Meta 超级智能实验室 2026 年 11 月 9 日发布的 Muse 家族最小、最便宜的模型:专为高量智能体执行而生,1M 上下文、原生多模态输入,Artificial Analysis 指数 36(满档推理)追平 Claude Haiku 5.5,单任务成本 $0.14 只有后者的三分之一。但要先把定位说清楚:它没有开源权重——Meta 的开源 Muse 模型是 Glimmer / Spark Open,不是 Ember;六项分项基准全部是厂商自报的 AA 评估复述,唯一由 AA 独立发布的是指数 36 这一项;它在 FrontierCode 2.0 上输给 Haiku 5.5,AA-Omniscience 21.1% 是同档最低;LMArena 已于 11 月 15 日首登(WebDev 第 37、Agent Arena 第 25),LiveBench 至今没有收录;超过 200K 输入 token 的整单价格翻 3 倍,$0.10 的 headline 只在 200K 以下成立。本页汇总官方规格、价格、基准解读与 6 篇本站深度实测,并明确标注哪些说法尚未证实。
先把能确认的说清楚:这是本站第一个「讲性价比不讲能力上限」的专题——Ember 的故事是单任务成本与价目悬崖,不是最强智能。一句话:便宜是真的,免费层没有,开源也没有。
与最接近的同类模型横向对照:AA 指数、价格、上下文与开源情况一览。点击模型名进入专题页。
| 模型 | AA 指数(v5.0) | 输入 · 输出价格 | 上下文 | 开源 |
|---|---|---|---|---|
| Muse Ember | 36 | $0.10 / $0.50 每百万 tokens(≤200K 输入;超 200K 整单 3 倍) | 1M tokens | 否 |
| Qwen4-Max | 43 | $1.50 / $4.50 每百万 tokens | 1M tokens | 否 |
| 腾讯混元 Hy4 | 35 | ¥6 / ¥18 每百万 tokens(5 折至 12-31) | 1M tokens | 否(仅 preview 权重) |
| Inkling 2 Small | 31 | $0.30 / $1.00 每百万 tokens | 1M(架构上限;Tinker 64K/256K) | 是(Apache 2.0) |
| Nex-N2.6 | 未收录 | $0.12 / $0.40 每百万 tokens(8 折) | 262K(OpenRouter)/ 1M(发布配置) | 是(Apache 2.0) |
AA 指数为 Artificial Analysis 独立发布(v5.0);「未收录」表示该模型尚未登上 AA 榜单。价格为每百万 tokens 的输入·输出价,人民币价与美元价是各厂商的两套目录价,不可直接换算比较。完整对比见第 13 节,完整基准盘点见第 12 节。
AA 指数 v5.0 对照:Ember 36 分追平 Haiku 5.5;完整基准盘点见第 12 节。
时间不多的话,先读这三篇;完整目录见第 10 节。
Ember 与 Fable 5.2 同日发布——一边是 Anthropic 的「最大」,一边是 Meta 的「最小」,报道本身就拿这个对比做文章。本站已有 Fable 5.2 专题,两篇互为对照。
Muse Spark 发布(家族中量级模型)。
Muse Glimmer 发布——Spark 的开源权重孪生模型,也是 Meta 至今唯一的开源 Muse 模型。
Muse Wonder 发布(家族前沿旗舰);Wonder Full 被锁在 Muse Code 内部使用。
Muse Ember 发布:Meta 研究博客「Introducing Our Smallest, Most Efficient Model: Muse Ember」上线;Alexandr Wang 同日在 X 宣布——这是 Meta 首次用 Muse Wonder Full 训练发布的模型;同日上线 Meta Model API(muse-ember-1.0)、Muse Code 全部套餐、Google Cloud、Oracle Cloud 与 Vercel AI Gateway;Artificial Analysis 同日发布首发评估:智能指数 36、$0.14/任务;TechCrunch 同日 18:00 UTC 报道;Hacker News 首发帖当日 228 分;同日 Anthropic 发布 Claude Fable 5.2 / Mythos 5.2。
Simon Willison 发布动手测试(六档推理强度、鹈鹕绘图测试、比 Wonder 便宜 40 倍);中文与台港媒体跟进(cocoloop、jiazhuangai、sunmedia、airesearch.hk)。
Plotly 发布数据分析实测:Ember 在 43 题 DataAnalyticsBench 上答对 38 题,与 GPT-6 Luna 同分,但整轮成本 $1.04 是 Luna 的 8 倍;隐藏模式只找到 1/5。
