智东西在11月10日的时候发布消息, 今天, Meta正式发布了最新的一个模型, 这个模型的名称叫做Muse Ember, 它主要侧重于复杂推理和智能体任务这两块内容。
Meta公司自己声明说, 这是他们到目前为止所发布的体积相对最小、但是运行效率却最高的一个模型, 它能够做到跨应用执行工作流, 能够连续调用工具, 还能够运行测试, 并且可以修复代码。
Model Muse Ember 的上下文窗口支持到100万Token这么长的长度, 它在理解文本、图像、音频, 还有视频这些内容的时候, 是原生的能力。这种能力可以让它处理非常大的文档资料, 也可以去处理多种类型的数据输入。
Meta的创始人以及首席执行官马克·扎克伯格, 他的英文名在原文里是Mark Zuckerberg, 这个人也在一个叫X的社交平台上把这个消息给公布出来了, 他对这方面进行了谈论, 说的具体内容是那个叫Muse Ember的东西, 它是Meta公司现在手里拥有的体积最小的模型, 在和它属于同一类型的其他大模型去作比较之后发现这个模型能够拿出更强的算力而且花费的成本还要更低一些, 这个东西的设计初衷就是为了专门用来服务于那些Agent, 因为那些Agent需要在一整天的时间里面反复不断地去执行任务, 并且在这个过程中会消耗掉非常大量数量的Token。
这个模型也是第一个使用Muse Wonder Full进行训练的模型。Muse Wonder Full是在今年10月12日发布的, 在过去了近一个月的时间之后, Meta就已经基于这一个模型开发出了名为Muse Ember的新模型。
这一举动进一步展现了如何利用Wonder系列中的模型来训练专用的模型。
在第三方的人工分析机构所提供的测试数据里, 当模型处于最高推理强度这一状态时, Muse Ember这个模型的得分情况是35.8分。这个分数和Claude Haiku 5.5所取得的36.2分相比, 两者的差距非常小, 基本可以看作是持平的状态。
但是, 如果从完成单个单项任务所需成本的这个维度来进行考量, Muse Ember的成本花费仅大约是0.14美元, 而按照目前的汇率换算过来, 这个数字约合为人民币0.94元。将这个成本数字与Claude Haiku 5.5的实际成本进行对比之后可以发现, 前者的花费大约仅为后者总费用的三分之一。
在同一天, Anthropic这家公司发布了一个新的模型, 这个模型的名称叫做Claude Fable 5.2, 它取得了65分的成绩, 这个分数比起Muse Ember要高出29分。
在价格这一方面, Muse Ember这个模型的价格设定是每百万个输入Token的收费标准为0.10美元, 这个数额大概相当于人民币的0.67元, 对于每百万个缓存输入的Token呢, 收费是0.004美元, 这差不多就是人民币的0.03元的样子, 至于每百万个输出的Token, 其定价则是0.50美元, 这约合人民币3.36元。
眼下, Muse Ember这个模型, 它是能够通过那个Meta Model API以及Muse Code来进行开放的使用的, 与此同时, 它也支持Responses API这个功能。
一、网页生成实测表现亮眼，20多个网站平均2分钟完成
有些用户觉得, Muse Ember这个模型在体量上做得很轻, 所以它不仅能直接支持多模态的输入, 还具备能容纳一百万Token的很长上下文窗口, 但更重要的是它并不会让GPU的计算压力变得过大, 而这种情况恰恰是本地开发工具在运行那些基于真实场景的Agent工作流时所必需具备的能力。
另一个用户觉得, 和单个token的价格比起来, “完成单项任务要花多少钱”这个指标, 才是更应该去看清楚的。
他说得具体些呢, 就是假如一个模型单价虽然便宜一些, 但是它需要重试上三次才能把事情办成的话, 那你实实在在付出的成本, 有可能反而会比那个单价看起来更贵、可是你只需要它试上一次就能把任务正确搞定的模型, 还要多出不少来。
他另外指出, 假定Muse Ember能够在真实的agent工作负载场景里面确实做到把成本降低到相同类型的模型费用的三分之一, 那么这一点才会真正使得用户愿意去采用。
第三方评测机构Vals AI表示, Muse Ember在它们的Vals Index里, 单项测试成本是最低的, 做一项测试只需要付0.15美元, 折算成人民币大概是1.01元左右, 这个模型在测试中的得分达到了60.5%, 比Claude Haiku 5和GPT-6 Luna都要高。
