Meta发布Muse Ember模型,支持100万token上下文,主打高并发Agent任务
来源标题:Meta Releases Muse Ember, a 1M-Context Model for High-Volume Agent Work
Meta Superintelligence Labs发布旗下最小模型Muse Ember,专为Agent中的工具调用、编码子任务和长文档解析等重复性步骤设计。该模型支持100万token上下文和最高51.2万token输出,在Artificial Analysis智能指数上得分36,与Claude Haiku 5.5持平,但每任务成本约为0.136美元,仅后者约三分之一。模型权重不公开,仅通过Meta自家API和Muse Code托管运行。
以下正文由 AI 翻译自 MarkTechPost(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
Meta Superintelligence Labs 发布了 Muse Ember,这是其最小、最高效的模型。Meta Muse Ember 是一个托管式多模态推理模型,专为智能体中的重复性步骤而打造。Meta 将工具调用、编码子任务、路由、信息提取和长文档解析列为目标场景。它在 Artificial Analysis Intelligence Index 上得分 36,与最大努力模式下的 Claude Haiku 5.5 持平。Meta 给出的成本约为每项指数任务 0.14 美元。
摘要
- 规模:100 万 token 上下文窗口,最多 512K 输出 token。
- 运行方式:仅在 Meta 的托管基础设施上运行(Meta Model API 和 Muse Code)。权重不公开,因此没有本地 GPU、笔记本或量化版本可选。
- 性能:在 AA Intelligence Index 上以 36 分与 Claude Haiku 5.5(最大努力)持平,领先于 GPT-6 Luna(28 分)。
- 最佳项:AutomationBench-AA 得分 37.8,而 GPT-6 Luna 为 20.2,Claude Haiku 5.5 为 13.9。
- 最差项:FrontierCode 2.0-AA 得分 27.2,落后于 Claude Haiku 5.5 的 34.9。
- 总结:优势:以每任务 0.136 美元实现 Haiku 级别的智能,而后者为 0.411 美元。劣势:权重不公开,且在可合并的真实仓库代码任务上较弱。
什么是 Meta Muse Ember?
Muse Ember 是 Meta 推出的一款小型推理模型,面向高并发的智能体子任务。它是 Muse 品牌下的第四款模型,前三款分别是 Spark、Glimmer 和 Wonder。
Meta 将其定位在自家更大型模型之下。Muse Wonder 负责最难的问题,Muse Spark 覆盖编码和智能体工作流。Ember 则大规模承接可重复的编码与智能体任务。用 Meta 自己的话说:Muse Wonder 负责规划,Muse Ember 负责走量。
Muse Ember 如何工作?
Muse Ember 是 Meta 首个使用其最大模型 Muse Wonder Full 训练出来的模型。
该模型原生支持文本、图像、音频和视频输入。这让智能体无需另用模型,就能读取截图、图表、扫描页、语音备忘录和会议录音。它还能根据截图操作桌面应用。
100 万 token 的上下文窗口可在一次调用中容纳完整代码库或整套文档。输出上限为 512K token,是两个竞品 128K 上限的 4 倍。
Muse Ember 在基准测试中表现如何?
以下所有结果均为最大推理努力下的成绩,由 Meta 报告。部分来自 Artificial Analysis(AA),部分来自 Meta 的内部测试套件。
- 智能体:在包含 657 个 Zapier 业务工作流的 AutomationBench-AA 上,Ember 完成任务的比例为 37.8%。GPT-6 Luna 为 20.2%,Claude Haiku 5.5 为 13.9%。在 Agents’ Last Exam(内部)上,Ember 得分 61.6,对比为 57.1 和 57.0。
- 编码:Ember 在 Terminal-Bench 4.0 上以 40.9 领先,Haiku 为 39.2,Luna 为 16.4。它还在 AA Coding Agent Index 上领先,得分为 46 对 37 对 31。它在 FrontierCode 2.0-AA 上落败,Haiku 得分 34.9,Ember 为 27.2。
- 多模态:Ember 在 GDP.pdf-AA 上以 22.8 与 GPT-6 Luna 持平。它在 OSWorld 2.1 上以部分得分 69.5 对 68.9 略胜 Haiku。带工具的 PerceptionBench 给 Ember 80.6,Haiku 78.6,Luna 62.8。
为什么 token 价格相同,Muse Ember 每任务成本更低?
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。缓存输入每百万 token 收费 0.004 美元。Claude Haiku 5.5 和 GPT-6 Luna 的基础标价相同。
在标价一致的情况下,成本差距必然来自每任务消耗的 token 数量。在 Meta 的图表中,Ember 在最大努力下得分 35.8,每任务成本 0.136 美元。Haiku 5.5 在最大努力下得分 36.2,每任务成本 0.411 美元。Luna 的最佳设置为 27.8 分,每任务成本 0.152 美元。Artificial Analysis 将此概括为:以三分之一的任务成本达到 Haiku 的水平。
长提示在纸面上会拉大差距。Haiku 5.5 在提示超过 100K token 后按 0.50 美元和 2.50 美元收费。GPT-6 Luna 在输入超过 272K token 后输入费率翻倍。Meta 没有为 Ember 列出长上下文档位。
Muse Ember 对比 Claude Haiku 5.5 对比 GPT-6 Luna
功能Muse EmberClaude Haiku 5.5GPT-6 Luna 开发者MetaAnthropicOpenAI 发布日期2026 年 11 月 9 日2026 年 10 月 7 日2026 年 9 月 22 日(来源) 参数量未披露未披露未披露 上下文窗口1M1M1.05M 最大输出512K128K128K 输入类型文本、图像、音频、视频文本、图像文本、图像 权重不公开不公开不公开 每 1M 输入 / 输出$0.10 / $0.50$0.10 / $0.50(提示不超过 100K)$0.10 / $0.50(输入不超过 272K) 每 1M 缓存输入$0.004$0.01$0.01 AA Intelligence Index(最大努力)363628 每项 AA 任务成本(最大努力)$0.136$0.411$0.152 AutomationBench-AA37.813.920.2 Terminal-Bench 4.040.939.216.4 FrontierCode 2.0-AA*27.234.925.2 OSWorld 2.1(部分 / 二元)*69.5 / 33.868.9 / 27.850.5 / 17.0 *基准测试数据行来自 Meta 在发布帖和评估报告中发布的数据,来源于 Artificial Analysis Intelligence Index v5 和 Meta 内部运行结果。
开发者如何访问 Muse Ember?
Ember 已在 Meta Model API 和 Meta 的编码智能体 Muse Code 中提供。它支持 Responses API。早期测试合作伙伴包括 Box、Cline、Oracle、Cloudflare 和 You.com。
关键要点
- Muse Ember 在 AA Intelligence Index 上以 36 分与 Claude Haiku 5.5 持平。
- token 价格同为 $0.10 / $0.50,每任务成本约为 Haiku 的三分之一。
- 在智能体工作流上最强:AutomationBench-AA 得分 37.8。
- 在可合并代码上最弱:FrontierCode 2.0-AA 得分 27.2。
- 权重不公开,仅通过 Meta Model API 和 Muse Code 托管提供。 查看发布帖和评估报告,或在 dev.meta.ai 上试用。另外,欢迎在 Twitter 上关注我们,别忘了加入我们 15 万+ 的 ML SubReddit 并订阅我们的新闻通讯。等等!你在用 Telegram 吗?现在你也可以在 Telegram 上加入我们。 需要与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布、网络研讨会等?联系我们。 文章《Meta Releases Muse Ember, a 1M-Context Model for High-Volume Agent Work》首发于 MarkTechPost。
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。