第二波报道与分析:gptclub、datalearner、techbang,以及 eesel.ai、i10x.ai、alphasignal、at-pulse、tech-insider(200K 价目悬崖成本测算)、agentfred(与 Fable / Mythos 5.2 的同日对比)。
LMArena 首登(11 月 15 日结果):WebDev 1,608 分第 37(Max 档)、Agent Arena 1.7 分第 25;LiveBench 仍未收录。
本站专题上线;Activepieces 小样本实测:3 项自动化任务全对、总耗时 8.4 秒(gpt-5.4-mini 的 3 倍,每项只跑一次);LiveBench 仍未收录 Ember。
本站读取 BenchLeader 快照,批量补录多榜单分数:Vals Index 60.5(第 15)、Vals Legal 75.7%(第 4)、Vals Finance 60.9%(第 13)、GameBench 2 综合 51.7(第 36)、AA-Omniscience 非幻觉率 82.6%(第 10)等 16 项。见第 12 节。
扎克伯格经 X 宣布,Muse Ember 即将上线微软 Foundry(Azure),与 Muse Wonder、Muse Spark 1.3 同批;未给具体日期。见第 07 节。
以下为 Meta 研究博客与 Meta Model API 文档已公布口径(本轮核查于 2026 年 11 月 16 日凌晨,经多篇二手转述交叉核对)。参数量未公布,训练方法未披露;分项基准为 Meta 自报。
六条路线:前五条发布当日全部就绪,微软 Foundry 只宣布了即将上线、尚未开放。Meta 自家 API 与 Muse Code 是主入口,两朵云与一个网关是分发。没有免费层,也没有开源权重可下载——试用就意味着走 API。
模型 ID muse-ember-1.0,端点 api.meta.ai/v1,支持 Responses API,请求体与 Muse Spark 相同。价格 $0.10/$0.50(200K 输入以下),超过 200K 整单 3 倍;仅标准模式,无 Contributor 模式。
发布当日即在 Muse Code 全部套餐可用。定位是「Wonder 规划、Ember 执行」的双模型模式:Wonder / Spark 做规划,Ember 接高量执行任务。Meta 称 Ember 是首个用 Muse Wonder Full 训练的模型,Wonder Full 本身锁在 Muse Code 内部。
发布当日上架。价格与渠道细节以 Google Cloud 官方页面为准,本轮未逐项核对。
发布当日上架;Oracle 也是 Meta 发布时引用的合作方之一。价格与渠道细节以 Oracle Cloud 官方页面为准,本轮未逐项核对。
发布当日接入。适合已在用 Vercel AI Gateway 的项目直接切换模型 ID,价格以网关页面为准。
Meta CEO 扎克伯格 11 月 17 日经 X 宣布,Muse Ember 将与 Muse Wonder、Muse Spark 1.3 同批上线微软 Foundry(Azure);只说了 coming soon,未给具体日期,目前还不能用。
Ember 的价格故事分两层:单价与 Haiku 5.5、GPT-6 Luna 完全相同($0.10/$0.50),省的是单任务成本($0.14 对 $0.41);但超过 200K 输入 token 的整单翻 3 倍,$0.10 的 headline 只在 200K 以下成立。价格为 2026 年 11 月 16 日核查口径,结账页价格为准。
| 项目(每百万 tokens) | ≤ 200K 输入 | > 200K 输入(整单 3 倍) | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|---|
| 输入 | $0.10 | $0.30 | $0.10 | $0.10 |
| 缓存输入 | $0.004 | $0.012 | 约 $0.01(Ember 缓存便宜约 60%) | — |
| 输出 | $0.50 | $1.50 | $0.50 | $0.50 |
| AA 指数单任务成本 | $0.14 | — | $0.41 | — |
超过 200,000 输入 token 的请求,输入、缓存与输出三项单价全部翻 3 倍,而且是整单适用——不是只对超出 200K 的那部分加价。举例:一个 250K 输入 token 的请求,输入按 $0.30、输出按 $1.50 计费;同样输出量下,账单是 200K 以下请求的 3 倍。长文档解析、超长上下文智能体任务最容易撞上这条线:先算 token 量,再决定要不要拆请求或换档位。
Ember 与 Haiku 5.5、GPT-6 Luna 的标价完全相同($0.10/$0.50),省钱不在单价而在用量:AA 指数测试里 Ember 约用 115M 输出 token,Haiku 约用 298M——Ember 用更少的 token 完成同一套任务,于是单任务成本 $0.14 对 $0.41。缓存输入也便宜约 60%($0.004 对 Haiku 约 $0.01)。反过来理解:如果你的任务让 Ember 输出量与 Haiku 相当,省钱效应就消失;「便宜三分之一」是任务成本的说法,不是单价的说法。
