Meta发布Muse Ember小模型，对标Claude Haiku与GPT-6 Luna

Meta 于周一发布了 Muse Ember，这是其 Muse 模型家族中更小、更高效的多模态成员。

公司显然在采取与其他前沿实验室相似的策略，打造一个覆盖从专注、高吞吐量任务（比如 OpenAI 的 GPT-6 Luna 和 Anthropic 的 Claude Haiku 5.5）到前沿智能（如 OpenAI 的 GPT-6 Astra、Anthropic 的 Claude Fable 5.1，以及最近的 Meta Muse Wonder Full）的模型家族。和竞争对手一样，Meta 也将这款更小的模型定位用于 agentic 子任务，比如读取文件、运行测试和进行有针对性的修复，而由 Muse Wonder 这样的更大模型负责规划。

Muse Ember 已在 Muse Code 中提供，也可通过 Meta Model API 以模型 ID muse-ember-1.0 调用。鉴于 Meta 过去对其他 Muse 模型的做法，它很可能很快也会登陆 OpenRouter 和各类 neocloud 服务。

与之前发布的 Muse 模型一样，Meta 对 Ember 的模型权重保密。

Ember 是 Meta 对小型、高性价比模型的诠释，至少从基准测试来看，它是一个强有力的入局者。 Credit: Meta. 在最大推理强度下，Meta 称 Ember 在 Artificial Analysis 智能指数上每个任务约花费 0.14 美元，而 Haiku 为 0.41 美元，Luna 为 0.15 美元。Ember 的得分与 Haiku 四舍五入后的分数持平，成本约为后者的三分之一；得分高于 Luna，而每任务成本还便宜约一美分。

在 xhigh（Meta 图表中展示的另一个 Ember 设置）下，该模型得分约 34，每任务成本约 0.12 美元。

Muse Ember 定价

Ember 拥有 100 万 token 的上下文窗口，支持最多 512K 输出 token，定价为每百万输入 token 0.10 美元、每百万缓存输入 token 0.004 美元、每百万输出 token 0.50 美元。其输入和输出价格与 GPT-6 Luna 和 Claude Haiku 5.5 的标准短上下文价格一致。后两者在这些价位下缓存输入均为每百万 token 0.01 美元，提示更长时价格更高。Ember 已在 Muse Code 中提供，也可通过 Meta Model API 以 muse-ember-1.0 调用，并支持 Responses API。

与中国竞品的对比

虽然 Meta 没有在图表中直接将新模型与 DeepSeek V4.1 Flash 1017、Z.ai 的 GLM-5.3 Flash 和 MiniMax M3.1 Flash 等中国竞品进行比较，但 Ember 在未缓存输入价格上低于这三家列出的价格。它也低于 DeepSeek 的直接非高峰价格和 MiniMax 列出的输出价格，并与 GLM 持平。DeepSeek 的非高峰缓存命中价格为每百万 token 0.003 美元，略低一些。

例如，在 Artificial Analysis 的智能指数上，Ember 在最大推理强度下得分为 36，而 DeepSeek V4.1 Flash 1017 为 33，MiniMax 为 29，GLM 为 28。与此同时，OpenAI 的 GPT-6 Luna 在同一基准上得分为 28，Haiku 则达到 36，两者均为最大推理强度。

Muse Ember 与 Muse Spark 对比

Meta 自家的 Muse Spark 1.3 在最大推理强度下得分为 37，按对比中使用的标准 API 价格计算，每任务成本为 2.39 美元。Meta 还提供 Spark Contributor 层级，在该层级中它会利用请求来改进其产品。该层级与 Ember 的未缓存输入价格相同，输出收费为每百万 token 0.20 美元。 Credit: Meta. Meta 报告称，在其自有的 Personal Superintelligence Index（衡量个人与知识工作的指标）上，该模型领先于 Haiku 和 Luna。Ember 表现不那么出色的一个基准是 FrontierCode 2.0，该基准评估仓库维护者是否会合并 agent 的改动。Ember 得分为 27.2%，而 Haiku 为 34.9%，DeepSeek 为 28.5%。Spark 1.3 得分为 23.1%。 Meta Muse Ember 基准测试。Credit: Meta.

OSWorld 上的计算机使用能力

Ember 可以接受文本、图像、音频和视频作为输入，Meta 称它能够通过截图操作桌面应用。

在 OSWorld 2.1 上，它的部分得分与 Haiku 几乎相同，为 69.5% 对 68.9%，但完全完成的任务更多，为 33.8%，而 Haiku 为 27.8%，Luna 为 17%。在另一次 OSWorld 2.1 运行中，Spark 1.3 的部分得分与 Ember 几乎相同，并完成了 39.25% 的任务。

Meta 表示，这款新模型是它首次使用更大的 Muse Wonder Full 模型训练的。这与该公司利用 Muse Wonder 训练专业模型的做法类似，这些专业模型已开始在其 Muse 个人 agent 和 Meta AI 中推出。

文章 Meta launches Muse Ember to take on Claude Haiku and GPT-6 Luna 首次出现在 The New Stack 上。