AI资讯

Meta 发布 Muse Ember:主打低价小模型,对标 Claude Haiku 5.5 与 GPT-6 Luna

来源The New Stack查看原文

速览

  • Meta 补齐小模型产品线,直接对标 Claude Haiku 5.5 与 GPT-6 Luna
  • 输入输出价格与两家持平,但缓存输入价格低一个数量级
  • 同分同价对比中,Ember 单任务成本约为 Haiku 的三分之一
  • 未缓存输入价格低于 DeepSeek、GLM、MiniMax 三家国内小模型
  • 代码合并类基准 FrontierCode 2.0 落后 Haiku 约 7.7 个百分点
  • 支持截图操作桌面应用,OSWorld 完整任务完成率高于两个竞品
  • 权重不公开,延续 Meta 近期 Muse 系列的闭源路线
  • 用大模型训练小模型,与 Muse Wonder 训练专用模型的思路一致

Meta 周一发布 Muse Ember,这是 Muse 模型家族中更小、更高效的多模态成员,定位与 OpenAI 的 GPT-6 Luna、Anthropic 的 Claude Haiku 5.5 相同,用于 Agent 子任务,例如读文件、跑测试、做针对性修复,规划类工作交给 Muse Wonder 这类大模型。Muse Ember 已在 Muse Code 和 Meta Model API 上线,模型 ID 为 muse-ember-1.0,支持 Responses API,权重不公开。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,输入输出价格与 GPT-6 Luna、Claude Haiku 5.5 的标准短上下文价格持平,缓存输入价格更低(这两家为每百万 0.01 美元)。在 Artificial Analysis Intelligence Index 上,Muse Ember 在 max reasoning 下得分 36,单任务成本约 0.14 美元;Haiku 同为 36 分但成本 0.41 美元,Luna 为 28 分、成本 0.15 美元。xhigh 设置下得分约 34,单任务成本约 0.12 美元。与国内模型相比,Muse Ember 的未缓存输入价格低于 DeepSeek V4.1 Flash 1017、GLM-5.3 Flash 和 MiniMax M3.1 Flash,输出价格也低于 DeepSeek 和 MiniMax、与 GLM 持平;同榜得分上,DeepSeek 为 33、MiniMax 为 29、GLM 为 28。Muse Ember 支持 1M token 上下文窗口、最多 512K 输出 token,可接收文本、图像、音频、视频输入,并能根据截图操作桌面应用。在 OSWorld 2.1 上,它的部分得分 69.5%,略高于 Haiku 的 68.9%,完整完成任务比例 33.8%,高于 Haiku 的 27.8% 和 Luna 的 17%。在 FrontierCode 2.0 上表现偏弱,得分 27.2%,低于 Haiku 的 34.9% 和 DeepSeek 的 28.5%,但高于 Meta 自家 Muse Spark 1.3 的 23.1%。Meta 称这是首个用更大的 Muse Wonder Full 训练出来的模型。

关键事实

  • Meta 发布 Muse Ember,模型 ID 为 muse-ember-1.0,已在 Muse Code 和 Meta Model API 上线,权重不公开
  • 定价:每百万输入 token 0.10 美元、缓存输入 0.004 美元、输出 0.50 美元
  • Artificial Analysis Intelligence Index 上 max reasoning 得分 36,单任务成本约 0.14 美元;Haiku 同为 36 分但成本 0.41 美元,Luna 为 28 分、成本 0.15 美元
  • xhigh 设置下得分约 34,单任务成本约 0.12 美元
  • 支持 1M token 上下文、最多 512K 输出 token,可接收文本、图像、音频、视频输入
  • OSWorld 2.1 部分得分 69.5%,完整完成任务 33.8%,Haiku 分别为 68.9% 和 27.8%,Luna 完整完成率 17%

本站视角

对国内做 Agent 的团队和用 API 的中小企业来说,Muse Ember 的意义不在分数,而在价格结构。它在 Artificial Analysis 榜单上与 Haiku 同分(36),单任务成本却只有约三分之一,缓存输入价格更是压到对手的十分之一,这直接打击的是「长上下文 + 反复读同一份材料」这类 Agent 工作流的经济性——而这恰好是当前大多数编程 Agent 和文档处理 Agent 的主要成本来源。更值得注意的是,Meta 没有在图表里直接对比中国模型,但 Ember 的未缓存输入价格低于 DeepSeek V4.1 Flash 1017、GLM-5.3 Flash 和 MiniMax M3.1 Flash,同榜得分(36)也高于这三家的 33、28、29。我们认为,这是美国头部实验室第一次在小模型档位上对中国厂商形成「价格不贵、分数更高」的组合压力,此前中国模型的主要卖点正是性价比。不过有两点需要观察:其一,FrontierCode 2.0 上 Ember 只有 27.2%,落后 Haiku 的 34.9%,说明它在「改动能不能被仓库维护者接受」这类真实代码任务上仍有明显短板,榜单分数和实际可用性之间存在落差;其二,所有对比数据均来自 Meta 自家图表和 Artificial Analysis 单一榜单,Personal Superintelligence Index 更是 Meta 自建指标,缺乏第三方复现。对开发者而言,合理的做法是先用自己手头的 Agent 任务做 A/B,而不是直接按榜单迁移。另外,权重不公开意味着这条路和开源无关,国内想私有化部署的团队仍然只能看 DeepSeek、GLM、MiniMax 这一侧。

背景与影响

Meta 近期的 Muse 系列走的是分层路线:Muse Wonder Full 负责前沿能力,Muse Spark 1.3 等中型模型承担通用任务,现在补上 Ember 这一档低价高吞吐的小模型。这与 OpenAI(GPT-6 Astra 与 GPT-6 Luna)、Anthropic(Claude Fable 5.1 与 Claude Haiku 5.5)的产品结构一致,说明头部实验室已普遍接受「大模型做规划、小模型做执行」的 Agent 架构。Muse Ember 的定价策略值得注意:输入输出单价与两家美国竞品持平,但缓存输入价格压到每百万 0.004 美元,明显低于对手的 0.01 美元,这对需要反复读取同一份代码库或文档的 Agent 场景影响较大。同时,它的未缓存输入价格低于 DeepSeek V4.1 Flash 1017、GLM-5.3 Flash 和 MiniMax M3.1 Flash,意味着 Meta 在小模型这一档开始正面压价中国厂商。原文提到 Meta 过去曾把 Muse 模型上架 OpenRouter 和 neocloud,Ember 大概率也会跟进,但这一点尚未确认。

本文由 AI 辅助整理自公开信源,事实部分以原文为准;「本站视角」一节为编辑部判断,欢迎指正。版权归原作者所有,如有异议请联系我们。

编辑与审校

AI大海啸编辑部

负责选题、审校与「本站视角」的判断。

编辑流程与 AI 使用说明