经过大约15分钟的时间, Muse Ember已经完成了测试工作, 在榜单的前12名模型里, 它是速度相对最快的那个。
在实际进行网页开发测试的过程之中, Arena.ai已经把Muse Ember接入了名为Code Arena: WebDev的系统里面去, 并且让模型在一瞬间就把超过二十个的网站还有动画全部都给生成了。
然后, Arena.ai这边是说, 目前的Muse Ember是那个平台上表现最好的小模型, 它能够以比较快的速度和比较低的成本来生成网页质量比较高的那些作品。在它那个计时的、多轮的、生成任务里面, 模型平均每次生成的花费时间是大约2分钟。
可以看到, 从其展示的画面里面, Muse Ember给生成了一个名字叫做NOCTIS的香水品牌网站, 这个网站是包含了产品展示这一项功能的, 同时也包含了香水分类这一项目, 还加入了香调介绍的内容, 另外还有产品对比这样的功能, 最后呢也是提到了试香盒这个组合的方面。
Muse Ember除了在网页生成这方面有应用之外, 还被开发者拿去对3D模型设计进行的测试。
有一名开发者提到过这样一个情况, 就是他在一项负责生成树木模型的任务里, 让Muse Ember只用33秒这一短暂的时间, 就完成生成5种完全不同的树木模型, 这样的话, 它的速度甚至比那些用来做对比的其他模型快了多达25倍这么一种状态。
并且这个生成的结果是很有用的, 它不但为每一棵树都分别添加了相应的标签, 而且还提供了包括树木高度以及多边形数量在内的细节信息在里面, 此外还提供了线框视图这种功能。
还有别的开发者讲了, Muse Ember这个模型在最近发布的一个叫作ORO SMB Bench的批发业务基准测试里是什么样子的。他说这个Muse Ember在里面的表现跟GLM 5.3、Grok 4.7还有Muse Spark 1.3这些型号差不多, 水平相当。
但是呢, 那个叫做Muse Wonder 1.0的型号它的表现是最差的, 还是垫底的。他进一步指出, 他们现在正着手给GPT-6 Luna还有Claude Haiku 5.5补上测试环节, 为的是要去做那个所谓的、真正的横向对比工作。
有用户也非常直接地对Muse Ember提出了评价, 他认为这个产品真的非常快。在他所分享的截图里面可以看到, 当通过调用OpenRouter这个途径去使用Muse Ember进行运行操作的时候, 它一次性成功完成的工作步骤数量达到了18个。
同时在该界面之中所展示的内容也清楚地表明了它的生成速度具体是达到了每秒钟3565 Token的数值, 并且它的缓存命中率情况为75%。
不过, 另一名用户对于Meta AI这块产品的实际使用感受进行了批评性的表述, 他的说法指出, Meta AI在安全措施方面的限制条件设置得太过严格，导致他自己不得不选择取消对这项服务的订阅行为。
在他的详细描述里他提到, 自己甚至连一个问题都提不出来去让Meta AI准确给出它目前究竟是在运行哪一个模型的明确答案, 在整个互动过程中他收到的回复结果呈现出前后不一致的状态, 先是声称自己当前处于Muse这一版本的运作之下 , 随后却又突然改口说自己实际上正在运行的是名为Muse Wonder的系统。
二、对于单项任务的计算, 其消耗的成本可以降低到非常低的水平, 具体的数值低至每一个任务只需要0.14美元, 而在针对Agent进行的测试表现方面, 其效果是可以与Claude Haiku 5.5相提并论的。
这个名为Muse Ember的对象, 主要是冲着AI Agent在运行的时候, 那种大量重复发生的任务去的。Meta那边讲过这样的话呀, 说呢Agent要是想要完成一些复杂的工作的话, 那就是需要反反复复地去调用工具, 然后去读取文件, 还得去运行代码, 以及提取信息和修改结果的这些东西。
虽然这些个单次执行的任务其实并不存在任何复杂性, 但是如果放到那些很长很长的工作流里边的话, 它们还是会持续地消耗Token还有算力的。
Muse Ember这款产品, 它是专门针对这类进行频率特别高的高频任务而设计出来的。这个模型能够承担起工具调用工作, 也就是调用各种工具, 同时还能负责运行测试代码的任务, 以及开展有针对性的代码修复工作等方面的工作内容。
Meta公司称述说, 在不同推理强度设置的情况下, Muse Ember的单位成本智能水平基本要高于Claude Haiku 5.5和GPT-6 Luna。
