 GPT-6 Luna 所有推理档位的成绩。 更值得关注的是，Muse Ember 在 Artificial Analysis 智能指数与单任务成本构成的效率前沿上占据了有利位置：在相近或更低的单任务成本下，没有其他参评模型取得更高的智能指数。 这意味着，Meta 此次并不打算让一款小模型承担所有复杂任务，而是试图解决 Agent 规模化应用中的另一个问题：当 AI 系统每天需要执行成千上万次工具调用、代码修改和信息处理任务时，如何把每次执行的成本降下来？ 成本只有三分之一，Meta 要重新定义小模型的价值？ 在 Artificial Analysis 智能指数测试中，Muse Ember 最高推理强度下的成绩约为 36 分，与 Claude Haiku 5.5 的 36 分持平，高于 GPT-6 Luna 的 28 分。 但在价格上，三者存在明显差距。 按照 Meta 展示的测试数据，在接近最高智能水平的配置下，Muse Ember 的单任务成本约为 0.136 美元，而 Claude Haiku 5.5 最高配置约为 0.411 美元。换言之，Muse Ember 的成本约为后者的 33%，相当于降低了约 67%。 而在具体能力上，Muse Ember 的表现并不局限于基础问答。 根据 Meta 汇总的评估数据，在企业工作流自动化测试 AutomationBench-AA 中，Muse Ember 取得 37.8% 的成绩，GPT-6 Luna 和 Claude Haiku 5.5 分别为 20.2% 和 13.9%。 在衡量端到端 Agent 任务执行能力的 Agents' Last Exam 中，Muse Ember 得分为 61.6%，高于另外两款模型的 57.1% 和 57.0%。 编程方面，Muse Ember 在 Terminal-Bench 4.0 中取得 40.9% 的成绩，略高于 Claude Haiku 5.5 的 39.2%，明显高于 GPT-6 Luna 的 16.4%。 不过，Muse Ember 并非在全部测试项目中领先。例如，在衡量真实工程任务及代码可合并性的 FrontierCode 2.0-AA 中，Claude Haiku 5.5 取得 34.9%，而 Muse Ember 为 27.2%。 需要注意的是，上述数据来自不同来源的评估，既包括 Artificial Analysis 的测试，也包括 Meta 内部评测。Terminal-Bench 4.0 还采用了各模型公开成绩对应的不同 Agent 执行框架，因此不能简单将分数差距全部归因于模型本身。 目前，Muse Ember 已通过 Meta Model API 开放，正式定价为每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元。 Cloudflare、Cline 等实测：最快达 2.2 秒延迟 在正式发布前，Meta 已邀请多家合作伙伴测试 Muse Ember，覆盖企业文档处理、编程、软件工程以及高吞吐量 Agent 任务等场景。 其中，企业内容管理平台 Box 的 AI 产品副总裁 Yashodha Bhavnani 表示，Muse Ember 在 Box AI Complex Work Eval 中展现出了较好的准确率、速度和 Token 效率。 例如，它可以根据企业的合同谈判规则，逐条评估合同条款，并给出整体风险等级；也可以根据详细的招聘要求筛选候选人，识别那些虽然不完全符合首选标准、但仍然值得保留为备选的人选。 AI 编程工具 Cline 的创始人 Saoud Rizwan 则特别提到了 Muse Ember 作为子 Agent 模型的价值。 他认为，对于希望降低成本的开发团队而言，可以让 Muse Ember 承担编程、文档分析等重复性任务，而不必每次都调用价格更高的大模型。 Oracle 全球合作伙伴高级副总裁 Konstantinos Papamiltiadis 也表示，Muse Ember 在早期测试中展现出了处理复杂工程任务的潜力。 在运行效率方面，Cloudflare 首席技术官 Dane Knecht 提供了另一组数据。 根据 Cloudflare 的测试，Muse Ember 在尾部延迟方面比其测试的可比模型最多快 30%，同时能够较好地处理涉及多个代码仓库的大范围调查任务。 搜索及 AI 服务公司 You.com 的测试结果则更加突出。 You.com 推理负责人 Chak Pothina 表示，在其测试的编程任务中，Muse Ember 完成了全部任务，并且在受测模型中具有最低延迟。 具体而言，其 P95 延迟为 2.2 秒，速度约为部分领先开放权重模型的 4 至 13 倍，同时输出 Token 数量减少了 36% 至 48%。 Agent 能力：一次读入完整代码库，支持百万 Token 上下文 在介绍完合作伙伴的测试反馈后，Meta 将重点转向 Muse Ember 的三项主要能力：Agent、编程和多模态。 首先是 Agent。 Meta 认为，Agent 在执行实际工作时，大部分 Token 消耗并不一定发生在最复杂的推理环节，而是来自大量规模较小、结构相对固定的操作。 例如，一个企业 Agent 可能需要先读取客户记录，再调用相关工具，随后更新多个业务系统中的信息。整个过程中，模型需要反复处理数据、判断下一步操作并执行相应指令。 Muse Ember 正是为这种高频任务设计的。 它能够完成端到端业务流程，包括检索记录、依次调用工具，以及跨应用更新系统数据。 同时，Muse Ember 提供了 100 万 Token 的上下文窗口，最大输出长度达到 51.2 万 Token。 这意味着，对于规模适当的代码库或文档集合，开发者可以在一次调用中提供大量上下文，而不必频繁拆分输入内容。 在 Agent 能力测试中，Meta 重点公布了三组数据。 其中，AutomationBench-AA 主要考察端