Alexandr Wang 的说法:Ember 接近 Muse Spark 1.3(max)的智能(AA 37 对 36),价格按 AA 口径便宜 17 倍——Spark $2.39/任务对 Ember $0.14/任务。Simon Willison 的动手测试则称 Ember 比 Wonder 便宜 40 倍。两处倍数口径不同(任务成本 vs 未注明口径),引用时不要混用。
以下材料横跨 11 月 9–16 日:独立证据起初只有 Artificial Analysis 一家,11 月 10 日 Plotly 的数据分析实测与 Simon Willison 的动手测试相继出现,11 月 15 日 LMArena 首登、11 月 16 日又添一篇独立小样本实测。先说结论:AA 指数 36 是真的;其余六项分项基准是 Meta 转述 AA 评估的结果,不是 AA 独立发布的榜单。每条都给出结论徽章;点「阅读本站全文」进入本站的深度改写文章页,文末附原始出处。
来源:Artificial Analysis 首发评估,2026-11-09(独立运行)
AA 智能指数 v5.0:Ember(max 档)36,与 Claude Haiku 5.5(max)持平,Spark 1.3(max)37;单任务成本 $0.14 对 Haiku $0.41、Spark $2.39;AA 称其为「36 分以上最便宜的模型」;在约 $0.14/任务的可比模型中排 33 个里的第 2。注意:这是 AA 独立发布的唯一一项;分项六基准见下条。
阅读本站全文 → (本站原创整理)
来源:Meta 研究博客发布文(Meta 对 AA 评估的转述,厂商自报)
AutomationBench-AA 37.8% 对 Haiku 13.9%、Luna 20.2%(差距最大);Terminal-Bench 4.0 40.9% 对 Haiku 39.2%;OSWorld 2.1 69.5% 对 Haiku 68.9%、Luna 50.5%;Agents' Last Exam 61.6 对 57.0 / 57.1;PerceptionBench 80.6 对 78.6 / 62.8;但 FrontierCode 2.0-AA 27.2% 对 Haiku 34.9%——Ember 输了。AA 编码智能体指数 46 也是 Meta 的数字,Ridge 指出这是 Meta 的说法。Meta 图表注脚称 Ember 成本按提议价格估算。
阅读本站全文 → (本站原创整理)
来源:Artificial Analysis(alphasignal 转述)
AA-Omniscience 21.1%,在总分相近的模型里最低。指数 36 概括的是综合智能,Omniscience 测的是另一维度的能力——Ember 的 36 分之下藏着一项垫底成绩,选型时要把这一项单独拎出来看。
阅读本站全文 → (本站原创整理)
来源:Simon Willison,2026-11-10(个人动手测试)
试了六档推理强度:质量没有随档位稳步上升,一次 high 档请求甚至没能返回完整的绘图;称 Ember 比 Wonder 便宜 40 倍。这是单人、单任务的观察,不是基准——但它直接质疑了「默认 max 就最稳」的假设,也提醒低档推理的质量未经官方验证。
阅读本站全文 → (本站原创整理)
来源:TechCrunch,2026-11-09 18:00 UTC;Hacker News 首发帖当日 228 分
TechCrunch 在发布当日 18:00 UTC 报道;The Verge 也在同日报道(本站本轮未取得原文链接,不作链接引用);Hacker News 首发帖当日 228 分。第二波有 eesel.ai(称其为「拿到 Haiku 5.5 级结果最便宜的路」)、i10x.ai、alphasignal、at-pulse、tech-insider、agentfred 等约十家分析站点。
阅读本站全文 → (本站原创整理)
来源:gptclub(11 月 11 日)、cocoloop(11 月 10 日)、jiazhuangai(11 月 10 日)、datalearner(11 月 9 日);台港:techbang(11 月 11 日)、sunmedia(11 月 10 日)、airesearch.hk(11 月 10 日)
四家大陆利基媒体与三家台港媒体在 11 月 9–11 日跟进,内容覆盖规格、两档价格与「无权重」问答;但机器之心、新智元、量子位、IT之家均未见报道,中文自动补全也为零。中文读者目前主要靠英文首发与利基转载了解 Ember。
阅读本站全文 → (本站原创整理)
来源:LMArena(BenchLeader 镜像页),2026-11-15 结果
LMArena 11 月 15 日结果:WebDev(Max 档)1,608 分第 37 名,Agent Arena 1.7 分第 25 名——两个榜单都进了,但排名都靠后,尤其 Agent Arena 的分数很低,与 AA 指数 36 的「追平 Haiku」叙事形成反差。LiveBench 仍无 Ember 的运行记录,仍是跟踪循环的盯梢项。