在考察模型综合智能水平的Artificial Analysis Intelligence Index v5中，在最高推理强度下，Muse Ember与表现最好的模型Claude Haiku 5.5得分仅相差0.4分。
Muse Ember的得分是35.8分。这个分数低于Claude Haiku 5.5的得分, 后者为36.2分。不过, Muse Ember完成一项单项任务的成本, 仅为0.136美元, 这大约折合人民币0.91元。
相比之下, 这项成本约为后者的三分之一。Claude Haiku 5.5完成单项任务的成本约为0.411美元, 这大约折合人民币2.74元。
当拿Meta自家的Muse Spark 1.3进行比较的时候, 可以发现Muse Ember拥有比较明显的成本优势。
同样是在那个叫作Artificial Analysis Intelligence Index v5的测评集里面, Muse Ember这个模型拿到了36分这样的分数。而与之相对的, 是Muse Spark 1.3, 它得到的分数是37分。
这两款模型分别完成单项任务, 它们所花费的成本各大约为0.14美元, 这里面大致折合成了0.94元人民币, 另外一个是2.39美元, 这里边大致算是折合成了15.94元人民币, 就这Muse Ember在单项任务上面花的成本还远远不到, 那Muse Spark 1.3花在单项任务上成本的百分之五点九呢。
在针对Agent任务的测试工作里面, Muse Ember这个模型分别在AutomationBench-AA, 还有Agents’ Last Exam这些评测项目当中都得到了很好的表现, 并且都把第一名给获得了。
在对模型是否能够完成端到端的业务流程能力进行测评的测试集合, 也就是AutomationBench-AA里面, Muse Ember这个模型的得分结果是百分之三十七点八。这个成绩是高过GPT-6 Luna的那个百分之二十一点二的, 同时也是高过Claude Haiku 5.5的那个百分之十三点九的。
在测评集Agents’ Last Exam里面, 用来测试模型是否可以完成复杂工作任务的, Muse Ember获得了61.6%的分数, 这个分数比GPT-6 Luna的57.1%要更高, 也比Claude Haiku 5.5的57.0%要高。
在用于测试模型综合智能指数的那个测评集里面, 它叫作Personal Superintelligence Index, Muse Ember拿到的分数是46.8%, 这个分数比GPT-6 Luna的37.0%要高, 也比Claude Haiku 5.5的36.1%要高。
在编码能力方面, Muse Ember于多项测试里也展现了竞争力, 不过在真实工程任务上仍存在差距, 在三项目测试之中有两项取得了第一名的成绩。
在测评集Coding Agent Index中, 会对模型在真实Agent框架里面完成编码任务的能力进行测试。在这个测试下, Muse Ember得到了46分。这个分数比Claude Haiku 5.5得到的37分要更高。此外, 这个分数也比GPT-6 Luna得到的31分要高。
在Terminal-Bench 4.0测试集里面, 这个测试集是用来考察模型通过终端环境完成Agent式编程任务的能力的。
Muse Ember得了40.9%, Claude Haiku 5.5是39.2%。Muse Ember比它略高一点, 而且远远领先于GPT-6 Luna。GPT-6 Luna只有16.4分。
在考察模型能不能完成真实工程任务的测试集里头, 这个测试集的名字叫 Artificial Analysis的FrontierCode 2.0-AA, Muse Ember在这个地方并没有表现出优势, 这个模型在这一项上头, 到现在还是落后于 Claude Haiku 5.5。
在最新的评估结果里面, 得分最高的大模型是Claude Haiku 5.5, 其得分为34.9%；而排名稍后一些的是Muse Ember, 它的得分为27.2%。至于得分最低的那一个, 则是GPT-6 Luna, 最终的得分为25.2%。
说到多模态处理以及电脑操作这两件事儿的话, Muse Ember这个模型所展现出来的水准, 跟GPT-6 Luna还有Claude Haiku相比, 基本上是属于那种平起平坐或者是说还要稍微高那么一筹的状态。
