Meta 超級智能實驗室 2026 年 11 月 9 日發佈的 Muse 家族最小、最便宜的模型:專爲高量智能體執行而生,1M 上下文、原生多模態輸入,Artificial Analysis 指數 36(滿檔推理)追平 Claude Haiku 5.5,單任務成本 $0.14 只有後者的三分之一。但要先把定位說清楚:它沒有開源權重——Meta 的開源 Muse 模型是 Glimmer / Spark Open,不是 Ember;六項分項基準全部是廠商自報的 AA 評估複述,唯一由 AA 獨立發佈的是指數 36 這一項;它在 FrontierCode 2.0 上輸給 Haiku 5.5,AA-Omniscience 21.1% 是同檔最低;LMArena 已於 11 月 15 日首登(WebDev 第 37、Agent Arena 第 25),LiveBench 至今沒有收錄;超過 200K 輸入 token 的整單價格翻 3 倍,$0.10 的 headline 只在 200K 以下成立。本頁彙總官方規格、價格、基準解讀與 6 篇本站深度實測,並明確標註哪些說法尚未證實。
先把能確認的說清楚:這是本站第一個「講性價比不講能力上限」的專題——Ember 的故事是單任務成本與價目懸崖,不是最強智能。一句話:便宜是真的,免費層沒有,開源也沒有。
與最接近的同類模型橫向對照:AA 指數、價格、上下文與開源情況一覽。點擊模型名進入專題頁。
| 模型 | AA 指數(v5.0) | 輸入 · 輸出價格 | 上下文 | 開源 |
|---|---|---|---|---|
| Muse Ember | 36 | $0.10 / $0.50 每百萬 tokens(≤200K 輸入;超 200K 整單 3 倍) | 1M tokens | 否 |
| Qwen4-Max | 43 | $1.50 / $4.50 每百萬 tokens | 1M tokens | 否 |
| 騰訊混元 Hy4 | 35 | ¥6 / ¥18 每百萬 tokens(5 折至 12-31) | 1M tokens | 否(僅 preview 權重) |
| Inkling 2 Small | 31 | $0.30 / $1.00 每百萬 tokens | 1M(架構上限;Tinker 64K/256K) | 是(Apache 2.0) |
| Nex-N2.6 | 未收錄 | $0.12 / $0.40 每百萬 tokens(8 折) | 262K(OpenRouter)/ 1M(發佈配置) | 是(Apache 2.0) |
AA 指數爲 Artificial Analysis 獨立發佈(v5.0);「未收錄」表示該模型尚未登上 AA 榜單。價格爲每百萬 tokens 的輸入·輸出價,人民幣價與美元價是各廠商的兩套目錄價,不可直接換算比較。完整對比見第 13 節,完整基準盤點見第 12 節。
AA 指數 v5.0 對照:Ember 36 分追平 Haiku 5.5;完整基準盤點見第 12 節。
時間不多的話,先讀這三篇;完整目錄見第 10 節。
Ember 與 Fable 5.2 同日發佈——一邊是 Anthropic 的「最大」,一邊是 Meta 的「最小」,報道本身就拿這個對比做文章。本站已有 Fable 5.2 專題,兩篇互爲對照。
Muse Spark 發佈(家族中量級模型)。
Muse Glimmer 發佈——Spark 的開源權重孿生模型,也是 Meta 至今唯一的開源 Muse 模型。
Muse Wonder 發佈(家族前沿旗艦);Wonder Full 被鎖在 Muse Code 內部使用。
Muse Ember 發佈:Meta 研究博客「Introducing Our Smallest, Most Efficient Model: Muse Ember」上線;Alexandr Wang 同日在 X 宣佈——這是 Meta 首次用 Muse Wonder Full 訓練發佈的模型;同日上線 Meta Model API(muse-ember-1.0)、Muse Code 全部套餐、Google Cloud、Oracle Cloud 與 Vercel AI Gateway;Artificial Analysis 同日發佈首發評估:智能指數 36、$0.14/任務;TechCrunch 同日 18:00 UTC 報道;Hacker News 首發帖當日 228 分;同日 Anthropic 發佈 Claude Fable 5.2 / Mythos 5.2。
