截图展示拍摄日期的官方页面，可能与文章发布时不同。点击图片可放大。
Meta于2026年11月9日发布了AI模型“Muse Ember”。这是Muse系列中最小、效率最高的模型，专为AI智能体每天反复执行的工作而打造，例如调用外部工具、小型编程任务、分派任务、提取信息以及阅读长文档等。
在Muse系列中的定位
Meta建议按以下方式分工使用Muse的各个模型。
- Muse Wonder：面向最困难的问题
- Muse Spark：面向编程和智能体工作
- Muse Ember：面向大量处理固定任务的用途
对于困难的工作，Meta推荐由Muse Wonder制定计划、由Muse Ember承担大量实际工作的组合方式。Muse Ember是首个借助更高端的Muse Wonder Full训练而成的模型。除文本外，它还能理解图像、音频和视频。
性能与价格
在Meta公布的评测中，Muse Ember在多个项目上超过了同属小型级别的Anthropic“Claude Haiku 5.5”和OpenAI“GPT-6 Luna”（均为推理设置调到最高时的结果，按Ember／Haiku 5.5／GPT-6 Luna的顺序）。
- 业务自动化（AutomationBench）：37.8／13.9／20.2
- 电脑操作（OSWorld 2.1，含部分得分）：69.5／68.9／50.5
- 编程智能体综合指数（Coding Agent Index）：46／37／31
在第三方机构Artificial Analysis的综合指数中，它的得分为36，与Haiku 5.5相同。另一方面，在高难度编程任务（FrontierCode 2.0）中，它的得分为27.2，低于Haiku 5.5的34.9。Meta表示，它能以约三分之一的费用达到Haiku 5.5的最佳成绩。
价格方面，输入在20万token以内时，每100万token输入0.10美元、输出0.50美元。超过这一长度的输入，则为输入0.30美元、输出1.50美元。与更高端的Muse Spark 1.3（输入1.25美元、输出4.25美元）相比，输入价格约为其12分之1。一次可处理的文本量（上下文）为100万token，单次输出最多51.2万token。
可用渠道
Muse Ember可在Meta的API“Meta Model API”和开发工具“Muse Code”中使用，模型名称为“muse-ember-1.0”。与此同时，Muse Ember、Muse Spark和Muse Wonder也可通过Google Cloud和Oracle Cloud使用。Meta的公告中并未提到会以任何人都能下载的开放权重形式发布，也没有说明能否在面向用户的Muse应用中使用。
CoAI编辑部观点
在AI智能体中，一个请求背后可能会发生数十到数百次模型调用，因此便宜又快速的小型模型越来越重要。Muse Ember以“旗舰模型制定计划、小型模型执行工作”的分工为前提，契合当下智能体的构建方式。
不过，公布的评测大多由Meta自己或评测机构测得，其中也包括Meta内部的评测。如果考虑从Haiku 5.5等模型迁移过来，最稳妥的做法是先在自己的业务中比较准确度和费用，再做决定。
