北京时间 11 月 10 日凌晨 1 时 54 分（UTC 11 月 9 日 17 时 54 分），Mark Zuckerberg 在 X 上宣布，Meta 当天发布其最小的模型 Muse Ember，定位为「同类中单位美元智能更高」，专门面向 agent（智能体）全天重复执行、token（词元）消耗量大的任务——工具调用、编码子任务、路由、信息抽取和长文档解析。模型即日上线 Meta Model API，并进入 Muse Code。

约 14 分钟后，X 账号简介为「AI@Meta Superintelligence Labs」的 Prashant Ratanchandani 补充了官方口径的数字：第三方评测机构 Artificial Analysis 的 Intelligence Index（智能指数，简称 AA Index）35.8 分、每任务约 $0.14，自称在性能近似的前提下比 Claude Haiku 5.5 便宜约 3 倍，OpenCode、OpenRouter、Cline、You.com、Cloudflare 等合作方当天接入。截至本文观测窗口结束，上述性能与价格数字均为 Meta 自述口径，尚未见独立测试结果。

Meta 官方发布的「Intelligence vs. Cost Per Task」散点图：Muse Ember 在约 $0.14 每任务处取得约 35.8 分，Claude Haiku 5.5 的 max 档在约 $0.41 处约 36 分，GPT-6 Luna 各推理档位位于两者之下

官方能力清单：跨应用工作流、100 万 token 上下文、原生多模态

Meta 的 AI at Meta 官方账号在上线帖里把用途写得更具体：Muse Ember 能跨应用接续工作流、按顺序调用工具、跑测试并做针对性的代码修复；配有 100 万 token 上下文窗口，原生理解文本、图片、音频和视频，可以处理成套的长文档和混合输入。Meta 在帖中称它是自家「最小、最高效」的模型。

Meta-MSL 研究员 Wenhu Chen 当天发帖确认「Muse Ember 正式上线」，称它「为复杂推理执行和高频 agent 工作负载而建」（其 X 简介列明曾参与 Gemini 与 Muse 模型的工作），并请开发者实测后向团队反馈。

Meta AI 官方账号发布的上线海报：Introducing Muse Ember —— our smallest and most efficient model

约三分之一成本的出处：一张引用 AA 数据的散点图

官方账号随后跟发的一条推文给出了对比口径：在 Artificial Analysis Intelligence Index 上，Muse Ember 的性能与 Claude Haiku 5.5 相当，而每任务成本约为后者的三分之一；在 GPT-6 Luna 的所有推理档位上，Ember 的得分更高。

这条推文附带了一张散点图，是这组说法的图解。图表脚注注明：数据来自 Artificial Analysis（2026 年 11 月 9 日），每个点对应一个推理档位，Muse Ember 的成本按官方牌价计。图上，Muse Ember 的 max（最高）档标在每任务约 $0.14、约 35.8 分的位置；Claude Haiku 5.5 的 max 档约 $0.41 每任务、约 36 分；GPT-6 Luna 四个档位里最高约 29.6 分。$0.14 对 $0.41，正是「约三分之一成本」的算法来源；Ratanchandani 帖中的 35.8 分与 $0.14 每任务，也和图上 max 档的读数一致。

不过，这套账本目前只有 Meta 一方在记：分数是 Meta 引用 Artificial Analysis 的口径，推文中未附可复核的第三方页面；Ratanchandani 给出的 AA Index 与价格对比同样属于 Meta 自报。

评测表里，Haiku 5.5 只赢回一行：可合并的真实工程代码

上线帖还附了一张三列对照表，横向比较 Muse Ember、Claude Haiku 5.5、GPT-6 Luna（均取 max 档）：

Meta 官方评测表：Muse Ember、Claude Haiku 5.5、GPT-6 Luna（max 档）在 AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0-AA 等基准上的得分

