专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态。
AI智能体在执行长任务时，往往涉及读取文档、查询资料、调用工具及整理结果等大量重复步骤，导致模型调用次数与成本激增。针对这一痛点，Meta于11月9日发布Muse Ember。作为Muse家族中体量最小、效率最高的推理模型，它并非用于解决高难度问题的“大脑”，而是定位为负责代码子任务、工具调用、请求路由、信息提取和长文档解析的高效执行者。目前，该模型已通过Muse Code和Meta Model API开放使用。
Agent的重复步骤，交给Muse Ember
在智能体工作流中，强推理环节与重复性小任务并存。主模型负责判断策略（如确定查阅资料的范围），而网页内容提取、工单分类、代码文件检查等标准化步骤则可交由子模型完成。Muse Ember正是面向此类执行环节设计。
Meta推荐的组合模式为：由Muse Wonder或Muse Spark负责规划与推理，Muse Ember承担规模化重复任务。开发者可在同一Agent流程中根据任务难度分配模型，让大型模型处理需判断的部分，再由Muse Ember完成高频调用。这种分工不仅优化了模型体积，更显著降低了实际业务中的累积成本——无论是逐条读取工单、从合同抽取字段，还是对代码仓库文件进行分类，单次调用的微小成本节省在海量调用下将产生巨大效益。
定价方面，Muse Ember输入价格为每百万Token 0.10美元，输出为每百万Token 0.50美元，缓存输入为每百万Token 0.004美元。当输入超过20万Token时适用长上下文价格。模型支持100万Token的上下文窗口，API最大输出为524,288 Token。目前通过Meta Model API和Muse Code提供，模型标识为`muse-ember-1.0`。
支持多模态输入，输出纯文本
Muse Ember支持图片、音频、视频和PDF等多种格式输入，并统一输出为文本。这意味着它能够直接嵌入需要处理截图、图表、录音或扫描文档的Agent流程中，无需预先将所有材料转换为纯文本。
应用场景包括从图片和文件中提取信息、处理长文档、基于屏幕截图操作电脑以及执行多步骤业务流程。API文档还列出了工具调用、结构化输出、图像理解和搜索等功能。需要注意的是，虽然支持多模态输入，但Meta当前文档明确其输出类型仅为文本，即模型具备“读取”多种媒体的能力，但不生成音频或视频内容。
Agent测试表现突出，代码项目各有高低
Meta公布了Muse Ember与Claude Haiku 5.5、GPT-6 Luna等模型的对比数据。在最高推理设置下，Muse Ember在AutomationBench-AA业务流程测试中得分为37.8，显著高于Haiku 5.5的13.9和GPT-6 Luna的20.2；在Terminal-Bench 4.0中得分为40.9，同样优于另外两款模型的39.2和16.4。
然而，Muse Ember并非在所有领域均占据优势。在FrontierCode 2.0-AA工程任务测试中，其得分27.2，低于Haiku 5.5的34.9；在Artificial Analysis Index上，两者均为36分。鉴于不同测试项目采用的框架和任务类型各异，这些数据更适用于观察模型在特定任务上的表现，而非概括其整体能力。
成本优势是Muse Ember的核心竞争力。据Artificial Analysis评估，Muse Ember每项任务成本约0.14美元，远低于Muse Spark 1.3的2.39美元，而两者的智能指数分别为36分和37分，性能差距极小但成本差异巨大。
小模型要进入Agent的“流水线”
Muse Ember的设计理念清晰：让高成本、强能力的模型负责复杂判断，让轻量级模型承担重复执行。在Agent架构中，主模型无需亲自处理每一份文件或每一次工具调用，模型间可按任务分工协作。
Meta指出，Muse Ember是首个使用Muse Wonder Full训练的模型，进一步完善了Muse系列的分工体系：Muse Wonder攻克难题，Muse Spark侧重编程和智能体工作流，Muse Ember则专责可重复、可规模化的任务。其在真实工作流中的稳定性，取决于开发者对工具接入、任务边界定义以及长链路任务处理的实际配置。
从产品定位来看，Muse Ember旨在将Agent中出现频率最高、最易推高调用量的步骤剥离出来单独处理。对于搭建智能体的团队而言，其实用价值在于能否稳定承接大量日常工作，同时保持低调用成本和稳定输出。
END
