Meta 发布 Muse Ember：面向 Agent 执行的轻量模型，每百万输入 token 10 美分

Meta 超级智能实验室（Meta Superintelligence Lab）本周一发布新模型 Muse Ember，这是该实验室迄今最轻量、成本效率最高的 AI 模型。官方给出的定位非常明确：面向复杂推理执行，以及 Agent 全天反复执行的那类工作而设计。

Ember 是 Meta Muse 品牌发布的第四款模型，此前的发布节奏如下：

• 4 月：中等规模的 Spark
• 8 月：Spark 的开源孪生版本 Glimmer
• 10 月：前沿旗舰模型 Wonder
• 本次：主打轻量与低成本的 Ember

消费级旗舰产品 Muse Agent 于 9 月发布，反响超出预期；Spaces、视频通话等新功能也已在本月早些时候陆续推出。

核心变化：单 token 成本与多模态覆盖

官方在发布说明中称，Ember 被"design for complex reasoning execution and the work agents repeat all day"，覆盖范围具体包括工具调用（tool calls）、编码子任务、路由（routing）、信息抽取以及长文档解析。

成本是这次发布的重点：

• 每百万输入 token 仅 10 美分，显著低于 Anthropic 的 Haiku、OpenAI 的 Luna 等前沿竞品
• 与开源阵营的 DeepSeek V4.1 Flash、GLM 5.3 Flash 处于同一成本区间，可直接对标比较
• Meta 以 Artificial Analysis 的综合基准评分 作为论据，称 Ember 比 Haiku、Luna 这类竞品更便宜，也更聪明

多模态方面，Ember 在训练中覆盖了文本、图像和音频，可处理截图、图表、扫描文档，也能直接处理语音备忘、会议录音与视频。官方表示"agents can read screenshots, charts, and scanned documents, or work from voice memos, meeting recordings, and video without a separate model"——也就是说，无需再挂载一个额外模型。

影响与建议

Ember 并非用来替代大模型，而是与之配套使用。Meta 的产品逻辑是让重型模型与轻量模型组成一套 agentic harness：

• 一个典型的客服 Agent 场景是：重型模型先为某类问题制定处理规则，再把轻量模型派出去在数万条案例上套用这些规则
• Meta 的原话很直白："Muse Wonder plans, Muse Ember handles the volume."（Muse Wonder 负责规划，Muse Ember 负责跑量）

对使用者的实际含义：

• 优先把 Ember 用在量大、重复、规则明确的任务上：分类、抽取、路由、批量文档解析、代码子任务、工具调用编排
• 规划与复杂推理环节仍需交由大模型（如 Wonder 这类前沿模型）承担
• 成本敏感 + 高吞吐的流水线是 Ember 的最佳落点，10 美分/百万输入 token 意味着单次调用的边际成本几乎可以忽略
• 多模态批处理场景值得重点评估：截图、扫描件、会议录音、视频这类输入无需额外模型，减少了编排复杂度与额外成本

延伸阅读

• Artificial Analysis 的综合基准评分