按这张表：端到端业务工作流基准 AutomationBench-AA 上，Ember 拿 37.8，Haiku 5.5 是 13.9、GPT-6 Luna 是 20.2，分别领先近 2.7 倍和近 2 倍；终端实操编码 Terminal-Bench 4.0 上 Ember 40.9、Haiku 39.2；长文档专业工作 GDP.pdf-AA 上 Ember 22.8、Haiku 20.8；表底的 Artificial Analysis Index 一行三者为 36、36、28，与 Ratanchandani 给出的 35.8 分相符（表中取整）。

整张表里唯一一处 Haiku 5.5 反超 Ember 的行，是 FrontierCode 2.0-AA——按「维护者愿不愿意合并」评判的真实仓库工程任务，Ember 27.2，Haiku 34.9。开发者 Moriarty（@Moriarty_tech）在官方帖的回复里说：「你真正会合并的那一行代码，还是 Haiku 赢，34.9 对 27.2。」

需要留意的还有对比口径本身。开发者 Super Niu（@Super_Nius）对评测报告的转述提到，报告首页写明竞品分数是 Meta 自行运行的「尽力而为」（best-effort）结果，提示词与工具链未必是对手的最优配置，其中 Terminal-Bench 里 Haiku 的分数用的是 Anthropic 自报的 Claude Code 成绩；各家评测框架（harness）不同，按这份转述，跨厂商对比要打折看待。

token 价目表，先出现在第三方转述里

在本文核验的 Meta 官方帖里，唯一给出的价格数字是 Ratanchandani 的「每任务约 $0.14」。按 The Rundown AI 当天的转述，官方定价为输入 $0.10、输出 $0.50 每百万 token；开发者 Tai（@taisalless）补充称，缓存输入低至 $0.004 每百万 token，作为对照，Haiku 5.5 的缓存输入是 $0.01 每百万 token，而在 agent 类评测里，缓存输入往往占账单的大头。

在官方帖的回复里，X 用户 Victor（@victor_explore）给出了使用提醒：模型默认推理档位是 max，做路由、抽取这类轻调用时建议手动调低；输入超过 20 万 token 将按长上下文费率计费；保持系统提示词稳定，才能吃到 $0.004 的缓存价。

The Rundown AI 还提到一个训练侧细节：Meta 用 Muse Wonder Full 训练了 Ember，按其说法，此前任何一次发布都没有这样做过；Super Niu 转述的官方说法是「Muse Wonder 负责规划，Muse Ember 负责干活的量」，并称与上一代轻量模型 Muse Spark 1.3（输入 $1.25、输出 $4.25 每百万 token）相比是断崖式降价。上述 token 单价与训练细节未见于本文核验过的任何 Meta 官方帖，均为第三方转述口径。

一小时后：数字在涨，复核未到

发帖后一小时内的一次抓取显示，Zuckerberg 的上线帖拿到 204 次转发、2,546 个赞和 94,582 次浏览；官方 AI at Meta 帖约 2.7 万次浏览；而 Ratanchandani 的补充帖只有 9 个赞、339 次浏览。

在官方帖的回复里，X 用户 Farhan（@mhdfaran）写道：「每任务成本才是该看的数字，而不是每 token 单价。一个便宜但要重试三次的模型，可能比一次做对的贵模型更费钱。如果『三分之一』能在真实 agent 工作负载上站住，那才是真正能把用户撬过来的东西。」AI 评测项目 Design Arena 团队的联合创始人 Grace Li（@grx_xce）则称 Muse Ember 在 overall one-shot HTML（一次性 HTML 生成）榜单上「拿下帕累托前沿」，不过她的帖子未附具体分数或榜单链接。

另一些问题暂时无人接：有开发者直接问「能下载吗，还是只能租用」（@rayvahey），也有人追问权重是否封闭（@thefusioncube）。截至本文抓取时，官方账号在帖串中没有回应这两个问题，公开渠道里也没有出现对 AA Index 与每任务成本这组官方数字的独立复测。

参考链接

本文由 AREX Agent 基于公开网络信源自动整合梳理。
AI 可能存在信息遗漏、时序偏差或事实误判。文中观点与事实请结合文末原始链接交叉核验，请勿直接作为决策依据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除