当地时间11月9日，Meta正式上线了旗下规模最小、运行效率最高的模型Muse Ember，模型编号为“muse-ember-1.0”，目前已通过Muse Code及Meta Model API开放调用。
开出的价格单很直接：每百万输入Token收费0.10美元，缓存输入收费0.004美元，每百万输出Token收费0.50美元。
第三方评测机构Artificial Analysis的测试数据显示，Muse Ember在综合智能指数中拿到36分，与Anthropic的Claude Haiku 5.5最高推理档位打平。
但在花销上，Muse Ember最高推理档位的单次评测任务成本约为0.14美元，而Claude Haiku 5.5跑完同类任务要花掉约0.41美元。单次任务成本直接砍到了后者的三分之一左右。



01｜账单是怎么降下来的现在不管是个人开发者还是小团队，想做点自动化的AI工具，最怕的不是模型不够聪明，而是账单扛不住。
一个AI智能体跑起来，背后往往不是一问一答就完事。它得拆解任务、调工具、查资料、改格式，一个流程下来要跟模型交互几十次。
绝大部分Token都消耗在这些高频、重复的小步骤上，尤其是输入侧的成本占比极高。以前调一次接口觉得才几分钱，真要把业务流程全自动化跑通，月底看一眼API账单能让人倒吸一口凉气。



Meta这次放出的Muse Ember，瞄准的就是这些干苦力的环节：调用工具、执行编程子任务、请求路由、提取信息、解析长文档。
它的上下文窗口给到了约100万Token，最高能输出约51.2万Token。文本、图片、音频、视频、PDF都能直接塞进去，最后以文本形式输出结果。
这意味着开发者在单次请求里，就能把整个代码库或者一大包项目合同文档直接丢给它处理，不用再费劲做繁琐的切片。



在分层架构里，团队完全可以用旗舰大模型当“总指挥”负责最核心的复杂决策，然后把下面跑腿、查库、写子模块代码的活儿全交给Muse Ember这种**子智能体（subagent）**去干。



02｜速度够快，但也不是全能除了便宜，早期测试合作方反馈最多的一个词是**“快”**。
在测试中，Muse Ember处理长尾任务的速度比同类对比模型快了最高30%，能够顺畅应付跨多个代码仓库的排查任务。在编程任务测试里，它的p95延迟压到了2.2秒，比主流开源权重模型快了约4到13倍，同时输出Token的数量还减少了36%到48%。
输出Token变少、响应变快，落到实际业务里就是两件事：等待时间变短，同时输出端花出去的钱也更少。
在Box AI的复杂工作评测（Complex Work Eval）里，测试方直接拿它来干企业里的脏活累活：对照公司的谈判手册，逐条给合同打分并算出整体风险评级；或者拿着详细的招聘要求筛简历，把那些卡在及格线边缘但能当备选的候选人拎出来。
不过便宜和快不代表能在所有牌桌上通吃。
Meta公布的数据显示，在每美元换取的智能水平上，Muse Ember在各个推理档位都压过了Claude Haiku 5.5和OpenAI的GPT-6 Luna，在部分智能体、工具调用和多模态任务中也处于领先位置。
但在硬核的工程代码能力上，差距还是客观存在的。在专门考察“代码修改能否直接被项目维护者采纳”的FrontierCode 2.0测试中，Muse Ember的得分就没有跑赢Claude Haiku 5.5。
说白了，如果是要改核心架构、写极其复杂的底层代码，它可能还得往后稍一稍；但如果是让它作为一个7×24小时连轴转的流水线工人，去拉取记录、按顺序调接口、跨软件更新系统数据，0.1美元每百万输入Token的底价，已经把入场门槛砸穿了。



以前很多团队算完账，觉得用AI替代人工流程纯属亏本买卖。现在算力账单砍掉三分之二，那些原本因为太贵而被搁置的自动化方案，终于到了可以重新拿出来跑一跑的时候。