一句话看懂：Meta Superintelligence Labs于11月9日发布Muse Ember，一款仅通过Meta托管基础设施提供、支持1M上下文和512K输出的多模态推理模型，定位为Agent重复性任务的高性价比执行层。官方数据显示其AA智能指数与Claude Haiku 5.5持平，但每任务成本约0.136美元，仅为后者的三分之一。
事件核心：发生了什么
Muse Ember是Muse品牌第四款模型，排在Spark、Glimmer、Wonder之后，也是Meta首次用最大模型Muse Wonder Full训练出的产物。按Meta的定位，Wonder负责规划难题，Ember承接规模化重复工作，覆盖工具调用、编码子任务、路由、信息抽取和长文档解析。模型原生接受文本、图像、音频和视频，可读取截图、图表、扫描件与会议录音。基准测试方面，据Meta公布的数据：AutomationBench-AA完成率37.8%，高于GPT-6 Luna的20.2%和Haiku 5.5的13.9%；Terminal-Bench 4.0得分40.9领先；但FrontierCode 2.0-AA仅27.2，落后Haiku的34.9。上述结果均限定在max reasoning effort条件及Meta与Artificial Analysis的评测口径内。
为什么重要
这家公司正把模型矩阵按任务难度分层，而不是用一个通用大模型通吃。Ember的卖点不在绝对智能上限，而在单位任务成本：输入输出单价与竞品一致（每百万tokens 0.10/0.50美元），成本优势来自每任务消耗的token更少；Meta也未设置长上下文加价档，而Haiku在10万tokens以上、Luna在27.2万tokens以上都会提价。对Agent应用而言，调用频次高、单步价值低，推理成本直接决定产品毛利，这类小而专的模型可能比旗舰模型更快进入生产环境。同时，闭源且只走Meta Model API与Muse Code，意味着Meta试图把Agent流量锁进自家云与API生态。
对用户/开发者/创作者的影响
开发者方面，Ember支持Responses API，早期测试伙伴包括Box、Cline、Oracle、Cloudflare等，适合批处理式文档解析、截图操作桌面应用、多模态抽取等场景。但权重不公开，无法本地部署或量化，对数据合规要求高、需要私有化推理的团队不适用。编码场景要谨慎：合并真实仓库代码这类任务上Ember弱于Haiku，更适合拆解后的子任务而非端到端代码合并。创作者和企业采购可把它视为“跑量层”选项，与规划层模型组合使用，但需先用自身工作流复测成本与成功率。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是Meta是否开放更多区域与配额，以及长上下文是否长期维持不加价；二是FrontierCode类真实仓库编码短板能否通过后续版本补齐；三是Anthropic与OpenAI是否针对Agent跑量场景推出更低成本的专用档位。
