Meta 超級智慧實驗室於十一月九日發布 Muse Ember,是該實驗室最輕、成本最低的模型,每百萬輸入代幣定價十美分。官方表示此模型針對代理終日重複的工作設計,涵蓋工具呼叫、編碼子任務、路由、資訊抽取與長文件解析,並以每任務成本與同業比較。
官方在公告中以 Artificial Analysis 的複合基準換算每任務支出,主張在該指標下較 Anthropic 的 Haiku 與 OpenAI 的 Luna 更便宜。這是 Muse 品牌第四款模型,設計上與旗艦 Muse Wonder 配對使用。
Muse Ember 是什麼?
Muse Ember 是 Meta 超級智慧實驗室於 2026 年十一月九日發布的小型模型,主打代理執行層的重複任務,每百萬輸入代幣十美分。
這是 Muse 品牌自四月以來推出的第四款模型,順序為中量級的 Spark、開源版本 Glimmer、前沿模型 Wonder,最後是本次的 Ember。四款模型構成由大到小的完整梯隊,並非單點產品。
Meta 對 Ember 的定位描述相當具體,包括複雜推理的執行、工具呼叫、編碼子任務、請求路由、資訊抽取與長文件解析。這些工作共同特徵是單次判斷不難,但呼叫次數以萬計。官方舉例說明,客服代理可由較重的模型訂立處理規則,再由 Ember 把規則套用到數萬個個案。
這條路線與同業的產品階梯一致。Anthropic 以 Claude Haiku 5.5 對應大量呼叫的場景,OpenAI 以 Luna 覆蓋同類需求,Meta 則以 Ember 補上自家梯隊的最後一格。
每百萬代幣十美分是什麼概念?
每百萬輸入代幣十美分,即零點一美元,與 Claude Haiku 5.5 在十萬代幣以內情境的輸入價格相同,但 Meta 將此價格套用於全部輸入量。
十美分即零點一美元。這個數字需要放到同類產品的價格表中比較才有意義。Anthropic 的 Haiku 5.5 在提示不超過十萬代幣時,輸入同為每百萬代幣零點一美元,超過門檻則升至零點五美元,輸出為零點五美元與二點五美元。
Meta 此次公布的數字只涵蓋輸入端,輸出定價與快取計價方式並未在報導中披露。官方論述的重心不在單價本身,而在每任務成本。作法是用 Artificial Analysis 的複合基準分數換算,得出完成一個任務所需的總支出。
這個比較方式對採購決策有實際作用。代理工作流的成本由任務數與每任務代幣量共同決定,單看每百萬代幣價格容易誤判,因為不同模型完成同一任務所需的代幣量並不相同。
為什麼要與大型模型配對使用?
大型模型負責訂立規則與拆解步驟,小型模型負責把規則套用到大量個案,Meta 將此分工概括為規劃與處理量,以壓低整體任務成本。
Meta 在公告中的說法是「Muse Wonder 負責規劃,Muse Ember 負責處理量」。這句話點出代理架構分層的經濟理由。規劃階段的呼叫次數少,值得用昂貴模型換取判斷品質;執行階段的呼叫次數多,必須用便宜模型壓低單位成本。
分層同時降低錯誤的擴散範圍。由旗艦模型輸出結構化的處理規則,執行層只負責依規則填答與抽取,中間結果較容易驗證與回溯。這種設計在客服、發票處理與文件歸檔一類流程中特別常見。
代價是架構複雜度上升。兩個模型之間的介面需要明確定義,規則若寫得含糊,執行層的錯誤率會隨呼叫量放大。相關的分層設計可參考本站對 Muse Wonder 前沿模型 的整理。
多模態輸入帶來什麼差別?
