Meta发布Muse Ember：面向Agent子任务的高效多模态模型
Meta Releases Muse Ember, a 1M-Context Model for High-Volume Agent Work
Agent开发者的降本利器，同级别智能下成本砍掉三分之二，跑批量工作流值得重点关注。
Meta Superintelligence Labs has released Muse Ember, its smallest and most efficient model. Meta Muse Ember is a hosted multimodal reasoning model built for the repetitive steps inside agents. Meta lists tool calls, coding subtasks, routing, extraction and long document parsing as targets. It scores 36 on the Artificial Analysis Intelligence Index, level with Claude Haiku 5.5 at max effort. Meta puts its cost at about $0.14 per index task.
Meta Superintelligence Labs 发布了 Muse Ember，这是其最小且最高效的模型。Meta Muse Ember 是一个托管的多模态推理模型，专为代理（agents）内部的重复性步骤而构建。Meta 将其目标列为工具调用、编码子任务、路由、提取和长文档解析。它在 Artificial Analysis Intelligence Index 上得分为 36，与 Claude Haiku 5.5 在最大努力下的表现持平。Meta 称其成本约为每个索引任务 0.14 美元。
TL;DR
TL;DR（太长不看版摘要）
- Size: 1M-token context window, up to 512K output tokens.
- Runs on: Meta’s hosted infrastructure only (Meta Model API and Muse Code). Weights are private, so there is no local GPU, laptop or quantized option.
- Performance: Ties Claude Haiku 5.5 (max) at 36 on the AA Intelligence Index, ahead of GPT-6 Luna (28).
- Best: AutomationBench-AA at 37.8, versus 20.2 for GPT-6 Luna and 13.9 for Claude Haiku 5.5.
- Worst: FrontierCode 2.0-AA at 27.2, behind Claude Haiku 5.5 at 34.9.
- Bottom line: Best: Haiku-level intelligence at $0.136 per task versus $0.411. Worst: closed weights and weaker on mergeable real-repo code.
- 规模：1M-token 上下文窗口，最多支持 512K 输出 token。
- 运行环境：仅限 Meta 托管的基础设施（Meta Model API 和 Muse Code）。权重不公开，因此没有本地 GPU、笔记本电脑或量化版本选项。
- 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）。
- 最佳表现：AutomationBench-AA 得分 37.8，相比之下 GPT-6 Luna 为 20.2，Claude Haiku 5.5 为 13.9。
- 最差表现：FrontierCode 2.0-AA 得分 27.2，落后于 Claude Haiku 5.5 的 34.9 分。
- 总结：最佳情况：Haiku 级别的智能水平，每任务成本为 0.136 美元，对比 0.411 美元。最差情况：权重封闭，且在可合并的真实仓库代码方面表现较弱。
What is Meta Muse Ember?
什么是 Meta Muse Ember？
Muse Ember is a small reasoning model from Meta for high-volume agent subtasks. It is the fourth model under the Muse brand, after Spark, Glimmer and Wonder.
Muse Ember 是 Meta 推出的小型推理模型，用于处理高并发的代理子任务。它是 Muse 品牌下的第四款模型，此前已有 Spark、Glimmer 和 Wonder。
Meta positions it below its larger models. Muse Wonder handles the hardest problems and Muse Spark covers coding and agentic workflows. Ember takes repeatable coding and agent tasks at scale. Meta’s own framing: Muse Wonder plans, Muse Ember handles the volume.
Meta 将其定位低于其大型模型。Muse Wonder 处理最困难的问题，Muse Spark 涵盖编码和代理工作流。Ember 则专注于大规模的可重复编码和代理任务。Meta 自身的表述是：Muse Wonder 负责规划，Muse Ember 负责处理海量任务。
How does Muse Ember work?
Muse Ember 是如何工作的？
Muse Ember is the first model Meta trained using Muse Wonder Full, its largest model.
Muse Ember 是 Meta 使用其最大模型 Muse Wonder Full 训练的首款模型。
The model natively accepts text, images, audio and video. That lets an agent read screenshots, charts, scanned pages, voice memos and meeting recordings without a separate model. It also operates desktop apps from screenshots.
该模型原生支持文本、图像、音频和视频。这使得代理无需借助单独的模型即可读取截图、图表、扫描页面、语音备忘录和会议录音。它还能通过截图操作桌面应用程序。
The 1M-token context window fits a full codebase or document set in one call. Output runs up to 512K tokens, 4x the 128K cap on both rivals.
1M-token 的上下文窗口可以在一次调用中容纳完整的代码库或文档集。输出最多可达 512K token，是两款竞争对手 128K 上限的四倍。
How does Muse Ember perform on benchmarks?
