Meta超级智能实验室为人工智能代理在流程中反复执行的操作开发了Muse Ember模型。Ember是Meta迄今为止最小的模型，专注于从数据库中提取记录、对客户请求进行分类、从长文档中提取特定信息以及完成软件项目中的小型编码任务等任务。该模型通过Meta Model API和Muse Code向开发者开放使用。
大模型制定计划，Ember执行重复性任务
Meta指出，Muse Ember可以与Muse Wonder或Muse Spark等更大的模型一起使用。例如，在客户支持系统中，Muse Wonder可以确定退货申请在何种条件下会被批准。而Muse Ember则可以应用这些规则处理数千个请求，检查订单记录，并将需要人工审核的请求转交给相关团队。当每个请求涉及多个操作时，单次模型调用中的微小成本差异可能会影响总账单。
Muse Ember除了文本外，还接受图像、音频、视频和PDF文件作为输入，并生成文本。这使得智能体能够从扫描的发票中提取付款日期，或在不使用单独模型的情况下列出会议记录中的行动项。大约100万token的上下文窗口使模型能够在单次请求中审查大型文档集合或软件项目的代码库。模型单次响应生成的文本限制约为52.4万token。Token是模型在处理输入和生成响应时使用的单位，可以对应一个单词的全部或部分。
API价格从每百万输入token 0.10美元起
对于高达20万输入token的请求，Meta每百万输入token收取0.10美元，每百万输出token收取0.50美元。超过此阈值的请求价格分别升至0.30美元和1.50美元。根据该公司基于Artificial Analysis数据的比较，Muse Ember每项测试任务的成本为0.14美元，而Muse Spark 1.3的成本为2.39美元。这两个模型在相同的通用性能指数上分别获得了36分和37分。
结果因任务类型而异。在衡量多步骤工作流程的AutomationBench-AA测试中，Muse Ember达到了37.8%的成功率。OpenAI的GPT-6 Luna模型为20.2%，Anthropic的Claude Haiku 5.5模型则为13.9%。而在评估代码更改是否足以纳入项目的FrontierCode 2.0-AA测试中，Claude Haiku 5.5以34.9%的成绩超过了Muse Ember的27.2%。
继今年4月推出的Muse Spark、8月发布的Muse Glimmer和10月推出的Muse Wonder之后，Muse Ember成为Muse系列的第四款模型。据Meta称，Ember是使用公司更大的模型Muse Wonder Full进行训练的首个模型。