Meta发布最小模型Muse Ember：成本仅为Claude Haiku 5.5三分之一，专攻智能体高频调用

智能体跑一天的账单里，大头往往不是那一次惊艳的推理，而是成千上万次琐碎的工具调用。11月9日，Meta发布旗下迄今最小、也最便宜的模型Muse Ember（muse-ember-1.0），目标正是把这类高频杂活的成本压到最低：官方称它的智能水平与Claude Haiku 5.5基本持平，单任务成本却只有对方的三分之一。它不拼参数规模，只拼性价比。

100万token上下文，一次吞下整个代码库

Ember配上了100万token的上下文窗口，单次输出最高可达51.2万token，意味着一次调用就能喂进完整代码库或一整摞文档。智能体可以在同一场会话里连做数百个编程子任务，读文件、跑测试、定点修bug一气呵成。输入方面它是原生多面手：文本、图片、音频、视频、PDF通吃，统一输出文本，不需要再外挂其他模型。对需要批量处理文档的团队来说，这个窗口基本告别了”切分-拼装”的老流程。

跑分追平Haiku，单任务成本差17倍

第三方机构Artificial Analysis给出的智能指数为36分，Meta自家编码模型Spark 1.3为37分，差距只有1分；但两者的单任务成本是0.14美元对2.39美元，相差17倍。在端到端业务工作流AutomationBench-AA上，Ember拿到37.8分，远超Claude Haiku 5.5的13.9分和GPT-6 Luna的20.2分；在PerceptionBench视觉理解上，它以80.6%对78.6%险胜Haiku 5.5。在长文档处理与智能体编程等维度，Ember的表现同样领先同类轻量模型。

定价上，输入每百万token 0.10美元、输出0.50美元，缓存价格更是低至每百万token 0.004美元，只有输入价的4%——对重复前缀开销巨大的agent场景格外友好。折算下来，跑同样一批agent任务，Ember的账单可能只有主流轻量模型的一个零头。当然边界也要说清楚：在考验代码修改能否被维护者采纳的FrontierCode 2.0上，它输给了Haiku 5.5。

大模型当老师：首个由Muse Wonder Full训练的特化模型

Ember还是第一个用旗舰模型Muse Wonder Full训练出来的特化模型，走的是”大模型教小模型”路线。Meta目前的模型分层是：Wonder扛难题、Spark干编码、Ember接日常，官方透露还有更高效的模型在训练中。安全方面，Ember发布前经过Meta自家SI框架评估，各项风险均低于高风险阈值。它已在Muse Code、Meta Model API以及谷歌云、甲骨文云上线。这套分层思路，或许也预示着轻量模型下一阶段的竞争方向。

对开发者来说，Ember意味着”小模型+超长上下文+极低缓存成本”的组合开始成为标配：与其纠结单次推理质量，不如算清每天几百万次调用的总账单。如果你正在跑高并发的agent服务，不妨去Meta Model API体验一下，看看账单能省下多少。毕竟，把成本降下来，AI才能真正跑进每一个产品里，轻量模型也第一次站上了”按账单选模型”的牌桌。