Meta那边自己倒是宣称说, 他们的这个全新模型, 居然还能够做到直接根据用户上传的那个屏幕截图画面来对电脑进行实际的操控, 同时也具备去精准识别出那些隐藏在图像内部的那些细枝末端细节的强大能力。
在对模型处理长文档的能力进行测试时, 所用到的测试集是文件名为GDP.pdf-AA的那一份。
在这个测试集中, 模型的名称为Muse Ember的这个模型拿到的分数是22.8%, 模型的名称为GPT-6 Luna的这个模型拿到的分数也是22.8%。这两个分数都比名称为Claude Haiku 5.5的所拿到的20.8%的分数要高。
Meta还通过测试集OSWorld 2.1, 来考察模型在真实桌面应用环境中操作电脑的能力。Muse Ember得分为69.5%, 这个分数略高于Claude Haiku 5.5的68.9%。同时, 它还领先GPT-6 Luna的50.5%。
在名为PerceptionBench的内部测试里, 这是Meta用来考察模型在对图像中的细节信息进行识别以及理解能力的一项工作结果中, Muse Ember得到的分数是80.6%, 这个成绩明显比那78.6%高了5.5个百分点, 而那78.6%正是Claude Haiku 5.所得到的分数, 同时也要明显优于那高达62.8%这一得分情况, 因为GPT-6 Luna拿到的就是这点分数。
三、企业合作伙伴反馈积极，Muse Ember主打执行任务
在企业这一块的应用场景里面, Meta他们邀请了像网络安全服务商Cloudflare以及AI搜索平台You.com这些合作伙伴, 来共同参加早期的测试环节。
据Cloudflare的首席技术官戴恩·克内希特, 也就是Dane Knecht这么表示的, 在他所在的公司开展的那些测试里头, Muse Ember这个玩意儿, 能够把一部分任务当中的尾部延迟现象给降下去, 最高能降到30%这么个幅度。
现在负责You.com推理工作的那个人叫查克·波蒂纳（Chak Pothina）, 他说的是, 在这个名为Muse Ember的模型完成它所做的全部编码测试任务的时候, 它的延迟被确认为是2.2秒, 这个速度大约是部分那些处于领先地位的开源模型的速度, 是它们的4倍到13倍，并且输出的数量减少幅度是在36%到48%之间。
按照Meta方面的定位情况来看, Muse Wonder主要是去处理那些难度大一点的问题。Muse Spark这类的产品是面向编程工作流还有Agent工作流的。
至于Muse Ember呢, 它是负责一些大规模的、重复性的编码任务以及Agent任务的。Meta方面还称说: “Muse Wonder这一块是负责规划的, 而Muse Ember则是负责处理大量的执行任务。”。
Muse Ember这个模型, 它是第一个被用到Muse Wonder全量版本进行训练的那个。
Meta之前说, 它们会把那些基于Muse Wonder系列所做出来的特定方向的专用模型给开发出来, 然后让这些本事能够去服务到更多的用户身上, 而这一次推出的这个名为Muse Ember的产品, 正好就是沿着上面这种想法一步一步做出来的结果。
在安全这一方面, Meta做出了说明, 表示Muse Ember这个模型在它正式发布之前, 已经接受了Meta超级智能扩展框架的评估工作了, 具体的评估过程包括了化学与生物安全以及网络安全、还有失控风险之类的多种类别内容, 至于那些已经被评估过的风险分类, 发现该模型的表现距离框架里规定的高风险门槛, 全都还有一段挺远的路要走, 就是说它完全没有达到那个高标准的要求。
结语：大模型造小模型，Meta探索Agent时代的模型分工
从Muse Ember的产品定位来看，Meta正进一步细化不同规模模型在Agent工作流中的分工，让Muse Wonder Full等大模型承担复杂任务，并通过更轻量化的小模型处理高频调用和重复执行任务。
这个基于Muse Wonder Full进行的训练工作, 最后得出的结果是Muse Ember。在不少部分的测试集里面。它现在已经能够获得比那些通用的大模型还要好的成绩了。除此之外它还同时兼顾了执行速度方面的表现以及调用成本方面的问题。
对于那些需要不停地调用模型的开发者来说, 还有对于各类企业来说, Muse Ember提供了一款成本更低的一些选择给那些高频的Agent任务方面的情况用。
