Muse Ember是什么
Muse Ember 是 Meta 推出的最小、最高效 AI 模型，专为智能体重复性工作设计。Muse Ember 用约 1/3 的成本达到 Claude Haiku 5.5 的最佳跑分，全面超越 GPT-6 Luna，位居 Artificial Analysis 效率前沿。Muse Ember 拥有 100 万 Token 上下文、最高 51.2 万 Token 输出，原生支持文本、图像、音频、视频，首个由 Muse Wonder Full 训练而成。
Muse Ember的主要功能
智能体工作流执行：能端到端跑完业务流程，依次调用工具、跨应用更新系统，覆盖记录调取、路由、信息提取等重复性步骤。
大规模编程子任务：针对智能体会话中数百次的小任务设计，包括读文件、跑测试、做定向修复。
超长上下文处理：100 万 Token 上下文窗口、单次最高输出 51.2 万 Token，一次调用可吞入完整代码库或整套文档。
原生多模态理解：模型可处理文本、图像、音频、视频，能读截图、图表、扫描件，能处理语音备忘录、会议录音和视频，根据屏幕截图直接操作电脑。
高性价比推理：约 1/3 于 Claude Haiku 5.5 的单任务成本达到其最佳跑分，每个 AA 任务约 $0.14，低到可嵌入任何产品。
企业级安全：发布前经 Meta 超级智能扩展框架评估，涵盖化生放、网络安全、失控风险及代理行为安全，均低于高风险阈值。
Muse Ember的技术原理
- 以小博大的效率定位：Muse Ember 是 Meta 迄今最小的模型，把”智能密度”做到极致：在完整 Artificial Analysis 榜单上处于效率前沿，没有任何模型能以更低的单任务成本取得更高得分。Muse Ember刻意避开与旗舰模型的正面竞争，转而优化智能体日常消耗的”高频小任务”，工具调用、代码子任务、路由、提取、长文档解析，用低价小模型承接能获得最大的成本杠杆。
- 基于 Muse Wonder Full 的能力蒸馏：Muse Ember 是 Meta 首个用旗舰模型 Muse Wonder Full 训练（蒸馏）而成的专用模型，继承旗舰模型的推理与多模态能力，再针对高效执行场景裁剪和特化。Meta 的模型组合也据此分工：Muse Wonder 负责最难的问题，Muse Spark 负责编程与智能体工作流，Muse Ember 负责以规模化、低成本方式承接重复性任务。
- 长上下文与多模态一体化架构：模型原生统一理解文本、图像、音频、视频，避免智能体在多模态任务中调用多个专用模型的编排开销；配合 100 万 Token 输入和 51.2 万 Token 输出窗口，可在单次调用中处理完整代码库或文档集，让智能体在一次会话内连续完成数百个编程子任务而无需多次往返。
- 与旗舰模型同等的安全训练：尽管体量小，Ember 接受与核心模型相同的安全训练与测试：发布前在 Meta 超级智能扩展框架下评估了化学/生物、网络安全、失控等风险，均低于高风险阈值；同时专门评估了其”代表用户行动”时的行为。
如何使用Muse Ember
通过 Meta Model API 调用：在开发者平台 dev.meta.ai 注册并创建 API Key，向
https://api.meta.ai/v1/responses发送请求，模型 ID 填muse-ember-1.0，兼容 Responses API 格式。用 OpenAI SDK 接入：Ember 兼容主流 SDK，将 base URL 指向
https://api.meta.ai/v1并填入自己的 Key 即可在现有代码中无缝替换。使用 Muse Code 终端编程：运行
curl -fsSL https://dev.meta.ai/install.sh | sh安装官方终端智能体，即可在命令行中让 Ember 自动完成读文件、跑测试、改代码等任务。通过云平台调用：在 Google Cloud 的 Model Garden 或 Oracle Cloud 上选择
muse-ember-1.0，按各平台标准方式开通并计费，适合已有云账号的企业用户。经第三方网关接入：在 OpenRouter（
