Meta 最小最高效的模型，面向复杂推理执行与智能体工作流，支持 100 万 token 上下文与原生多模态
Meta 发布迄今最小的模型 Muse Ember，官方称其在智能水平上对标 Claude Haiku 5.5，而成本约为后者的三分之一。该模型面向智能体全天重复执行的高频任务，包括工具调用、编码子任务、路由、信息抽取与长文档解析，并已上线 Meta Model API 与 Muse Code。定价为 200K tokens 以内输入 $0.10、输出 $0.50 每百万 tokens，超过 200K 后分别升至 $0.30 与 $1.50。
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 推出高效能模型 Muse Ember，在 Artificial Analysis 智能指数上得分 36，与 Claude Haiku 5.5（max）持平，但单任务成本仅 0.14 美元，约为后者的三分之一。该模型在 AutomationBench-AA 上得分 68.1%，与自家旗舰 Muse Wonder 持平，但整体智能水平落后旗舰 8 分，成本却仅为旗舰的约五十分之一。
Meta 的 Muse Ember 模型已在 OpenRouter 平台上线，定位为面向编码智能体的子任务执行模型。官方建议以 Muse Wonder 等前沿模型负责规划，再将边界明确的子任务分发给 Muse Ember 并行执行。目前仅公布使用方式，未披露模型参数、基准成绩或定价细节。
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。
Meta 推出高效能模型线 Muse Ember，在 Artificial Analysis 智能指数上取得 36 分，与 Claude Haiku 5.5 持平，但单任务成本仅 0.14 美元，约为后者的三分之一。该模型在自动化基准 AutomationBench-AA 上得分 68.1%，与自家旗舰 Muse Wonder 持平，但在智能体编程与部分任务上表现参差。
Meta 超级智能实验室发布迄今最轻量、最具成本效率的模型 Muse Ember，专为智能体高频重复任务设计，覆盖工具调用、编码子任务、路由、信息抽取与长文档解析。其输入价格低至每百万 token 10 美分，官方以 Artificial Analysis 综合基准展示其在成本与智能上优于 Anthropic Haiku 与 OpenAI Luna，并与 DeepSeek V4.1 Flash、GLM 5.3 Flash 等开源竞品形成价格竞争。Ember 定位为与更大模型 Muse Wonder 搭配的智能体执行层。
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。