Meta 发布 Muse Ember：每百万输入 token 十美分的轻量 Agent 模型

Meta Superintelligence Lab 周一发布了一款名为 Muse Ember 的新模型。按照 TechCrunch 的报道，这是该实验室目前最轻、成本效率最高的一款模型，定位非常明确：不是去争夺最强推理能力，而是去做 Agent 每天重复执行的那部分工作。

Meta 在发布说明中给出的场景相当具体——复杂推理任务的执行，以及 Agent 日复一日的工具调用、编码子任务、任务路由、信息抽取和长文档解析。这些都是高频、低创造性但极其消耗调用量的事情，也正是成本最容易失控的地方。

价格是这次发布最直接的卖点。Muse Ember 每百万输入 token 收费 10 美分，明显低于 Anthropic 的 Haiku 和 OpenAI 的 Luna 这类前沿竞品，同时与 DeepSeek V4.1 Flash、GLM 5.3 Flash 等开源竞品处于同一价位区间。Meta 还特别强调「每任务成本」，用 Artificial Analysis 的综合基准分数来论证 Ember 比对手更便宜也更聪明。

在使用方式上，Ember 并不是单独作战的模型，而是为大模型配套而生。它可以与 Meta 的 Muse Wonder 组成 Agent 编排结构：重模型负责制定处理某类问题的规则，轻模型则把这些规则套用到成千上万个具体案例上。Meta 在公告里的总结是，「Muse Wonder 负责规划，Muse Ember 负责跑量」。客服场景是最典型的例子。

考虑到这类场景的输入极为混杂，Meta 也把多模态能力做了进去。Ember 的训练覆盖文本、图像和音频，可以直接读截图、图表和扫描件，也能处理语音备忘、会议录音和视频，而不必再额外挂一个专门的模型。对于一个主打「跑量」的模型来说，这减少了流水线上的模型切换成本。

从产品线看，Ember 是 Muse 品牌下的第四款模型。此前依次是 4 月发布的中间层模型 Spark、8 月发布的开源孪生版本 Glimmer，以及 10 月发布的前沿模型 Wonder。面向消费者的旗舰产品 Muse Agent 于 9 月上线，并在本月早些时候开始推送 Spaces 和视频通话功能，整个 Muse 家族的产品节奏相当密集。

真正的看点在于，轻量模型的价格战正在从「每 token 成本」转向「每任务成本」，而 Ember 的定位正是这一转变的产物。双模型编排能否在真实 Agent 负载上兑现宣传中的成本优势，还要看第三方的独立复测和客户的实际采用情况，而不只是基准分数。