Muse Ember 沒有聊天應用入口,也沒有開源權重可下載——用它只有一條路:走 API 或走 Muse Code。本文按五條渠道、六檔推理與三類任務,把接入要點、檔位選擇與 200K 懸崖的規避辦法一次寫清。
| 渠道 | 上線時間 | 要點 |
|---|---|---|
| Meta Model API | 發佈當日 | 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 |
| Muse Code | 發佈當日 | 全部套餐可用;「Wonder 規劃、Ember 執行」的雙模型模式主場 |
| Google Cloud | 發佈當日 | 價格與接入細節以官方頁面爲準,本輪未逐項覈對 |
| Oracle Cloud | 發佈當日 | 價格與接入細節以官方頁面爲準,本輪未逐項覈對;Oracle 也是發佈時引用的合作方 |
| Vercel AI Gateway | 發佈當日 | 已在用網關的項目直接換模型 ID;價格以網關頁面爲準 |
選渠道的原則:直接調模型用 Meta Model API;已經在 Muse Code 裏工作就用內置的 Ember;已有云上部署的走對應雲;已有 Vercel AI Gateway 的走網關。沒有免費層,任何渠道的預算都從 $0.10/$0.50 起算。
模型 ID 是 muse-ember-1.0,端點 api.meta.ai/v1。兩點要注意:第一,支持 Responses API,請求體與 Muse Spark 相同——已經接過 Spark 的項目,換模型 ID 就能跑,不用改請求結構;第二,僅標準模式,無 Contributor 模式。上下文 1,048,576 tokens,最大輸出 524,288 tokens;輸入支持文本、圖像、音頻、視頻、PDF(原生多模態),輸出僅文本。合作方引言裏提到的 Box、Cline、Oracle、Cloudflare、You.com 是 Meta 發佈時公佈的,不是第三方驗證——選型時按官方文檔與 AA 評估判斷,不要按合作方引言判斷。
Ember 在 Muse Code 全部套餐可用,定位是「Wonder 規劃、Ember 執行」:Wonder / Spark 做規劃、拆解與高價值判斷,Ember 接子智能體任務、工具調用、路由、抽取與長文檔解析。實際用起來分兩層:規劃層用 Wonder / Spark,執行層把重複任務批量交給 Ember;Ember 本人就是用 Muse Wonder Full 訓練出來的,Wonder Full 鎖在 Muse Code 內部,不對外提供。這個分工成立的前提是價差真實——17 倍的任務成本差(Spark $2.39 對 Ember $0.14)讓「規劃一次、執行一千次」的賬算得過來。
六檔推理強度:minimal、low、medium、high、xhigh、max,默認 max。Meta 只公佈了 max 檔的基準成績——低檔的質量未經官方驗證。Simon Willison 的動手測試(11 月 10 日)給了唯一的實測提醒:六檔都試過之後,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。這是單人單任務的觀察,不是基準,但結論很實用:不要默認「檔位越高越好」,也不要默認「降檔省錢不損失質量」。做法是:關鍵任務先用默認 max 跑通,再對重複任務逐檔下調並抽查輸出質量,找到自己任務的檔位甜點;繪圖類輸出要特別抽查完整性。
超過 200,000 輸入 token 的請求整單按 3 倍計費($0.30/$0.012/$1.50),輸入只漲 25% 賬單能漲 233%(見價格指南實例)。三條規避辦法:第一,拆請求——把長文檔分塊處理,每塊控制在 200K 以下;第二,縮上下文——只送任務必需的片段,用摘要或檢索代替全文塞入;第三,提高緩存命中——固定不變的長上下文走緩存輸入($0.004,比 Haiku 便宜約 60%),但注意超過 200K 時緩存單價也翻 3 倍($0.012),緩存不是懸崖的免死金牌。長文檔解析是 Ember 的定位任務之一,恰恰也是最容易撞線的一類——先算 token,再發請求。
| 任務 | 適合度 | 依據 |
|---|---|---|
| 子智能體任務、工具調用、路由、抽取 | 適合 | Meta 的定位任務;AA 指數 36 與 Haiku 持平,任務成本三分之一 |
| 業務流程自動化 | 適合 | AutomationBench-AA 37.8% 對 Haiku 13.9% |
| 長文檔解析(200K 以下) | 適合 | 1M 上下文、原生多模態輸入;注意 200K 懸崖 |
| 終端任務、計算機使用 | 可試 | TB 4.0 只贏 Haiku 1.7 分、OSWorld 只贏 0.6 分,優勢很小 |
| 代碼密集任務 | 不適合首選 | FrontierCode 27.2% 對 Haiku 34.9% |
| 超 200K 輸入的長上下文任務 | 先算賬 | 整單 3 倍;拆請求或縮上下文後再用 |
| 需要開源權重 / 本地部署 | 不適合 | Ember 無開源權重;要開源選 Glimmer / Spark Open |
Meta 稱 Ember 按超級智能擴展框架做了評估(化生、網絡、失控三類),無一類超過高風險閾值;還評估了抵抗藏在網頁、文檔與工具輸出中的指令、以及高影響操作前尋求人工確認的能力。這些是 Meta 的說法,未經第三方驗證——高影響操作(刪數據、發錢、對外發消息)不要只靠模型的自我約束,流程上加人工確認或權限收緊更穩妥。發佈時引用的合作方評價(Box、Cline、Oracle、Cloudflare、You.com)同樣是 Meta 公佈的引言,不是獨立驗證。
Meta Model 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。或在 Muse Code 全部套餐裏直接用;另有 Google Cloud、Oracle Cloud 與 Vercel AI Gateway。
默認 max。Meta 只公佈 max 檔成績,低檔質量未經官方驗證;Simon Willison 的測試顯示質量不隨檔位單調上升。重複任務可以逐檔下調並抽查質量,找到自己任務的甜點;繪圖類輸出要抽查完整性。
拆請求、分塊處理;縮上下文、只送必需片段;提高緩存命中。注意緩存單價超過 200K 也翻 3 倍,緩存不是免死金牌。先算 token,再發請求。
不能。Ember 沒有開源權重,API 專屬。要本地部署或開源權重,選 Meta 的 Glimmer / Spark Open,那是另一款模型。
參考來源:Meta 研究博客 — 渠道、推理檔位、安全評估、合作方引言 · Meta Model API 文檔(muse-ember-1.0、api.meta.ai/v1、Responses API)· Simon Willison 動手測試(六檔推理、鵜鶘繪圖測試)· Artificial Analysis — 智能指數 36、單任務成本 $0.14(本文爲本站改寫與整理,事實以 Meta 發佈文與 API 文檔爲準)