Ember 原生支援文字、圖像與音訊,代理可直接讀取截圖、圖表、掃描文件、語音備忘與會議錄音,不需要為每種輸入另接一個模型。
官方點名的輸入型態包括截圖、圖表、掃描文件、語音備忘、會議錄音與影片。過去處理這些素材通常需要先以獨立模型轉成文字,再送進語言模型,多一層轉換就多一次成本與失真。
在代理場景中,這一層的影響會被放大。當一件任務需要在數千份掃描單據中抽取欄位,先轉換再抽取的架構會產生兩次計費,而原生多模態只計一次。
不過報導未公布各模態的實際表現數據,圖像與音訊的準確率是否足以取代專用模型,仍待第三方評測。這也是評估此模型時最需要實測的部分。
Muse 系列目前的定位如何?
Muse 系列已涵蓋前沿、中量與輕量三層,另有開源版本 Glimmer;消費端產品 Muse Agent 於九月推出,並在本月陸續加入 Spaces 與視訊對話。
四款模型的發布節奏相當緊密。Spark 在四月登場,開源版本 Glimmer 於八月釋出,前沿模型 Wonder 在十月發布,Ember 則落在十一月。八個月內完成由前沿到輕量的完整布局。
消費端同步推進。Muse Agent 於九月推出,市場反應超出預期,本月再加入 Spaces 與視訊對話功能,前者讓使用者以一句描述生成可互動的儀表板,後者把對話延伸到語音與視訊。代理能力的展示可參考 Muse Spaces 的整理。
企業端與消費端共用同一套模型家族,好處是行為一致性較高。使用者在一邊建立的提示與流程,搬到另一邊時預期落差較小。
開發者應注意哪些限制?
目前公開資訊只有輸入定價與定位描述,輸出價格、上下文長度、速率限制與基準細節均未披露,選型前應先自行壓測。
定價資訊不完整是首要問題。報導僅提及每百萬輸入代幣十美分,輸出端費用、快取讀寫的計價方式與階梯門檻都未說明。長輸出任務的實際成本可能與輸入端推算的結果差距甚大。
基準比較的透明度亦有限。官方採用 Artificial Analysis 的複合分數換算每任務成本,但未公布各單項基準的分數。若某任務類型的權重與自身業務差異大,換算出的成本優勢未必成立。
此外,報導未交代上下文窗口、速率上限與地區可用性。對需要處理長文件的流程而言,上下文長度往往比單價更具決定性。
對代理成本結構有什麼影響?
當執行層單價降至每百萬代幣十美分,過去因成本而不值得自動化的瑣碎任務會轉為可負擔,代理的適用邊界因此下移。
成本下降改變的不只是帳單,還有決策門檻。當一次呼叫的成本低到某個程度,原本被判斷為不划算的工作會重新進入自動化清單,例如整理桌面檔案、批次改寫欄位名稱與逐筆核對發票。
這類長尾工作在企業內佔的工時比例不低,但單件價值小,長期被排除在自動化範圍之外。執行層模型降價正是把這批工作拉進範圍的條件。
同時,價格競爭會壓縮整體毛利。當多家廠商在輕量層把價格拉到同一區間,差異化只能回到延遲、準確率與工具生態,而非帳面上的每百萬代幣數字。
出處連結有哪些?
本文主要依據 TechCrunch 於十一月九日的報導,該文引述 Meta 官方公告與 Artificial Analysis 的基準資料,並附產品定位說明。
原始報導由 TechCrunch 的人工智慧編輯 Russell Brandom 撰寫,內容包含定價、模型定位、四款 Muse 模型的發布時序,以及與 Haiku、Luna、DeepSeek V4.1 Flash、GLM 5.3 Flash 的價格對照。
報導同時引述 Meta 公告中的兩句關鍵描述,一句說明 Ember 的適用工作類型,另一句說明與旗艦模型的分工方式。若需要更完整的技術細節,仍需等待 Meta 公布模型卡。
本文僅就公開資訊整理,未包含實測數據。模型在實際代理工作流中的延遲、準確率與成本表現,須以自身任務壓測為準。