来源:Activepieces,2026-11-16 13:31(北京时间;独立小样本实测)
作者自跑 3 项自动化任务(工单分类、发票字段提取、邮件 thread 摘要),Ember 3/3 全对;但总耗时 8.4 秒,为 gpt-5.4-mini(2.8 秒)的 3 倍。作者自承每项只跑一次、仅供参考——准确率的可信度有限,速度差距的方向值得留意:Ember 的卖点是便宜,不是快。
来源:Plotly,2026-11-10(独立实测,DataAnalyticsBench 43 题)
Plotly 把 45 款模型放进同一套 43 题数据分析考试——题目建在真实数据仓库上,模型要自己写查询、查数据、给答案。Ember 答对 38 题,与 GPT-6 Luna 并列,领先 Haiku 5.5(37 题)1 题,也领先 Meta 自家开源的 Glimmer 30B(35 题)3 题。分项上:33 道有标准答案的题全部答对(分析、模糊问题、不可能请求、数据质量四类满分);统计陷阱 4/5,高于 Luna 的 3/5 与 Haiku 的 2/5;失分集中在「隐藏模式」——5 题只找到 1 个。账单是另一面:整轮跑下来 $1.04,是 Luna($0.13)的 8 倍。原因在用量:Ember 全程读了约 2660 万输入 token,约为 Luna 的 5 倍,其中 70% 走缓存($0.004/百万);隐藏模式题平均每题要跑 78 次查询,45 款模型里第二多(中位数 25 次,两题超过 100 次)。速度上中位每题 28 秒,与榜单中位数 27 秒相当;有一题总耗时 75 分钟,但几乎全是数据库执行重查询的时间,模型生成本身约 24 分钟。限定条件:每个模型只跑一次;Plotly 称重复跑分的波动可达 3 分,1–2 分的差距应视为平手——Ember 与 Luna 的同分、以及领先 Haiku 的 1 分,在误差范围内都算平手。
以下 6 篇均为本站原创改写与再整理的深度文章——重新组织结构、补充结论与选型建议,事实与数据与原始测评核对一致。点击任意一篇在本站内阅读,文末附原始出处。
一张表分两层读:上层是 AA 独立发布的指数 36(max 档),下层是 Meta 转述 AA 评估的六项分项成绩——两层的可信度不一样,读分数前先分清谁在说话。
| 测试(Meta 自报,AA 评估复述) | Muse Ember(max) | Claude Haiku 5.5(max) | GPT-6 Luna(max) |
|---|---|---|---|
| AutomationBench-AA(端到端业务流程) | 37.8% | 13.9% | 20.2% |
| Terminal-Bench 4.0(终端任务) | 40.9% | 39.2% | — |
| FrontierCode 2.0-AA(代码) | 27.2% | 34.9% | — |
| OSWorld 2.1(计算机使用) | 69.5% | 68.9% | 50.5% |
| Agents' Last Exam(端到端智能体任务) | 61.6 | 57.0 | 57.1 |
| PerceptionBench(精细视觉感知) | 80.6 | 78.6 | 62.8 |
| 测量(AA 独立发布) | Muse Ember | Claude Haiku 5.5 | Muse Spark 1.3 |
|---|---|---|---|
| AA 智能指数 v5.0(max 档) | 36 | 36 | 37 |
| 单任务成本(AA 指数) | $0.14 | $0.41 | $2.39 |
| AA-Omniscience | 21.1%(同档最低) | — | — |
| AA 编码智能体指数 | 46(Meta 的数字) | — | — |
| 测量 | 来源 | Ember 成绩 | 说明 |
|---|---|---|---|
| AA 智能指数 v5.0 | Artificial Analysis,11 月 9 日 | 36(max),$0.14/任务 | 唯一的独立评分;「36 分以上最便宜」 |
| AA-Omniscience | Artificial Analysis(alphasignal 转述) | 21.1% | 同档最低的短板 |
| Simon Willison 动手测试 | Simon Willison,11 月 10 日 | 六档推理,质量不单调上升 | 单人单任务观察,非基准 |
| Plotly DataAnalyticsBench(43 题数据分析考试) | Plotly,11 月 10 日 | 38/43(88%),$1.04 | 与 Luna 同分,但成本为 Luna 的 8 倍;隐藏模式 1/5 是短板 |
| LMArena WebDev | LMArena(BenchLeader 镜像),11 月 15 日结果 | 1,608 分第 37(Max 档) | 首登;排名靠后 |