Muse Ember 在基准测试中的表现如何？
All results below are at max reasoning effort, as reported by Meta. Some come from Artificial Analysis (AA), others from Meta’s internal suite.
以下所有结果均来自 Meta 报告的最大推理努力状态。部分数据来自 Artificial Analysis (AA)，其他数据来自 Meta 的内部套件。
- Agents: On AutomationBench-AA, 657 Zapier business workflows, Ember completes 37.8% of tasks. GPT-6 Luna reaches 20.2% and Claude Haiku 5.5 reaches 13.9%. On Agents’ Last Exam (internal), Ember scores 61.6 versus 57.1 and 57.0.
- Coding: Ember leads Terminal-Bench 4.0 with 40.9 versus Haiku’s 39.2 and Luna’s 16.4. It also leads the AA Coding Agent Index, 46 to 37 to 31. It loses FrontierCode 2.0-AA, where Haiku scores 34.9 and Ember 27.2.
- Multimodal: Ember ties GPT-6 Luna on GDP.pdf-AA at 22.8. It edges Haiku on OSWorld 2.1, 69.5 versus 68.9 on partial credit. PerceptionBench with tools gives Ember 80.6, Haiku 78.6 and Luna 62.8.
- 代理能力：在 AutomationBench-AA 上，针对 657 个 Zapier 业务工作流，Ember 完成了 37.8% 的任务。GPT-6 Luna 达到 20.2%，Claude Haiku 5.5 达到 13.9%。在 Agents’ Last Exam（内部测试）中，Ember 得分为 61.6，对比两者分别为 57.1 和 57.0。
- 编码能力：Ember 以 40.9 分领先 Terminal-Bench 4.0，Haiku 为 39.2，Luna 为 16.4。在 AA Coding Agent Index（AA 编码代理指数）中，Ember 同样领先，得分为 46，Haiku 为 37，Luna 为 31。但在 FrontierCode 2.0-AA 测试中，Ember 落后，Haiku 得分为 34.9，Ember 为 27.2。
- 多模态能力：Ember 在 GDP.pdf-AA 上与 GPT-6 Luna 持平，均为 22.8 分。在 OSWorld 2.1 上，Ember 以微弱优势领先 Haiku，得分分别为 69.5 和 68.9（基于部分计分）。在使用工具的 PerceptionBench 测试中，Ember 得分为 80.6，Haiku 为 78.6，Luna 为 62.8。
Why is Muse Ember cheaper per task if token prices match?
如果令牌价格相同，为什么 Muse Ember 每任务的成本更低？
Muse Ember costs $0.10 per million input tokens and $0.50 per million output tokens. Cached input costs $0.004 per million. Claude Haiku 5.5 and GPT-6 Luna list the same base rates.
Muse Ember 的输入令牌价格为每百万 0.10 美元，输出令牌为每百万 0.50 美元。缓存输入的代价为每百万 0.004 美元。Claude Haiku 5.5 和 GPT-6 Luna 列出的基础费率相同。
With identical list prices, the cost gap must come from tokens used per task. On Meta’s chart, Ember at max scores 35.8 for $0.136 per task. Haiku 5.5 at max scores 36.2 for $0.411. Luna’s best setting scores 27.8 for $0.152. Artificial Analysis summarised this as matching Haiku at a third of the cost per task.
在列表价格相同的情况下，成本差距必然源于每任务使用的令牌数量。根据 Meta 的图表，Ember 在最高得分时达到 35.8 分，每任务成本为 0.136 美元。Haiku 5.5 在最高得分时达到 36.2 分，每任务成本为 0.411 美元。Luna 的最佳设置得分为 27.8，每任务成本为 0.152 美元。Artificial Analysis 将其总结为：以三分之一的单任务成本匹配 Haiku 的性能。
Long prompts widen the gap on paper. Haiku 5.5 charges $0.50 and $2.50 above 100K prompt tokens. GPT-6 Luna doubles input rates above 272K input tokens. Meta lists no long-context tier for Ember.