Simon Willison 發佈動手測試(六檔推理強度、鵜鶘繪圖測試、比 Wonder 便宜 40 倍);中文與臺港媒體跟進(cocoloop、jiazhuangai、sunmedia、airesearch.hk)。
Plotly 發佈數據分析實測:Ember 在 43 題 DataAnalyticsBench 上答對 38 題,與 GPT-6 Luna 同分,但整輪成本 $1.04 是 Luna 的 8 倍;隱藏模式只找到 1/5。
第二波報道與分析:gptclub、datalearner、techbang,以及 eesel.ai、i10x.ai、alphasignal、at-pulse、tech-insider(200K 價目懸崖成本測算)、agentfred(與 Fable / Mythos 5.2 的同日對比)。
LMArena 首登(11 月 15 日結果):WebDev 1,608 分第 37(Max 檔)、Agent Arena 1.7 分第 25;LiveBench 仍未收錄。
本站專題上線;Activepieces 小樣本實測:3 項自動化任務全對、總耗時 8.4 秒(gpt-5.4-mini 的 3 倍,每項只跑一次);LiveBench 仍未收錄 Ember。
本站讀取 BenchLeader 快照,批量補錄多榜單分數:Vals Index 60.5(第 15)、Vals Legal 75.7%(第 4)、Vals Finance 60.9%(第 13)、GameBench 2 綜合 51.7(第 36)、AA-Omniscience 非幻覺率 82.6%(第 10)等 16 項。見第 12 節。
扎克伯格經 X 宣佈,Muse Ember 即將上線微軟 Foundry(Azure),與 Muse Wonder、Muse Spark 1.3 同批;未給具體日期。見第 07 節。
以下爲 Meta 研究博客與 Meta Model API 文檔已公佈口徑(本輪覈查於 2026 年 11 月 16 日凌晨,經多篇二手轉述交叉覈對)。參數量未公佈,訓練方法未披露;分項基準爲 Meta 自報。
六條路線:前五條發佈當日全部就緒,微軟 Foundry 只宣佈了即將上線、尚未開放。Meta 自家 API 與 Muse Code 是主入口,兩朵雲與一個網關是分發。沒有免費層,也沒有開源權重可下載——試用就意味着走 API。
模型 ID muse-ember-1.0,端點 api.meta.ai/v1,支持 Responses API,請求體與 Muse Spark 相同。價格 $0.10/$0.50(200K 輸入以下),超過 200K 整單 3 倍;僅標準模式,無 Contributor 模式。
發佈當日即在 Muse Code 全部套餐可用。定位是「Wonder 規劃、Ember 執行」的雙模型模式:Wonder / Spark 做規劃,Ember 接高量執行任務。Meta 稱 Ember 是首個用 Muse Wonder Full 訓練的模型,Wonder Full 本身鎖在 Muse Code 內部。
發佈當日上架。價格與渠道細節以 Google Cloud 官方頁面爲準,本輪未逐項覈對。
發佈當日上架;Oracle 也是 Meta 發佈時引用的合作方之一。價格與渠道細節以 Oracle Cloud 官方頁面爲準,本輪未逐項覈對。
發佈當日接入。適合已在用 Vercel AI Gateway 的項目直接切換模型 ID,價格以網關頁面爲準。
Meta CEO 扎克伯格 11 月 17 日經 X 宣佈,Muse Ember 將與 Muse Wonder、Muse Spark 1.3 同批上線微軟 Foundry(Azure);只說了 coming soon,未給具體日期,目前還不能用。
Ember 的價格故事分兩層:單價與 Haiku 5.5、GPT-6 Luna 完全相同($0.10/$0.50),省的是單任務成本($0.14 對 $0.41);但超過 200K 輸入 token 的整單翻 3 倍,$0.10 的 headline 只在 200K 以下成立。價格爲 2026 年 11 月 16 日覈查口徑,結賬頁價格爲準。
| 項目(每百萬 tokens) | ≤ 200K 輸入 | > 200K 輸入(整單 3 倍) | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|---|
