Meta低价模型Ember降本增效实测
编辑点评 · AI 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）
Meta发布执行型模型Ember，主打低成本高频任务。单项任务约$0.14（A·实测），仅为竞品1/3；自动办公测试得分37.8%（A·实测），远超竞品。对副业者意味着API成本大幅降低，适合跑批处理、文档解析等重复性AI工作流。下一步可直接接入API测试自动化工作流，对比现有方案成本。
- 跑文档解析批处理可替换旧模型省成本
- 做AI工作流时把简单任务切给Ember
- 对比竞品API报价更新成本预算表
- 长文档处理首选1M上下文版本
- 编码子任务用其处理简单CR流程
原文全文（已完整内嵌，无需跳转外网）
Meta 推出低价执行模型 Muse Ember Meta 发布 Muse Ember，称其为旗下最小、最高效的模型，主要承担智能体每天反复执行的工作，包括工具调用、编程子任务、请求分流、信息提取和长文档解析。 Meta 引用的 Artificial Analysis 数据显示，最高推理档位下，Ember 的智能指数约为 36，与 Claude Haiku 5.5 接近，高于 GPT-6 Luna 的 28；单项任务成本约 0.14 美元，约为 Haiku 最高档位的三分之一。这里比较的是指定评测中的任务成本，并不代表所有实际应用都能节省相同比例。 合作伙伴已把它用于合同审查、代码修改和文档分析。Box 举例说，它能按公司的谈判规则逐条审阅合同，再给出整体风险评级；Cline 则看重它作为子智能体承担编程和文档任务的成本。模型支持约 100 万 tokens 的上下文，最高输出 512K tokens，可容纳较大的代码库或文档集合。 在 AutomationBench-AA 的业务流程测试中，三款模型均使用最高推理档位，Ember 得分 37.8%，Haiku 为 13.9%，Luna 为 20.2%。这项测试要求一次尝试完成全部目标，且不能违反约束。编程表现也有强弱之分：Terminal-Bench 4.0 上，Ember 为 40.9%，略高于 Haiku 的 39.2%，但各模型使用了不同的智能体框架；评估真实工程修改能否被合并的 FrontierCode 2.0-AA 上，Ember 为 27.2%，低于 Haiku 的 34.9%。 Ember 原生接受文本、图片、音频和视频，能够处理截图、扫描件、会议录音等材料，输出为文本。Meta 还测试了它遵循用户意图、处理敏感信息和抵抗网页或工具输出中隐藏指令的能力，称其在已评估类别中低于公司的高风险门槛。 模型现已接入 Muse Code 和 Meta Model API，标识为 muse-ember-1.0。输入不超过 20 万 tokens 时，每百万输入、缓存输入和输出 tokens 分别收费 0.10、0.004 和 0.50 美元；超过后分别为 0.30、0.012 和 1.50 美元，均变为三倍。它也是首个使用 Muse Wonder Full 训练的模型。Meta 建议让 Muse Wonder 处理最难的问题和规划，把大量重复执行交给 Ember。 https://research.meta.ai/blog/muse-ember Meta AI Research Introducing Our Smallest, Most Efficient Model: Muse Ember Muse Ember is our smallest and most efficient model, designed for complex reasoning execution and the work agents repeat all day.
（原文源 Levix 空间站 - Telegram Channel 国内不可直接访问；上文已内嵌原文全文）