| LMArena Agent Arena | LMArena(BenchLeader 镜像),11 月 15 日结果 | 1.7 分第 25 | 首登;分数很低 |
| LiveBench | — | 仍未收录 | 无独立评分 |
| Vals Index | BenchLeader,2026-11-17 读取 | 60.5,第 15 名 | 原始发布方 Vals AI |
| Vals Legal | BenchLeader,2026-11-17 读取 | 75.7%,第 4 名 | 原始发布方 Vals AI |
| Vals Finance | BenchLeader,2026-11-17 读取 | 60.9%,第 13 名 | 原始发布方 Vals AI |
| Vibe Code Bench v1.1 | BenchLeader,2026-11-17 读取 | 83.7%,第 25 名 | — |
| Design Arena(网站榜) | BenchLeader,2026-11-17 读取 | 1329,第 10 名 | — |
| SimpleBench | BenchLeader,2026-11-17 读取 | 72.7%,第 23 名 | — |
| APEX-Agents | BenchLeader,2026-11-17 读取 | 64.3%,第 15 名 | — |
| SWE Atlas v1.1 | BenchLeader,2026-11-17 读取 | 56.0%,第 20 名 | 分项:Codebase QnA 61.3%(第 19)、Test Writing 56.7%(第 19)、Refactoring 50.0%(第 18) |
| HLE-Diamond(Scale) | BenchLeader,2026-11-17 读取 | 22.0%,第 17 名 | — |
| FORTRESS | BenchLeader,2026-11-17 读取 | 11.9%,第 8 名 | — |
| Excel Modeling | BenchLeader,2026-11-17 读取 | 72.2%,第 13 名 | — |
| Terminal-Bench 4.0(AA)max 档 | BenchLeader,2026-11-17 读取 | 40.9%,第 46 名 | 原始发布方 Artificial Analysis;与 Meta 自报 40.9% 同分,此处为 AA 榜单排名 |
| FrontierCode 2.0(AA)max 档 | BenchLeader,2026-11-17 读取 | 27.2%,第 45 名 | 原始发布方 Artificial Analysis;与 Meta 自报 27.2% 同分,此处为 AA 榜单排名 |
| AA 智能指数 xhigh 档 | BenchLeader,2026-11-17 读取 | 34.1 | 原始发布方 Artificial Analysis;max 档为 36,xhigh 档低 1.9 分 |
| GameBench 2 综合 | BenchLeader,2026-11-17 读取 | 51.7,第 36 名 | 原始发布方 DuelLab;XHigh 档 58.6 |
| AA-Omniscience(非幻觉率) | BenchLeader,2026-11-17 读取 | 82.6%,第 10 名 | 原始发布方 Artificial Analysis;非幻觉率分项,本页已有的 21.1% 为综合分,口径不同 |
完整盘点见本站基准测试专文 →
| 维度 | Muse Ember | Claude Haiku 5.5 |
|---|---|---|
| AA 智能指数 v5.0(max) | 36 | 36 |
| 单任务成本(AA 指数) | $0.14 | $0.41 |
| 标价(输入 / 输出,每百万 tokens) | $0.10 / $0.50(200K 以下) | $0.10 / $0.50 |
| 缓存输入 | $0.004(便宜约 60%) | 约 $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%(同档最低) | — |
| 上下文 | 1M | — |
| 开源权重 | 无 | 无 |
| 发布 | 2026-11-09 | —(本轮未确认) |
同价、同指数、任务成本差三倍——这是 Ember 对 Haiku 的全部故事。Ember 赢在用量少(115M 输出 token 对 298M)与业务流程、终端、计算机使用三项分项;输在代码(FrontierCode 27.2% 对 34.9%)与 Omniscience 21.1% 的垫底。重复任务、工具调用、路由抽取选 Ember;代码密集任务先看 FrontierCode 再决定。
| 维度 | Muse Ember | GPT-6 Luna | Muse Spark 1.3 |
|---|---|---|---|
| AA 智能指数 v5.0(max) | 36 | — | 37 |
