11 月 9 日，Meta 超级智能实验室发布 Muse Ember，称其为 Muse 系列中最小、最高效的模型，定位是承担智能体工作流里高频、边界明确的执行任务，而不是用一个小模型包办全部复杂推理。官方列举的用途包括工具调用、编码子任务、请求路由、信息提取与长文档解析。

模型标识为 muse-ember-1.0，上下文窗口 1048576 个词元，可处理文本、图像、音频、视频与 PDF 输入。Meta 给出的列表价格为每百万输入词元 0.10 美元、输出 0.50 美元，长上下文（超过 20 万输入词元）另有更高费率。发布当日即上线 Meta Model API 与 Muse Code，并接入 Google Cloud、Oracle Cloud。

Meta 强调 Ember 的卖点不是单任务最高准确率，而是以约三分之一成本取得与 Claude Haiku 5.5 相当的最佳分数，并在每一项推理档位上都比 GPT-6 Luna 更划算。在 AutomationBench-AA 上，Ember 最佳结果 37.8，高于 Haiku 的 13.9 与 Luna 的 20.2；Terminal-Bench 4.0 为 40.9，略高于 Haiku 的 39.2。上述部分结果为 Meta 内部评测，外部评测使用了各自的最佳公开测试架。

Meta 给出的组合方式是让 Muse Wonder 或 Muse Spark 负责规划与推理，把范围有限、反复出现的子任务交给 Ember 执行。发布前，Ember 按 Meta 超级智能扩展框架做了化学、生物、网络与失控风险测评，结果均低于高风险阈值，并接受了与其他大模型相同的安全训练与测试。Box、Cline 等合作方已把它用于合同逐条核险、编码与文档分析子任务。

Meta Muse Ember 发布最小、最高效的 Muse 模型，主打智能体重复执行一、定位与用途承担工具调用、编码子任务、路由、信息提取、长文档解析不是包办全部推理，而是把高频边界明确的步骤交给小模型二、规格与价格模型标识 muse-ember-1.0，上下文 1048576 个词元输入 0.10 美元 / 输出 0.50 美元 每百万词元11 月 9 日上线 Meta Model API、Muse Code、Google Cloud、Oracle Cloud三、基准（Meta 内部 + 外部评测）AutomationBench-AA 最佳：Ember 37.8 / Haiku 13.9 / Luna 20.2Terminal-Bench 4.0：Ember 40.9 / Haiku 39.2 / Luna 16.4每推理档位都比 GPT-6 Luna 更划算，约 1/3 成本追平 Haiku 最佳分四、安全与分工按 Meta 超级智能扩展框架测化学/生物/网络/失控风险，低于高门槛Muse Wonder 或 Spark 规划，Ember 跑量；Box、Cline 已用于合同核险与编码五、数字与口径发布 11-09；1M 上下文；0.10/0.50 美元每百万词元；37.8/40.9 为最佳结果来源 Meta AI Research 官方博客 11-09（一手）；The Decoder / ETV Bharat 11-09注：部分结果为 Meta 内部评测，外部评测用各自最佳公开测试架定位：智能体经济将在成本最低的执行层取胜，而非只在最难任务
Meta Muse Ember：Muse 系列最小模型，面向智能体高频执行任务（Meta AI Research 2026-11-09，一手）

信息来源

Meta Muse Ember 智能体 小模型 成本效率 Meta Model API