HKAIWeb 原創封面:昏暗實驗室工作檯上,一個黑色陶瓷坩堝內置一點橙色發光的餘燼,旁邊整齊排列數十枚銅色金屬代幣,檯面邊緣放著一把細長的不鏽鋼卡尺。Meta 於 2026 年 11 月 9 日發布 Muse Ember,官方定價每百萬輸入 token 0.10 美元。

Meta Superintelligence Labs 於 2026 年 11 月 9 日發布 Muse Ember。這是 Meta 迄今最小型、最高效率的模型,主要面向代理每天重複執行的複雜推理工作,包括工具呼叫、程式編碼子任務、請求路由、資料抽取與長文件解析。

以低成本處理大量代理步驟

Meta 表示,Muse Ember 在每個推理層級均以較低的每美元智能量瞄準 Claude Haiku 5.5 與 GPT-6 Luna。官方在 Artificial Analysis Intelligence Index 的比較中指出,Muse Ember 每項任務成本約為 0.14 美元,而分數相近的 Muse Spark 1.3 每項任務成本為 2.39 美元。

模型已於同日透過 Meta Model API 與 Muse Code 上架,識別名稱為 muse-ember-1.0。每百萬輸入 token 定價為 0.10 美元,每百萬快取輸入 token 為 0.004 美元,每百萬輸出 token 為 0.50 美元;模型提供 1M-token context window,最高支援 512K output tokens,並支援 Responses API。

針對代理工作流設計

Meta 的設計重點並非單次大型推理,而是讓代理系統以低成本完成大量結構化步驟。Muse Ember 可處理文字、圖像、音訊與影片,亦可分析螢幕截圖、圖表、掃描文件、語音備忘、會議錄音與影片。官方測試涵蓋 AutomationBench-AA、Agents’ Last Exam、Personal Superintelligence Index、Terminal-Bench 4.0、OSWorld 2.1 及 PerceptionBench。

根據 Meta 公布的比較結果,Muse Ember 在 AutomationBench-AA 取得 37.8%,在 Agents’ Last Exam 取得 61.6%,在 Personal Superintelligence Index 取得 46.8%。不過在 FrontierCode 2.0-AA 真實工程任務中,其 27.2% 分數低於 Claude Haiku 5.5 的 34.9%。

安全與部署定位

Meta 表示,Muse Ember 在化學與生物、網絡安全及失控風險等類別的發布前評估中,均未越過 Meta Superintelligence Scaling Framework 的高風險門檻。該模型接受與大型模型相同的核心安全訓練與測試,並特別評估其在代表用戶行動時對用戶意圖、敏感資料、網頁隱藏指示與高風險操作的處理。

Meta 的定位是把 Muse Ember 與較大型模型配對使用:由大型模型規劃工作,再由 Muse Ember 執行大量重複步驟。這種分工使代理系統可以在成本可控的前提下擴展工具呼叫、文件分析與程式編碼子任務。

來源

圖片credit:HKAIWeb 原創封面,CC BY 4.0。

作者: hkaiweb

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

Social Media Auto Publish Powered By : XYZScripts.com