| 輸入 | $0.10 | $0.30 | $0.10 | $0.10 |
| 緩存輸入 | $0.004 | $0.012 | 約 $0.01(Ember 緩存便宜約 60%) | — |
| 輸出 | $0.50 | $1.50 | $0.50 | $0.50 |
| AA 指數單任務成本 | $0.14 | — | $0.41 | — |
超過 200,000 輸入 token 的請求,輸入、緩存與輸出三項單價全部翻 3 倍,而且是整單適用——不是隻對超出 200K 的那部分加價。舉例:一個 250K 輸入 token 的請求,輸入按 $0.30、輸出按 $1.50 計費;同樣輸出量下,賬單是 200K 以下請求的 3 倍。長文檔解析、超長上下文智能體任務最容易撞上這條線:先算 token 量,再決定要不要拆請求或換檔位。
Ember 與 Haiku 5.5、GPT-6 Luna 的標價完全相同($0.10/$0.50),省錢不在單價而在用量:AA 指數測試裏 Ember 約用 115M 輸出 token,Haiku 約用 298M——Ember 用更少的 token 完成同一套任務,於是單任務成本 $0.14 對 $0.41。緩存輸入也便宜約 60%($0.004 對 Haiku 約 $0.01)。反過來理解:如果你的任務讓 Ember 輸出量與 Haiku 相當,省錢效應就消失;「便宜三分之一」是任務成本的說法,不是單價的說法。
Alexandr Wang 的說法:Ember 接近 Muse Spark 1.3(max)的智能(AA 37 對 36),價格按 AA 口徑便宜 17 倍——Spark $2.39/任務對 Ember $0.14/任務。Simon Willison 的動手測試則稱 Ember 比 Wonder 便宜 40 倍。兩處倍數口徑不同(任務成本 vs 未註明口徑),引用時不要混用。
以下材料橫跨 11 月 9–16 日:獨立證據起初只有 Artificial Analysis 一家,11 月 10 日 Plotly 的數據分析實測與 Simon Willison 的動手測試相繼出現,11 月 15 日 LMArena 首登、11 月 16 日又添一篇獨立小樣本實測。先說結論:AA 指數 36 是真的;其餘六項分項基準是 Meta 轉述 AA 評估的結果,不是 AA 獨立發佈的榜單。每條都給出結論徽章;點「閱讀本站全文」進入本站的深度改寫文章頁,文末附原始出處。
來源:Artificial Analysis 首發評估,2026-11-09(獨立運行)
AA 智能指數 v5.0:Ember(max 檔)36,與 Claude Haiku 5.5(max)持平,Spark 1.3(max)37;單任務成本 $0.14 對 Haiku $0.41、Spark $2.39;AA 稱其爲「36 分以上最便宜的模型」;在約 $0.14/任務的可比模型中排 33 個裏的第 2。注意:這是 AA 獨立發佈的唯一一項;分項六基準見下條。
閱讀本站全文 → (本站原創整理)
來源:Meta 研究博客發佈文(Meta 對 AA 評估的轉述,廠商自報)
AutomationBench-AA 37.8% 對 Haiku 13.9%、Luna 20.2%(差距最大);Terminal-Bench 4.0 40.9% 對 Haiku 39.2%;OSWorld 2.1 69.5% 對 Haiku 68.9%、Luna 50.5%;Agents' Last Exam 61.6 對 57.0 / 57.1;PerceptionBench 80.6 對 78.6 / 62.8;但 FrontierCode 2.0-AA 27.2% 對 Haiku 34.9%——Ember 輸了。AA 編碼智能體指數 46 也是 Meta 的數字,Ridge 指出這是 Meta 的說法。Meta 圖表註腳稱 Ember 成本按提議價格估算。
閱讀本站全文 → (本站原創整理)
來源:Artificial Analysis(alphasignal 轉述)
AA-Omniscience 21.1%,在總分相近的模型裏最低。指數 36 概括的是綜合智能,Omniscience 測的是另一維度的能力——Ember 的 36 分之下藏着一項墊底成績,選型時要把這一項單獨拎出來看。
閱讀本站全文 → (本站原創整理)
來源:Simon Willison,2026-11-10(個人動手測試)
