Muse Ember 没有聊天应用入口,也没有开源权重可下载——用它只有一条路:走 API 或走 Muse Code。本文按五条渠道、六档推理与三类任务,把接入要点、档位选择与 200K 悬崖的规避办法一次写清。
| 渠道 | 上线时间 | 要点 |
|---|---|---|
| Meta Model API | 发布当日 | 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 |
| Muse Code | 发布当日 | 全部套餐可用;「Wonder 规划、Ember 执行」的双模型模式主场 |
| Google Cloud | 发布当日 | 价格与接入细节以官方页面为准,本轮未逐项核对 |
| Oracle Cloud | 发布当日 | 价格与接入细节以官方页面为准,本轮未逐项核对;Oracle 也是发布时引用的合作方 |
| Vercel AI Gateway | 发布当日 | 已在用网关的项目直接换模型 ID;价格以网关页面为准 |
选渠道的原则:直接调模型用 Meta Model API;已经在 Muse Code 里工作就用内置的 Ember;已有云上部署的走对应云;已有 Vercel AI Gateway 的走网关。没有免费层,任何渠道的预算都从 $0.10/$0.50 起算。
模型 ID 是 muse-ember-1.0,端点 api.meta.ai/v1。两点要注意:第一,支持 Responses API,请求体与 Muse Spark 相同——已经接过 Spark 的项目,换模型 ID 就能跑,不用改请求结构;第二,仅标准模式,无 Contributor 模式。上下文 1,048,576 tokens,最大输出 524,288 tokens;输入支持文本、图像、音频、视频、PDF(原生多模态),输出仅文本。合作方引言里提到的 Box、Cline、Oracle、Cloudflare、You.com 是 Meta 发布时公布的,不是第三方验证——选型时按官方文档与 AA 评估判断,不要按合作方引言判断。
Ember 在 Muse Code 全部套餐可用,定位是「Wonder 规划、Ember 执行」:Wonder / Spark 做规划、拆解与高价值判断,Ember 接子智能体任务、工具调用、路由、抽取与长文档解析。实际用起来分两层:规划层用 Wonder / Spark,执行层把重复任务批量交给 Ember;Ember 本人就是用 Muse Wonder Full 训练出来的,Wonder Full 锁在 Muse Code 内部,不对外提供。这个分工成立的前提是价差真实——17 倍的任务成本差(Spark $2.39 对 Ember $0.14)让「规划一次、执行一千次」的账算得过来。
六档推理强度:minimal、low、medium、high、xhigh、max,默认 max。Meta 只公布了 max 档的基准成绩——低档的质量未经官方验证。Simon Willison 的动手测试(11 月 10 日)给了唯一的实测提醒:六档都试过之后,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。这是单人单任务的观察,不是基准,但结论很实用:不要默认「档位越高越好」,也不要默认「降档省钱不损失质量」。做法是:关键任务先用默认 max 跑通,再对重复任务逐档下调并抽查输出质量,找到自己任务的档位甜点;绘图类输出要特别抽查完整性。
超过 200,000 输入 token 的请求整单按 3 倍计费($0.30/$0.012/$1.50),输入只涨 25% 账单能涨 233%(见价格指南实例)。三条规避办法:第一,拆请求——把长文档分块处理,每块控制在 200K 以下;第二,缩上下文——只送任务必需的片段,用摘要或检索代替全文塞入;第三,提高缓存命中——固定不变的长上下文走缓存输入($0.004,比 Haiku 便宜约 60%),但注意超过 200K 时缓存单价也翻 3 倍($0.012),缓存不是悬崖的免死金牌。长文档解析是 Ember 的定位任务之一,恰恰也是最容易撞线的一类——先算 token,再发请求。
| 任务 | 适合度 | 依据 |
|---|---|---|
| 子智能体任务、工具调用、路由、抽取 | 适合 | Meta 的定位任务;AA 指数 36 与 Haiku 持平,任务成本三分之一 |
| 业务流程自动化 | 适合 | AutomationBench-AA 37.8% 对 Haiku 13.9% |
| 长文档解析(200K 以下) | 适合 | 1M 上下文、原生多模态输入;注意 200K 悬崖 |
| 终端任务、计算机使用 | 可试 | TB 4.0 只赢 Haiku 1.7 分、OSWorld 只赢 0.6 分,优势很小 |
| 代码密集任务 | 不适合首选 | FrontierCode 27.2% 对 Haiku 34.9% |
| 超 200K 输入的长上下文任务 | 先算账 | 整单 3 倍;拆请求或缩上下文后再用 |
| 需要开源权重 / 本地部署 | 不适合 | Ember 无开源权重;要开源选 Glimmer / Spark Open |
Meta 称 Ember 按超级智能扩展框架做了评估(化生、网络、失控三类),无一类超过高风险阈值;还评估了抵抗藏在网页、文档与工具输出中的指令、以及高影响操作前寻求人工确认的能力。这些是 Meta 的说法,未经第三方验证——高影响操作(删数据、发钱、对外发消息)不要只靠模型的自我约束,流程上加人工确认或权限收紧更稳妥。发布时引用的合作方评价(Box、Cline、Oracle、Cloudflare、You.com)同样是 Meta 公布的引言,不是独立验证。
Meta Model 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。或在 Muse Code 全部套餐里直接用;另有 Google Cloud、Oracle Cloud 与 Vercel AI Gateway。
默认 max。Meta 只公布 max 档成绩,低档质量未经官方验证;Simon Willison 的测试显示质量不随档位单调上升。重复任务可以逐档下调并抽查质量,找到自己任务的甜点;绘图类输出要抽查完整性。
拆请求、分块处理;缩上下文、只送必需片段;提高缓存命中。注意缓存单价超过 200K 也翻 3 倍,缓存不是免死金牌。先算 token,再发请求。
不能。Ember 没有开源权重,API 专属。要本地部署或开源权重,选 Meta 的 Glimmer / Spark Open,那是另一款模型。
参考来源:Meta 研究博客 — 渠道、推理档位、安全评估、合作方引言 · Meta Model API 文档(muse-ember-1.0、api.meta.ai/v1、Responses API)· Simon Willison 动手测试(六档推理、鹈鹕绘图测试)· Artificial Analysis — 智能指数 36、单任务成本 $0.14(本文为本站改写与整理,事实以 Meta 发布文与 API 文档为准)