Meta 釋出最小模型 Muse Ember：專跑 Agent 雜活，百萬 Token 輸入僅 0.1 美元

如果你搭過 AI Agent 就會知道，最讓人心疼的不是那個複雜的推理步驟，而是後面的海量雜活。

改幾行程式碼、跑一下終端命令、解析成百上千張截圖和發票，大模型一旦反覆調工具，Token 就像流水一樣燒掉。Meta 顯然也算過這筆賬，於是拿出了自稱迄今最小、最便宜的多模態模型：Muse Ember。

這個模型不打算當全能學霸，它的定位非常清晰：給複雜 Agent 充當幹苦力的「小工」，專門處理高頻、重複、邊界清晰的執行任務。

專挑髒活累活幹的小號選手

按 Meta 的官方說法，Muse Ember 已經在 Meta Model API 和 AI 程式設計工具 Muse Code 中上線，模型代號為 muse-ember-1.0。

它的定價直接把門檻壓得很低：20 萬 Token 以內的輸入，每百萬 Token 只要 0.10 美元，輸出只要 0.50 美元；即便超過 20 萬 Token，輸入和輸出也分別只有 0.30 和 1.50 美元。

雖然體型小，它卻是個原生多模態模型，同時支援文字、影像、音訊和影片輸入。這意味著 Agent 在排查 bug 時可以直接看截圖，整理會議紀要時能直接啃錄音，不需要在前面額外掛一個專門的轉錄或識圖模型。

更值得看的是它的成績單。在第三方機構 Artificial Analysis 的綜合智慧指數里，Muse Ember 跑出了 36 分，和同級別的 Claude Haiku 5.5 打成平手，把只有 28 分的 GPT-6 Luna 甩在身後。

但最有殺傷力的是價效比。Mark Zuckerberg 表示它在同類模型中提供了更高的單位美元智力。據 Artificial Analysis 的實測，跑完同一套綜合測試，Muse Ember 平均每道題花費約 0.14 美元，而 Haiku 5.5 要花 0.41 美元。換句話說，單價看著差不多，但 Ember 解題用的 Token 更少，實際幹活成本降到了後者的三分之一左右。

在具體的工程場景上，Muse Ember 也有亮點。在終端互動測試 Terminal-Bench 4.0 上，它跑出了 40.9% 的成績，超過了 Haiku 5.5 和 GPT-6 Luna；在端到端業務工作流 AutomationBench-AA 上更是拿到 37.8 分，遠高於競品。不過它的短板同樣明顯：知識庫相對匱乏，在問答測試中正確率僅有 21.1%，因為有超過六成的題它直接選擇放棄不答，好在幻覺率只有 17.4%，比 Haiku 少了一半。

一個管宏觀，十六個打下手

Meta 推薦的用法，是把 Muse Ember 和它家的大模型 Muse Wonder 組合起來幹活。

在官方給出的示例裡，Meta 嘗試把 Python 語法高亮工具 Pygments 裡的 16 個語言詞法解析器一口氣轉寫成 Rust。主腦 Muse Wonder 負責做全域性規劃，把任務拆解成 16 份獨立的子任務規範，順便處理介面相容性問題。而 16 個 Muse Ember 例項則在後臺併發寫程式碼、跑測試、修正編譯錯誤。

整個轉寫過程中，Muse Ember 消耗了高達 1.58 億輸入 Token，但因為單價極低，只花了 1.84 美元；加上主腦 Wonder 的呼叫，總成本不到 4 美元。

另一個整理 10000 張雜亂相片的任務也是同理。Wonder 負責抽出樣本確定相簿分類並寫出處理指令碼，剩下的讀圖、起標題、歸檔全丟給 Ember。最終一萬張照片整理完畢，總共只花了 1.33 美元，其中 Ember 佔了 0.52 美元。如果全程用昂貴的大模型硬跑，費用很容易直接飆上 20 美元。

另外，Muse Ember 也是 Meta 第一個完全由 Muse Wonder Full 訓練出來的小模型，不過 Meta 依然把它當作雲端 API 運營，目前沒有在 Hugging Face 開源權重。

為什麼重要

在過去一年裡，各家廠商卷的大多是推理天花板，但開發者在工程落地時遇到的最大痛點其實是成本。做一套自主執行的 Agent 很容易因為無限迴圈和批次呼叫把賬單打爆。

Meta 拿出 Muse Ember，我們認為是一次非常聰明的務實轉向。它不再試圖讓單個模型面面俱到，而是把大模型當作專案架構師，把小模型做成高吞吐量的流水線工人。多模態能力的補齊，更讓它省去了掛載視覺和語音小模型的管道開銷。

對於開發者和企業來說，如果你正在跑需要頻繁讀長文件、分析截圖、執行終端命令的自動化流程，Muse Ember 絕對值得馬上接入試一試，相容 OpenAI 格式的介面讓替換成本幾乎為零。即使它不開放權重，單憑極低的單任務成本，也能顯著改善多智慧體協作的 ROI。

對行業而言，這場針對小模型執行效率的內捲才剛剛開始。當 Anthropic 的 Haiku 和 OpenAI 的 Luna 還在單兵作戰，Meta 已經把「大腦帶小工」的工作流打包成了標準範式。壓力現在來到了對手這邊：如果拿不出在單位美元產出上更有競爭力的工具呼叫模型，開發者用腳投票的速度可能會非常快。