| 单任务成本(AA 指数) | $0.14 | — | $2.39 |
| 标价(输入 / 输出) | $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 | 高量执行 | 轻量旗舰对位 | 中量级主力(Ember 贵 17 倍的参照) |
对 Luna 是四项全胜(AutomationBench、OSWorld、Agents' Last Exam、PerceptionBench),但注意 Luna 的 AA 指数与单任务成本未在本轮核查中确认,表中留空;本站不编造数字。家族内部:Ember 以 1 分之差(36 对 37)接近 Spark 1.3,任务成本只有后者的约十七分之一——Meta 的「规划者与执行者」分工就建立在这个价差上。另注意:Spark 的标价与 Luna 的指数未在本轮核查中确认,表中留空。
读深度对比:Muse Ember vs Claude Haiku 5.5 → · 读深度对比:Muse Ember vs GPT-6 Luna 与家族 →
Ember 的混淆主要来自三个地方:开源问题、价格问题、基准归属——逐条澄清如下。
Ember 没有发布任何权重,API 专属。Google 自动补全里出现「muse ember open weights」,反映的是有人在问,不是有权重可下。Meta 的开源 Muse 模型是 Glimmer(Spark 的开源孪生,8 月发布),别把两款模型混淆。
单价完全相同,都是 $0.10/$0.50。Ember 省的是单任务成本($0.14 对 $0.41),原因是它在同一套测试里用的输出 token 更少(约 115M 对约 298M)。把「便宜三分之一」说成单价便宜,是错的。
只在输入 token 不超过 200K 时成立。超过 200K 的请求整单按 3 倍计费($0.30/$1.50),而且是整单适用、不是只算超出的部分。长上下文任务的实际单价是 $0.30,不是 $0.10。
AA 指数持平(36 对 36),分项五胜一负:六项里 Ember 赢了五项(Terminal-Bench 只赢 1.7 分),但 FrontierCode 2.0-AA 27.2% 对 34.9% 输了,AA-Omniscience 21.1% 还是同档最低。业务流程与智能体执行是强项,代码是短板。
只有 AA 智能指数 36 是 AA 在 11 月 9 日独立发布的。六项分项成绩出自 Meta 发布文的图表,是 Meta 对 AA 评估的转述;AA 编码智能体指数 46 同样是 Meta 的数字。引用时要分清谁在说话。
本轮核查的全部来源——Meta 博客、API 文档、TechCrunch 与十余家分析文章——均未提及免费层。没有免费层可写,也不排除未来增加;以 Meta 官方页面为准。
没有。Ember 是 API 专属模型,未发布任何权重。Meta 的开源 Muse 模型是 Glimmer / Spark Open(8 月发布),与 Ember 是两款不同的模型。Google 自动补全里的「muse ember open weights」是有人在问,不是已有权重。详见本站发布总览。
输入 token 不超过 200K 时:$0.10 输入 / $0.004 缓存输入 / $0.50 输出(每百万 tokens)。超过 200K:整单 3 倍($0.30 / $0.012 / $1.50)。AA 指数单任务成本 $0.14,对 Haiku 5.5 的 $0.41。没有任何来源提及免费层。详见本站价格指南。
按 AA 智能指数 v5.0(max 档),两者都是 36,持平;但 Ember 的单任务成本只有 Haiku 的三分之一($0.14 对 $0.41)。分项看:Ember 在 AutomationBench、OSWorld 等四项领先,FrontierCode 27.2% 对 34.9% 落后,AA-Omniscience 21.1% 是同档最低。详见本站对比专文。
输入 token 超过 200,000 的请求,输入、缓存与输出单价全部翻 3 倍,而且是整单适用——不是只对超出部分加价。200K 以下 $0.10/$0.50,200K 以上 $0.30/$1.50。长文档任务先算 token 量。详见本站价格指南。
高量、重复的智能体执行:子智能体任务、工具调用、路由、抽取、长文档解析——Meta 的定位是「Wonder 规划、Ember 执行」。代码密集任务要谨慎:FrontierCode 上它输给 Haiku 5.5。详见本站使用指南。
能,发布当日即在全部套餐可用。另有 Meta Model API(muse-ember-1.0)、Google Cloud、Oracle Cloud 与 Vercel AI Gateway。详见本站使用指南。
本页事实均来自以下公开来源(核查于 2026 年 11 月 16 日凌晨,经多篇二手转述交叉核对;Microsoft Foundry 一条核查于 11 月 18 日)。无链接的条目为按名称与日期引用的报道原文,本站核查时读过但不虚构链接。
更多索引:Meta的全部模型专题 · 全部大语言模型 · 全部模型