試了六檔推理強度:質量沒有隨檔位穩步上升,一次 high 檔請求甚至沒能返回完整的繪圖;稱 Ember 比 Wonder 便宜 40 倍。這是單人、單任務的觀察,不是基準——但它直接質疑了「默認 max 就最穩」的假設,也提醒低檔推理的質量未經官方驗證。
閱讀本站全文 → (本站原創整理)
來源:TechCrunch,2026-11-09 18:00 UTC;Hacker News 首發帖當日 228 分
TechCrunch 在發佈當日 18:00 UTC 報道;The Verge 也在同日報道(本站本輪未取得原文鏈接,不作鏈接引用);Hacker News 首發帖當日 228 分。第二波有 eesel.ai(稱其爲「拿到 Haiku 5.5 級結果最便宜的路」)、i10x.ai、alphasignal、at-pulse、tech-insider、agentfred 等約十家分析站點。
閱讀本站全文 → (本站原創整理)
來源:gptclub(11 月 11 日)、cocoloop(11 月 10 日)、jiazhuangai(11 月 10 日)、datalearner(11 月 9 日);臺港:techbang(11 月 11 日)、sunmedia(11 月 10 日)、airesearch.hk(11 月 10 日)
四家大陸利基媒體與三家臺港媒體在 11 月 9–11 日跟進,內容覆蓋規格、兩檔價格與「無權重」問答;但機器之心、新智元、量子位、IT之家均未見報道,中文自動補全也爲零。中文讀者目前主要靠英文首發與利基轉載瞭解 Ember。
閱讀本站全文 → (本站原創整理)
來源:LMArena(BenchLeader 鏡像頁),2026-11-15 結果
LMArena 11 月 15 日結果:WebDev(Max 檔)1,608 分第 37 名,Agent Arena 1.7 分第 25 名——兩個榜單都進了,但排名都靠後,尤其 Agent Arena 的分數很低,與 AA 指數 36 的「追平 Haiku」敘事形成反差。LiveBench 仍無 Ember 的運行記錄,仍是跟蹤循環的盯梢項。
來源:Activepieces,2026-11-16 13:31(北京時間;獨立小樣本實測)
作者自跑 3 項自動化任務(工單分類、發票字段提取、郵件 thread 摘要),Ember 3/3 全對;但總耗時 8.4 秒,爲 gpt-5.4-mini(2.8 秒)的 3 倍。作者自承每項只跑一次、僅供參考——準確率的可信度有限,速度差距的方向值得留意:Ember 的賣點是便宜,不是快。
來源:Plotly,2026-11-10(獨立實測,DataAnalyticsBench 43 題)
Plotly 把 45 款模型放進同一套 43 題數據分析考試——題目建在真實數據倉庫上,模型要自己寫查詢、查數據、給答案。Ember 答對 38 題,與 GPT-6 Luna 並列,領先 Haiku 5.5(37 題)1 題,也領先 Meta 自家開源的 Glimmer 30B(35 題)3 題。分項上:33 道有標準答案的題全部答對(分析、模糊問題、不可能請求、數據質量四類滿分);統計陷阱 4/5,高於 Luna 的 3/5 與 Haiku 的 2/5;失分集中在「隱藏模式」——5 題只找到 1 個。賬單是另一面:整輪跑下來 $1.04,是 Luna($0.13)的 8 倍。原因在用量:Ember 全程讀了約 2660 萬輸入 token,約爲 Luna 的 5 倍,其中 70% 走緩存($0.004/百萬);隱藏模式題平均每題要跑 78 次查詢,45 款模型裏第二多(中位數 25 次,兩題超過 100 次)。速度上中位每題 28 秒,與榜單中位數 27 秒相當;有一題總耗時 75 分鐘,但幾乎全是數據庫執行重查詢的時間,模型生成本身約 24 分鐘。限定條件:每個模型只跑一次;Plotly 稱重複跑分的波動可達 3 分,1–2 分的差距應視爲平手——Ember 與 Luna 的同分、以及領先 Haiku 的 1 分,在誤差範圍內都算平手。
以下 6 篇均爲本站原創改寫與再整理的深度文章——重新組織結構、補充結論與選型建議,事實與數據與原始測評覈對一致。點擊任意一篇在本站內閱讀,文末附原始出處。
一張表分兩層讀:上層是 AA 獨立發佈的指數 36(max 檔),下層是 Meta 轉述 AA 評估的六項分項成績——兩層的可信度不一樣,讀分數前先分清誰在說話。
| 測試(Meta 自報,AA 評估複述) | Muse Ember(max) | Claude Haiku 5.5(max) | GPT-6 Luna(max) |
