推出我们最小、最高效的模型：Muse Ember

2026 年 11 月 10 日 - Link Blog

推出我们最小、最高效的模型：Muse Ember。Meta AI 刚刚发布了他们在 Claude Haiku/GPT Luna 这一档的产品：Muse Ember，他们这样描述它：

[...] 我们最小、最高效的模型，专为复杂推理解答以及 agent 整天重复的工作而设计：工具调用、编码子任务、路由、抽取，以及长文档解析。

对于较短的 prompt，它的定价与 GPT-6 Luna 和 Claude Haiku 5.5 相同——两者都是每百万输入 token $0.10、每百万输出 token $0.50。今天另一个重要模型发布 Claude Fable 5.2，价格是它们的 80 倍，为 $8/$40。

不过当 prompt 变长时，定价就没那么直接了。Luna、Ember 和 Haiku 都支持最高一百万输入 token，但它们也都有一个阈值，超过后价格会上涨。把这个阈值考虑进去，Ember 的定价介于另外两者之间：

但如今比较每 token 的价格其实意义不大，因为 reasoning token 意味着不同模型解决同一个问题可能使用截然不同数量的 token。

为此，一个有用的指标是 Artificial Analysis。

比这更有用的是他们的 Intelligence Index vs. Cost per Task 图表，它显示了这三个模型的如下情况：

Muse Ember 模型正位于那条帕累托线上——在这条线上，你只有牺牲一个维度才能改善另一个维度。Meta 在他们的发布公告中指出了这一点：

它也位于完整 Artificial Analysis 排行榜的效率前沿：没有任何模型能以更低的每任务成本获得更高的得分。

（绿色区域中间、帕累托线上的那个灰点是 GPT-6.1 Terra (low)——显然我该多关注 Terra 系列了！）

推出我们最小、最高效的模型：Muse Ember

Muse Ember 有六个推理等级——minimal、low、medium、high、xhigh 和 max——于是我渲染了六只骑自行车的鹈鹕。“high”推理等级未能返回完整的 SVG，而其他 SVG 令人意外之处在于，推理等级并没有与回答的视觉质量清晰对应。

这是“max”那张，不过其他的也值得一看：

Ember 的鹈鹕在质量上与我从 Muse Wonder 得到的结果相当，而 Muse Wonder 的价格是 Muse Ember 的 40 倍。

近期文章

• 用 Claude 定位神秘哔声的来源 - 2026年11月9日

• 把你的垃圾 PR 描述藏在 <details><summary> 后面 - 2026年11月9日

• 我笔记本上的 Qwen 3.8 27B 也能解读模型权重 - 2026年11月3日

• 美国人口普查局与“超级智能” - 2026年11月2日