Meta 发布 Muse Ember 用于高容量智能体工作流

Meta 的新 Muse Ember 模型可以在成本仅约为三分之一的情况下达到与 Claude Haiku 5.5 相媲美的性能，使其成为“智能体”工作流的高效率选择。该模型专为工具调用、路由和长文档解析等可重复任务而设计，旨在为构建自动化系统的开发者提供高性价比的智能能力。

此抽象插图作为 Muse Ember 发布的主要视觉效果，代表该模型在复杂智能体工作流中的角色。

前沿领域的效率

Muse Ember 的设计目标是处于 Artificial Analysis 排行榜的“效率前沿”，这意味着目前没有任何其他模型能在更低的每任务成本下获得更高的分数。在测试中，它在各种推理设置下展现出了优于 Claude Haiku 5.5 和 GPT-6 Luna 的智能与价格平衡。

该模型的定价为每百万输入 token 0.10 美元，每百万输出 token 0.50 美元。这些成本旨在促进“子智能体”工作，即由大型模型将较小的、结构化的步骤委派给更快速、更便宜的基础模型。

HN Digest 根据 research.meta.ai 报告的数据绘制。数值与来源一致。

Meta 估计 Muse Ember 的成本约为每个 Artificial Analysis 任务 0.14 美元，这一价格点旨在使其能够广泛应用于各种产品的各种高容量生产环境。

“在任何推理设置下，Muse Ember 提供的每美元智能都高于 Claude Haiku 5.5 或 GPT-6 Luna：它以约三分之一的成本达到 Haiku 的最佳分数，并超越了每一个 Luna 设置。”

— Introducing Our Smallest, Most Efficient Model: Muse Ember

编码与自动化的性能

在编码基准测试中，Muse Ember 在延迟和 token 效率方面表现出显著优势。例如，在 You.com 的测试中，该模型完成编码任务的 p95 延迟为 2.2 秒，在比领先的开放权重模型快 4 到 13 倍的同时，减少了 36%–48% 的输出 token。

该模型在自动化基准测试中也表现出色，在 AutomationBench-AA 上获得 37.8% 的分数，几乎是 Claude Haiku 5.5 (13.9%) 的两倍。这使其成为端到端业务工作流的候选模型，例如根据详细简报筛选候选人或根据谈判剧本对合同进行评分。

该模型是为智能体在每个会话中发送数百次的特定编码子任务而构建的，例如读取文件、运行测试和进行针对性修复。

安全性与部署限制

Meta 在其超智能扩展框架下对 Muse Ember 进行了评估，涵盖了网络安全和失去控制等风险。该模型保持在低风险阈值以下，并接受了与 Meta 更大型前沿模型相同的核心安全训练。

尽管具有高效性，Muse Ember 并不旨在作为最困难推理任务的通用替代品。Meta 的策略涉及分层方法：Muse Wonder 处理最困难的问题，而 Muse Ember 管理智能体在整个会话中执行的高容量、可重复任务。

证据边界

虽然主要来源强调了 Muse Ember 在编码和自动化方面的效率和性能，但提供的文本中并未明确确认 100 万 token 的上下文窗口或对音频和视频模态的原生支持。这些特定的技术规范在提供的文档中尚未得到证实。

来源还指出，某些评估结果（例如 OSWorld 2.1）被标记为“部分”或“二进制”，这表明某些性能指标在范围或评分方法上可能存在局限性。