|---|---|---|---|
| AutomationBench-AA(端到端業務流程) | 37.8% | 13.9% | 20.2% |
| Terminal-Bench 4.0(終端任務) | 40.9% | 39.2% | — |
| FrontierCode 2.0-AA(代碼) | 27.2% | 34.9% | — |
| OSWorld 2.1(計算機使用) | 69.5% | 68.9% | 50.5% |
| Agents' Last Exam(端到端智能體任務) | 61.6 | 57.0 | 57.1 |
| PerceptionBench(精細視覺感知) | 80.6 | 78.6 | 62.8 |
| 測量(AA 獨立發佈) | Muse Ember | Claude Haiku 5.5 | Muse Spark 1.3 |
|---|---|---|---|
| AA 智能指數 v5.0(max 檔) | 36 | 36 | 37 |
| 單任務成本(AA 指數) | $0.14 | $0.41 | $2.39 |
| AA-Omniscience | 21.1%(同檔最低) | — | — |
| AA 編碼智能體指數 | 46(Meta 的數字) | — | — |
| 測量 | 來源 | Ember 成績 | 說明 |
|---|---|---|---|
| AA 智能指數 v5.0 | Artificial Analysis,11 月 9 日 | 36(max),$0.14/任務 | 唯一的獨立評分;「36 分以上最便宜」 |
| AA-Omniscience | Artificial Analysis(alphasignal 轉述) | 21.1% | 同檔最低的短板 |
| Simon Willison 動手測試 | Simon Willison,11 月 10 日 | 六檔推理,質量不單調上升 | 單人單任務觀察,非基準 |
| Plotly DataAnalyticsBench(43 題數據分析考試) | Plotly,11 月 10 日 | 38/43(88%),$1.04 | 與 Luna 同分,但成本爲 Luna 的 8 倍;隱藏模式 1/5 是短板 |
| LMArena WebDev | LMArena(BenchLeader 鏡像),11 月 15 日結果 | 1,608 分第 37(Max 檔) | 首登;排名靠後 |
| LMArena Agent Arena | LMArena(BenchLeader 鏡像),11 月 15 日結果 | 1.7 分第 25 | 首登;分數很低 |
| LiveBench | — | 仍未收錄 | 無獨立評分 |
| Vals Index | BenchLeader,2026-11-17 讀取 | 60.5,第 15 名 | 原始發佈方 Vals AI |
| Vals Legal | BenchLeader,2026-11-17 讀取 | 75.7%,第 4 名 | 原始發佈方 Vals AI |
| Vals Finance | BenchLeader,2026-11-17 讀取 | 60.9%,第 13 名 | 原始發佈方 Vals AI |
| Vibe Code Bench v1.1 | BenchLeader,2026-11-17 讀取 | 83.7%,第 25 名 | — |
| Design Arena(網站榜) | BenchLeader,2026-11-17 讀取 | 1329,第 10 名 | — |
| SimpleBench | BenchLeader,2026-11-17 讀取 | 72.7%,第 23 名 | — |
| APEX-Agents | BenchLeader,2026-11-17 讀取 | 64.3%,第 15 名 | — |
| SWE Atlas v1.1 | BenchLeader,2026-11-17 讀取 | 56.0%,第 20 名 | 分項:Codebase QnA 61.3%(第 19)、Test Writing 56.7%(第 19)、Refactoring 50.0%(第 18) |
| HLE-Diamond(Scale) | BenchLeader,2026-11-17 讀取 | 22.0%,第 17 名 | — |
| FORTRESS | BenchLeader,2026-11-17 讀取 | 11.9%,第 8 名 | — |
