OpenAI GPT-6 系列中的小型高效版本，面向低成本高频调用场景
Meta 推出迄今最小、最高效的模型 Muse Ember，专为智能体日常高频任务设计，覆盖工具调用、小型编码、请求路由、数据抽取与长文档处理。官方称其在各推理档位的每美元智能均优于 Claude Haiku 5.5 与 GPT-6 Luna，单任务成本约 0.14 美元，但真实编码基准 FrontierCode 2.0-AA 上落后于 Haiku。模型支持文本、图像、音频、视频与百万级上下文，已通过 Meta Model API 与 Muse Code 开放，定价为每百万输入 0.10 美元、输出 0.50 美元。
Meta 的 Muse Ember (Max) 以 1608 分登顶 Code Arena WebDev 小模型榜，超过 Claude Haiku 5.5 与 GPT-6 Luna。在相同 API 定价下，其单任务中位成本仅 0.03 美元，约为 Luna 的一半、Haiku 的四分之一，处于成本与性能的帕累托前沿。测试中单任务平均耗时约 2 分钟，可一次性生成 20 多个网站与动画。
Meta 推出迄今最小最高效的模型 Muse Ember，主打复杂推理执行与日常智能体工作流，支持跨应用操作、顺序调用工具、运行测试并做定向代码修复，具备 100 万 token 上下文与原生多模态理解。在 Code Arena WebDev 榜单上以 1608 分成为最强小模型，超过 Claude Haiku 5.5 与 GPT-6 Luna，且中位单任务成本仅 0.03 美元，处于帕累托前沿。
Muse 推出其最小、最高效的模型 Muse Ember，面向工具调用、编码子任务、路由、信息抽取与长文档解析等智能体高频重复工作。官方称其在任意推理档位下单位成本智能均优于 Claude Haiku 5.5 与 GPT-6 Luna，并以约三分之一成本追平 Haiku 最佳成绩，处于 Artificial Analysis 榜单效率前沿。