Muse Ember 规格速查

定位

Meta 于 2026-11-10 发布 Muse Ember，这是 Muse 家族最小的模型，官方定位是「agent 一天里重复做的那部分活」：工具调用、编码子任务、路由、抽取、长文档解析。

家族分工写得很直白：Muse Wonder 负责规划与最难的问题，Muse Spark 负责编码与 agent 工作流，Ember 承担跑量执行。它不追最强推理，追的是每个任务几分钱。

一个可对照的坐标：Artificial Analysis 单任务成本约 0.14 美元，同门 Spark 1.3 为 2.39 美元，智能指数只差 1 分。这个价比说明它不是缩水版，而是把能力压到够用的位置再砍成本。

规格与价格

512K 的输出上限在轻量模型里不常见，配合 100 万上下文，一次调用塞进整个仓库或整套文档是可行的。原生吃音频与视频，意味着处理会议录音、屏幕录制时不需要先过一层转写模型，省的是编排复杂度。

这也是它相对同价位文本模型的主要差异：多数低价模型只吃文本，多模态要串两个服务，链路上每多一段就多一次失败与计费。

价格要注意分档：$0.10 / $0.50 对应 200K 以内的提示，超过后按更高档计费。做长文档批处理时，先按官方定价页算一遍真实档位，不要用基础价乘总量。

跑分与口径

Artificial Analysis 口径：智能指数与 Claude Haiku 5.5 相当，单任务成本约为其三分之一。这是第三方给出的比较，也是 Meta 官方引用的核心卖点。同一指数下 Muse Spark 1.3 只高一分左右，单任务成本却高一个数量级。

厂商自报的部分要分开看：AutomationBench-AA 37.8%、Terminal-Bench 4.0 40.9%、OSWorld 2.1 69.5%，均属官方口径，部分为 Meta 内部评测，无独立复测。

反例同样存在：FrontierCode 2.0-AA 为 27.2%，低于 Haiku 5.5 的 34.9%。所以「相当」是均值相当，不是逐项相当——在需要可合并代码改动的任务上，它不是更优选。

适用与不适用

适合：高频 agent 循环里的执行步、整库或整套文档单次读入、截图与录音的直接解析、路由与结构化抽取、需要把单任务成本压到 0.2 美元以内的产品。

不适合：最强推理与开放式科研，那是 Wonder 的位置；复杂可合并的代码改动；需要开源自托管——Ember 闭源、无权重、无本地部署路径，想要「便宜且能自己跑」的团队在这里会碰壁。

还有一条隐性成本：第三方测得其输出与输入的 token 比约为 1.15，抽取类任务没问题，聊天类任务会因啰嗦而多付输出费。用之前先在自己的子任务上量一遍实际比例。

本站判断（能力、价格效率、可得性三项）：价格效率上接近满分，可得性上因 Meta Model API 与两家云厂商可得、但受区域与合规条款影响略扣，能力上只到中档。属于「强但有限制」，适合当执行层而非决策层。

参考来源

参考来源：Meta AI Research Muse Ember 发布博客、Aragon Research 分析、Neural Daily 规格整理。

延伸阅读：Meta Muse Ember：0.14 美元一次任务，小模型接管执行层。