长提示词进一步拉大了纸面成本差距。Haiku 5.5 对超过 10 万提示词令牌的请求收取额外费用，分别高出 0.50 美元和 2.50 美元。GPT-6 Luna 在输入令牌超过 27.2 万时，输入费率翻倍。Meta 未列出 Ember 的长上下文层级定价。
Muse Ember vs Claude Haiku 5.5 vs GPT-6 Luna
Muse Ember 与 Claude Haiku 5.5 及 GPT-6 Luna 对比
| Feature | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| Developer | Meta | Anthropic | OpenAI |
| Released | Nov 9, 2026 | Oct 7, 2026 | Sep 22, 2026 (source) |
| Parameters | Not disclosed | Not disclosed | Not disclosed |
| Context window | 1M | 1M | 1.05M |
| Max output | 512K | 128K | 128K |
| Inputs | Text, image, audio, video | Text, image | Text, image |
| Weights | Closed | Closed | Closed |
| Input / output per 1M | $0.10 / $0.50 | $0.10 / $0.50 (up to 100K prompt) | $0.10 / $0.50 (up to 272K input) |
| Cached input per 1M | $0.004 | $0.01 | $0.01 |
| AA Intelligence Index (max)* | 36 | 36 | 28 |
| Cost per AA task (max)* | $0.136 | $0.411 | $0.152 |
| AutomationBench-AA* | 37.8 | 13.9 | 20.2 |
| Terminal-Bench 4.0* | 40.9 | 39.2 | 16.4 |
| FrontierCode 2.0-AA* | 27.2 | 34.9 | 25.2 |
| OSWorld 2.1 (partial / binary)* | 69.5 / 33.8 | 68.9 / 27.8 | 50.5 / 17.0 |
| 功能 | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| 开发者 | Meta | Anthropic | OpenAI |
| 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 | 1M | 1M | 1.05M |
| 最大输出长度 | 512K | 128K | 128K |
| 支持输入类型 | 文本、图像、音频、视频 | 文本、图像 | 文本、图像 |
| 权重状态 | 闭源 | 闭源 | 闭源 |
| 每百万输入/输出价格 | $0.10 / $0.50 | $0.10 / $0.50（提示词上限 100K） | $0.10 / $0.50（输入上限 272K） |
| 每百万缓存输入价格 | $0.004 | $0.01 | $0.01 |
| AA Intelligence Index (max)* | 36 | 36 | 28 |
| 每 AA 任务成本 (max)* | $0.136 | $0.411 | $0.152 |
| AutomationBench-AA* | 37.8 | 13.9 | 20.2 |
| Terminal-Bench 4.0* | 40.9 | 39.2 | 16.4 |
| FrontierCode 2.0-AA* | 27.2 | 34.9 | 25.2 |
| OSWorld 2.1 (partial / binary)* | 69.5 / 33.8 | 68.9 / 27.8 | 50.5 / 17.0 |
*Benchmark rows as published by Meta in its launch post and evaluation report, sourced from Artificial Analysis Intelligence Index v5 and Meta internal runs.
*基准测试行数据源自 Meta 在其发布帖子和评估报告中公布的内容，参考 Artificial Analysis Intelligence Index v5 及 Meta 内部测试结果。
How can developers access Muse Ember?
开发者如何访问 Muse Ember？
Ember is available on the Meta Model API and in Muse Code, Meta’s coding agent. It supports the Responses API. Partners in early testing included Box, Cline, Oracle, Cloudflare and You.com.
Ember 可在 Meta Model API 以及 Meta 的编码代理 Muse Code 中使用。它支持 Responses API。早期测试合作伙伴包括 Box、Cline、Oracle、Cloudflare 和 You.com。
Key Takeaways
关键要点
- Muse Ember ties Claude Haiku 5.5 at 36 on the AA Intelligence Index.
- Same $0.10 / $0.50 token prices, about a third of Haiku’s cost per task.
- Strongest on agent workflows: 37.8 on AutomationBench-AA.
- Weakest on mergeable code: 27.2 on FrontierCode 2.0-AA.
- Closed weights, hosted only via Meta Model API and Muse Code.
- 在 AA Intelligence Index 上，Muse Ember 与 Claude Haiku 5.5 并列，得分均为 36。
- 相同的 $0.10 / $0.50 代币价格，每项任务成本约为 Haiku 的三分之一。
- 在智能体工作流方面表现最强：AutomationBench-AA 得分 37.8。
- 在可合并代码方面表现最弱：FrontierCode 2.0-AA 得分 27.2。
- 闭源权重，仅通过 Meta Model API 和 Muse Code 提供托管服务。
Check out the launch post and the evaluation report, or try it on dev.meta.ai.. Also, feel free to follow us on Twitter and don’t forget to join our 150k+ML SubReddit and Subscribe to our Newsletter. Wait! are you on telegram? now you can join us on telegram as well.
查看发布文章和评估报告，或在 dev.meta.ai 上试用。也欢迎在 Twitter 上关注我们，别忘了加入拥有超过 15 万成员的 ML SubReddit 并订阅我们的新闻通讯。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力