Meta Superintelligence Labs 发布了其全新的 Muse Ember 模型，这是 Muse 系列中迄今为止最小的人工智能模型。该模型专为作为数字代理（AI Agents）的执行引擎而开发，专注于执行工作流中重复且具体的任务，例如编写简单的代码、从文档中提取数据以及分类客户请求，且与大型模型相比，其运营成本极低。
规划与执行策略：模型间的集成
Meta 在其新理念中采用了在不同人工智能层级之间分配工作的策略。在该系统中，像 Muse Wonder 或 Muse Spark 这样的大型模型负责战略规划和复杂决策。例如，Wonder 模型可以确定客户的退款政策，而 Muse Ember 则负责在数千个请求中执行这些规则、核对订单记录，并将需要人工干预的情况转交给相关团队。
这种将“规划大脑”与“执行肌肉”分离的做法旨在降低开发者的总体成本，因为使用小型模型处理日常任务，相比每一步都使用大型模型，能显著降低每次推理（Inference）的成本。
技术能力与多模态
Muse Ember 不仅限于处理文本，还具备 多模态（Multimodal） 能力。它可以接收包括图像、音频、视频和 PDF 文件在内的输入，并生成文本输出。这使其非常适合处理诸如从扫描发票中提取付款日期或总结音频会议记录中的行动要点等任务。
- 上下文窗口（Context Window）：高达 100 万个 token，允许模型在单次请求中检查海量文档或代码库。
- 输出限制：模型单次响应最多可生成 52.4 万个 token。
基准测试中的成本与性能
Meta 通过 Meta Model API 和 Muse Code 提供了具有竞争力的定价结构。每百万输入 token 的成本从 0.10 美元起（针对不超过 20 万 token 的提示），每百万输出 token 的成本为 0.50 美元。如果提示超过 20 万 token，价格会相应增加，输入成本升至 0.30 美元，输出成本升至 1.50 美元。
测试显示 Muse Ember 在某些领域表现出色；在衡量多步操作的 AutomationBench-AA 测试中，该模型的成功率为 37.8%，超过了 OpenAI 的 GPT-6 Luna（20.2%）和 Anthropic 的 Claude Haiku 5.5（13.9%）。然而，在 FrontierCode 2.0-AA 编程测试中，Claude Haiku 5.5 以 34.9% 的成绩领先于 Muse Ember 的 27.2%。
实际发生了什么变化？
Muse Ember 的发布代表了人工智能应用构建方式的转变；开发者不再依赖单一庞大且昂贵的模型来完成所有工作，而是转向 混合基础设施。这种趋势解决了执行日常任务时成本高昂和速度缓慢的问题，为能够大规模（Scale）运行且具有经济效率的数字代理铺平了道路，使行政和简单编程任务的全面自动化成为现实且商业上可行。