meta/muse-ember）或 Vercel / Netlify AI Gateway 购买调用额度，一个账号即可统一管理多个模型，适合需要多模型对比切换的开发者。
Muse Ember的核心优势
极致性价比：用约 1/3 于 Claude Haiku 5.5 的单任务成本达到其最佳跑分，并击败 GPT-6 Luna 全部档位，稳居 Artificial Analysis 效率前沿。
智能体任务大幅领先：AutomationBench-AA 得 37.8 分，接近 Haiku 5.5的 2.7 倍、GPT-6 Luna的 1.9 倍。
超长上下文：100 万 Token 输入 + 最高 51.2 万 Token 输出，单次调用可处理完整代码库或整套文档，支撑一次会话数百个编程子任务。
原生多模态：无需借助其他模型可统一处理文本、图像、音频、视频，能读截图、操作电脑、解析扫描件和会议录音，降低智能体编排复杂度。
旗舰能力下放：作为首个由 Muse Wonder Full 训练而成的模型，用最小体量继承了旗舰模型的推理与多模态能力。
Muse Ember的项目地址
- 项目官网：https://research.meta.ai/blog/muse-ember
Muse Ember的同类竞品对比
| 对比维度 | Muse Ember | Claude Haiku 5.5 |
|---|---|---|
| 定位 | 最小、最高效的智能体执行模型 | 轻量级推理模型 |
| 输入价格 | $0.10 / 百万 Token（>20 万 Token 涨至 $0.30） | 更高（约为 Ember 的数倍） |
| 输出价格 | $0.50 / 百万 Token（>20 万 Token 涨至 $1.50） | 更高 |
| 缓存输入 | $0.004 / 百万 Token | — |
| 单任务成本 | 约 $0.136–0.14（AA 实测） | 约 $0.411（max 档，达到同等分数时） |
| 综合跑分（AA Index, max） | 36 | 36（打平，但成本高约 3 倍） |
| 智能体工作流（AutomationBench-AA） | 37.8（大幅领先） | 13.9 |
| 智能体任务（Agents’ Last Exam） | 61.6 | 57.0 |
| 终端编程（Terminal-Bench 4.0） | 40.9 | 39.2 |
| 真实工程任务（FrontierCode 2.0-AA） | 27.2 | 34.9（Haiku 唯一明显领先项） |
| 计算机操作（OSWorld 2.1） | 69.5 | 68.9 |
| 上下文窗口 | 100 万 Token | 较小（Haiku 系列为 20 万级） |
| 最大输出 | 51.2 万 Token | 较小 |
| 多模态 | 原生文本+图像+音频+视频 | 文本+图像为主 |
| 训练来源 | 首个由 Muse Wonder Full 蒸馏的专用模型 | Anthropic 自研 |
| 接入渠道 | Meta Model API、Muse Code、Google Cloud、Oracle Cloud、OpenRouter | Anthropic API、Claude 生态 |
| 消费级 App | 未上架 Meta AI App | 已集成 Claude 产品生态 |
Muse Ember的应用场景
企业文档智能审核：Box 用对合同逐条比对公司谈判手册并给出整体风险评级，或按详细简历筛选候选人并标记临界合格者，实现高速、高 Token 效率的企业内容处理。
大规模编程子任务：智能体会话中数百次的高频小任务，读文件、跑测试、做定向修复，由 Ember 以低成本承接，最难的架构设计则交给 Muse Wonder 规划。
端到端业务流程自动化：可自动完成跨应用的完整业务工作流，包括调取记录、顺序调用工具、更新系统，覆盖企业日常重复性的数据搬运与流程执行。
多模态内容处理：原生处理语音备忘录、会议录音、视频、截图和扫描文档，无需接入其他模型即可从非结构化多媒体中提取信息并执行后续操作。
相关文章
