Meta发布Muse Ember，称其为公司最小、最高效的模型，专为智能体每天重复的工作而设计：工具调用、编码子任务、路由、信息抽取与长文档解析。模型即日起在Muse Code与Meta模型API上线，模型名为muse-ember-1.0。
Ember支持100万token的上下文窗口与最高51.2万token的输出，一次调用可以读完整个代码库或一整套文档。它原生理解文本、图像、音频与视频，能直接看截图操作电脑，也能处理语音备忘录与会议录音。
定价是Ember最大的卖点：每百万输入token 0.10美元、每百万输出token 0.50美元。在Artificial Analysis的智能指数上，Ember得分为36，与Claude Haiku 5.5持平，与GPT-6 Luna的28拉开差距。
小模型的价格，大模型的表现
Meta强调，Ember在任何推理强度下，每美元提供的智能都高于Haiku 5.5与GPT-6 Luna：它以约三分之一的成本达到Haiku的最佳分数，并全面超越Luna的各个档位。在智能体工作流基准AutomationBench上，Ember得分37.8，远高于Haiku的13.9与Luna的20.2。
终端编码测试Terminal-Bench 4.0中，Ember得分40.9，同样领先Haiku的39.2与Luna的16.4。不过在部分纯工程任务上，Ember仍略逊于Haiku，Meta建议最难的问题搭配Muse Wonder使用：Wonder负责规划，Ember负责执行量。Ember是首个用Muse Wonder Full训练出的模型，产品组合至此完整：Wonder应对最难的问题，Muse Spark负责编码与智能体工作流，Ember则以每个任务约0.14美元的成本，承担可规模化重复的编码与智能体任务。
为智能体日常任务而生
智能体的大部分token消耗在大量细小、结构化的步骤上，Ember正是为这种负载打造：端到端跑完一个业务工作流，按顺序调用工具、拉取记录、更新系统。它还能直接操作电脑、解析长文档，处理真实世界中的专业工作。
安全方面，Meta称Ember经过超级智能扩展框架评估，在化学、生物、网络安全与失控风险上均低于高风险阈值，并接受了与大模型相同的核心安全训练。模型上线谷歌云与甲骨文云，覆盖面进一步扩大。
对开发者来说，Ember的意义在于成本结构的变化：当一次智能体任务的成本降到0.14美元，过去因为太贵而无法规模化的自动化场景，如今都变得可行。轻量模型的竞赛，正在从比拼参数转向比拼每美元的智能。
Meta还透露，更高效的模型仍在训练中。Ember的发布标志着AI竞赛的另一条战线正式打响：谁能把智能做得又小又便宜，谁就能把它装进每一个产品。