Meta发布Muse Ember，以低价小模型承接智能体的重复工作

11月9日，Meta超级智能实验室推出Muse Ember，将其定位为公司迄今体量最小、面向规模化智能体执行的高效率模型。此次开放覆盖Muse Code全部订阅方案和Meta Model API，支持文本、图像、音频与视频输入，可处理工具调用、编程子任务、信息提取和长文档解析。Meta给出的使用方式是将任务拆开：需要深入规划和推理的环节交给Muse Wonder或Muse Spark，Ember负责边界明确、需要反复执行的工作。

三分之一的计价边界

Meta称，Muse Ember的Artificial Analysis Intelligence Index最佳成绩为36分，与Claude Haiku 5.5持平，按Meta标价估算的每任务成本约为后者的三分之一。Meta开发者公告给出的Ember最高推理设置成本约为每任务0.13美元。这里追平的是综合指数上的小模型Haiku 5.5，三分之一指完成指数任务的模型费用，不能扩大为对整个Claude产品线的性能与价格判断。

这项指标也有明确的任务范围。Artificial Analysis于10月27日发布的v5，把知识工作、编程、科学和通用能力各设为25%权重，60%的指数建立在私有测试集或保留答案上。评测方同时指出，推理设置会改变成绩与费用。因此，综合得分可以帮助筛选模型，企业预算还要结合自身任务消耗的输入、输出及推理量计算。

长输入另设价格档位

Ember的低价有输入长度条件。输入不超过20万token时，Muse Ember每百万输入token收费0.10美元，每百万输出token收费0.50美元。输入超过20万token时，Muse Ember每百万输入token收费0.30美元，每百万输出token收费1.50美元。开发者若持续携带整套文档或代码上下文，就需要按对应档位核算，不能把最低单价直接套到所有请求。

Vals AI确认Ember具有100万token上下文窗口。这个容量让长文档处理成为可用场景，但业务能否享受低档价格，取决于每次实际送入多少内容。多模态输入则扩展了执行对象：Meta列举了扫描文档提取、会议录音整理和结合截图处理缺陷报告等用途，同一工作流可以直接接收这些输入。

迁移代码的分工实验

Meta用一次Pygments代码迁移展示这种分工：将16个语言词法分析器从Python移植到Rust。Muse Wonder根据读取代码的智能体返回的信息制定任务，明确各执行者负责的文件、所需接口和检查方法。过程中，团队发现部分词法分析器需要在分析后重写token流，便先让执行者为共享引擎补上处理能力，再展开移植。这一步说明，任务能否独立执行，需要规划阶段先处理公共依赖。

随后，16个Ember执行智能体各自在独立仓库副本中移植一个词法分析器，运行检查、修复失败并提交代码。Meta报告，全部移植结果通过了383组测试输入，以及来自18个公开仓库的62个真实文件的逐token核对；真实文件在代码冻结后才提供。整次运行按按量付费标价计约3.96美元，包含规划与执行调用。Meta同时说明，运行结果会有变化。

这项示例的可迁移部分是交接方式。Meta要求应用或智能体框架为每次调用选择模型，并传递上下文；执行者遇到更广泛的依赖或不明确要求时，应先把发现交回规划者。直接API调用只返回模型输出，运行工具、接收结果和继续推进流程仍由应用负责。因此，企业采用Ember时，文件权限、验收检查和失败回传都属于工作流本身的建设成本。

专业任务已有独立测评

Vals AI在Vals Index v2.2上测试Muse Ember，综合得分为60.48%，每次测试模型费用为0.15美元，采用max推理设置。这为开发者提供了Meta演示之外的独立测试结果。针对高量级、成本敏感工作的竞争也已有明确产品定位：Anthropic把Haiku 5.5用于摘要、分类、数据库查询等重复负载，并支持通过推理努力设置调整成本与能力。

从这些披露可以推断，Ember最直接的商业机会是承接已经能明确交接、自动检查的执行步骤。应用方若能把公共依赖留在规划阶段，并让批量执行稳定通过验收，低单价才会传到整项工作的账单。若执行者频繁回传问题、重新读取长上下文，规划调用和返工也会继续计费。Meta这次代码迁移给出的，是一条带有任务边界和检查结果的落地路径。