| Excel Modeling | BenchLeader,2026-11-17 讀取 | 72.2%,第 13 名 | — |
| Terminal-Bench 4.0(AA)max 檔 | BenchLeader,2026-11-17 讀取 | 40.9%,第 46 名 | 原始發佈方 Artificial Analysis;與 Meta 自報 40.9% 同分,此處爲 AA 榜單排名 |
| FrontierCode 2.0(AA)max 檔 | BenchLeader,2026-11-17 讀取 | 27.2%,第 45 名 | 原始發佈方 Artificial Analysis;與 Meta 自報 27.2% 同分,此處爲 AA 榜單排名 |
| AA 智能指數 xhigh 檔 | BenchLeader,2026-11-17 讀取 | 34.1 | 原始發佈方 Artificial Analysis;max 檔爲 36,xhigh 檔低 1.9 分 |
| GameBench 2 綜合 | BenchLeader,2026-11-17 讀取 | 51.7,第 36 名 | 原始發佈方 DuelLab;XHigh 檔 58.6 |
| AA-Omniscience(非幻覺率) | BenchLeader,2026-11-17 讀取 | 82.6%,第 10 名 | 原始發佈方 Artificial Analysis;非幻覺率分項,本頁已有的 21.1% 爲綜合分,口徑不同 |
完整盤點見本站基準測試專文 →
| 維度 | Muse Ember | Claude Haiku 5.5 |
|---|---|---|
| AA 智能指數 v5.0(max) | 36 | 36 |
| 單任務成本(AA 指數) | $0.14 | $0.41 |
| 標價(輸入 / 輸出,每百萬 tokens) | $0.10 / $0.50(200K 以下) | $0.10 / $0.50 |
| 緩存輸入 | $0.004(便宜約 60%) | 約 $0.01 |
| AutomationBench-AA | 37.8% | 13.9% |
| Terminal-Bench 4.0 | 40.9% | 39.2% |
| FrontierCode 2.0-AA | 27.2% | 34.9% |
| OSWorld 2.1 | 69.5% | 68.9% |
| Agents' Last Exam | 61.6 | 57.0 |
| PerceptionBench | 80.6 | 78.6 |
| AA-Omniscience | 21.1%(同檔最低) | — |
| 上下文 | 1M | — |
| 開源權重 | 無 | 無 |
| 發佈 | 2026-11-09 | —(本輪未確認) |
同價、同指數、任務成本差三倍——這是 Ember 對 Haiku 的全部故事。Ember 贏在用量少(115M 輸出 token 對 298M)與業務流程、終端、計算機使用三項分項;輸在代碼(FrontierCode 27.2% 對 34.9%)與 Omniscience 21.1% 的墊底。重複任務、工具調用、路由抽取選 Ember;代碼密集任務先看 FrontierCode 再決定。
| 維度 | Muse Ember | GPT-6 Luna | Muse Spark 1.3 |
|---|---|---|---|
| AA 智能指數 v5.0(max) | 36 | — | 37 |
| 單任務成本(AA 指數) | $0.14 | — | $2.39 |
| 標價(輸入 / 輸出) | $0.10 / $0.50 | $0.10 / $0.50 | — |
| AutomationBench-AA | 37.8% | 20.2% | — |
| OSWorld 2.1 | 69.5% | 50.5% | — |
| Agents' Last Exam | 61.6 | 57.1 | — |
| PerceptionBench | 80.6 | 62.8 | — |
| 定位 | 高量執行 | 輕量旗艦對位 | 中量級主力(Ember 貴 17 倍的參照) |
對 Luna 是四項全勝(AutomationBench、OSWorld、Agents' Last Exam、PerceptionBench),但注意 Luna 的 AA 指數與單任務成本未在本輪覈查中確認,表中留空;本站不編造數字。家族內部:Ember 以 1 分之差(36 對 37)接近 Spark 1.3,任務成本只有後者的約十七分之一——Meta 的「規劃者與執行者」分工就建立在這個價差上。另注意:Spark 的標價與 Luna 的指數未在本輪覈查中確認,表中留空。
讀深度對比:Muse Ember vs Claude Haiku 5.5 → · 讀深度對比:Muse Ember vs GPT-6 Luna 與家族 →
Ember 的混淆主要來自三個地方:開源問題、價格問題、基準歸屬——逐條澄清如下。
Ember 沒有發佈任何權重,API 專屬。Google 自動補全裏出現「muse ember open weights」,反映的是有人在問,不是有權重可下。Meta 的開源 Muse 模型是 Glimmer(Spark 的開源孿生,8 月發佈),別把兩款模型混淆。
單價完全相同,都是 $0.10/$0.50。Ember 省的是單任務成本($0.14 對 $0.41),原因是它在同一套測試裏用的輸出 token 更少(約 115M 對約 298M)。把「便宜三分之一」說成單價便宜,是錯的。
只在輸入 token 不超過 200K 時成立。超過 200K 的請求整單按 3 倍計費($0.30/$1.50),而且是整單適用、不是隻算超出的部分。長上下文任務的實際單價是 $0.30,不是 $0.10。
AA 指數持平(36 對 36),分項五勝一負:六項裏 Ember 贏了五項(Terminal-Bench 只贏 1.7 分),但 FrontierCode 2.0-AA 27.2% 對 34.9% 輸了,AA-Omniscience 21.1% 還是同檔最低。業務流程與智能體執行是強項,代碼是短板。
只有 AA 智能指數 36 是 AA 在 11 月 9 日獨立發佈的。六項分項成績出自 Meta 發佈文的圖表,是 Meta 對 AA 評估的轉述;AA 編碼智能體指數 46 同樣是 Meta 的數字。引用時要分清誰在說話。
本輪覈查的全部來源——Meta 博客、API 文檔、TechCrunch 與十餘家分析文章——均未提及免費層。沒有免費層可寫,也不排除未來增加;以 Meta 官方頁面爲準。
沒有。Ember 是 API 專屬模型,未發佈任何權重。Meta 的開源 Muse 模型是 Glimmer / Spark Open(8 月發佈),與 Ember 是兩款不同的模型。Google 自動補全裏的「muse ember open weights」是有人在問,不是已有權重。詳見本站發佈總覽。
輸入 token 不超過 200K 時:$0.10 輸入 / $0.004 緩存輸入 / $0.50 輸出(每百萬 tokens)。超過 200K:整單 3 倍($0.30 / $0.012 / $1.50)。AA 指數單任務成本 $0.14,對 Haiku 5.5 的 $0.41。沒有任何來源提及免費層。詳見本站價格指南。
按 AA 智能指數 v5.0(max 檔),兩者都是 36,持平;但 Ember 的單任務成本只有 Haiku 的三分之一($0.14 對 $0.41)。分項看:Ember 在 AutomationBench、OSWorld 等四項領先,FrontierCode 27.2% 對 34.9% 落後,AA-Omniscience 21.1% 是同檔最低。詳見本站對比專文。
輸入 token 超過 200,000 的請求,輸入、緩存與輸出單價全部翻 3 倍,而且是整單適用——不是隻對超出部分加價。200K 以下 $0.10/$0.50,200K 以上 $0.30/$1.50。長文檔任務先算 token 量。詳見本站價格指南。
高量、重複的智能體執行:子智能體任務、工具調用、路由、抽取、長文檔解析——Meta 的定位是「Wonder 規劃、Ember 執行」。代碼密集任務要謹慎:FrontierCode 上它輸給 Haiku 5.5。詳見本站使用指南。
能,發佈當日即在全部套餐可用。另有 Meta Model API(muse-ember-1.0)、Google Cloud、Oracle Cloud 與 Vercel AI Gateway。詳見本站使用指南。
本頁事實均來自以下公開來源(覈查於 2026 年 11 月 16 日凌晨,經多篇二手轉述交叉覈對;Microsoft Foundry 一條覈查於 11 月 18 日)。無鏈接的條目爲按名稱與日期引用的報道原文,本站覈查時讀過但不虛構鏈接。
更多索引:Meta的全部模型專題 · 全部大語言模型 · 全部模型