Muse Ember 是 Meta 超级智能实验室 2026 年 11 月 9 日发布的小模型，型号 muse-ember-1.0，接的是智能体一天里反复跑的那些活：工具调用、编程子任务、路由、信息提取、长文档解析。在 Muse Code 和 Meta Model API 里调，输入每百万 token 0.10 美元、输出 0.50 美元，上下文 100 万 token，单次最多输出 51.2 万 token。
官方给的定位是 Meta 至今体量最小、单位成本产出最高的模型，专门啃复杂推理的执行段和智能体全天重复的活。
它不负责想方案。官方的分工说法是 Muse Wonder 规划，Muse Ember 处理海量任务；客服智能体里，重模型先定处理规则，Ember 拿着规则跑几万个工单。
发布时间按官方博客写的是 2026 年 11 月 9 日，中文媒体按北京时间记成 11 月 10 日，差的是时区。
它是第一个用 Muse Wonder Full 训练出来的模型，官方叫法是训练自旗舰，能力从旗舰往下蒸馏，再按高频小任务裁剪。
三个价目：输入每百万 token 0.10 美元，缓存命中过的输入 0.004 美元，输出 0.50 美元。缓存价是输入价的 4%，反复喂同一份长文档时差价从这一项出。
上下文 100 万 token，单次最多吐 51.2 万 token。一次调用装得下一整个代码库，或者一整套合同与文档。
缓存那档价格对应的是重复输入。同一份系统提示词、同一批合同第二次进来只收原价的 4%，批量跑同类任务时差价从这一项出。
接口走 Responses API，模型名就写 muse-ember-1.0。上线当天能用的地方有两个：Muse Code 和 Meta Model API。
这套规格对着的是智能体场景里那类跑几百遍的小任务，不是给人写长文用的。官方举的例子是读文件、跑测试、按报错做定向修复。
官方引的是 Artificial Analysis 2026 年 11 月 9 日的数据，横轴是单任务成本，纵轴是综合智能指数，每个点是一档推理强度。
| 模型与档位 | 智能指数 | 单任务成本 |
|---|---|---|
| Muse Ember max | 35.8 | $0.136 |
| Muse Ember xhigh | 33.9 | $0.116 |
| Claude Haiku 5.5 max | 36.2 | $0.411 |
| Claude Haiku 5.5 high | 29.6 | $0.159 |
| GPT-6 Luna max | 27.8 | $0.152 |
表里最值得看的一对是 35.8 和 36.2。Ember 花 0.136 美元拿到 35.8 分，Haiku 要到 0.411 美元才有 36.2 分，0.4 分的差距对应 3 倍的钱。
另一头是 Luna。它在 0.152 美元的档位上只有 27.8 分，比 Ember 贵 1 毛钱的任务反而少 8 分。
官方注明这张表是拿各家标价估出来的，不是账单实测；真实花费还要看缓存命中率与输出长度。
AutomationBench-AA 测端到端业务流程：取记录、按顺序做工具调用、跨应用改系统状态。Ember 37.8，Haiku 5.5 是 13.9，Luna 20.2，这一项差了 23.9 分。
Agents’ Last Exam 测长链路任务，三方挤在一起：61.6、57.0、57.1，Ember 只多出 4 分多。
Personal Superintelligence Index 是官方自己拼的综合指数，覆盖个人事务与知识工作，Ember 46.8 对 36.1 和 37.0。
三张图的分数都取各模型的最高推理档，横向比才成立。拿 Ember 的 max 档去对别家的低档，分差会虚高，成本那一栏也会失真。
Terminal-Bench 4.0 按各家公开的 harness 配置跑，Ember 40.9，Haiku 39.2，Luna 16.4。差距不大，但这一项 Ember 站在前面。
Coding Agent Index-AA 把模型放进真实 agent 骨架里跑，46 对 37 对 31。
FrontierCode 2.0-AA 换了个评判口径：改动能不能被项目维护者合并。这一项 Ember 27.2，Haiku 34.9，Luna 25.2，是整套评测里 Ember 唯一落后 Haiku 的一项，差 7.7 分。
把三项放在一起能看出取舍：按 harness 跑任务、在骨架里连续动手，Ember 站得住；要交一份能过审的补丁，它的通过率还不如贵三倍的模型。
0.10 美元的输入价撑的是频次。一个会话里跑几百次读文件、跑测试、按报错改几行，单价高一点的模型在这种循环里烧钱，Ember 的设计目标就是这一段。
文本、图像、音频、视频四类输入原生支持，输出只有文本。截图、图表、扫描件进得去，语音备忘、会议录音、视频素材也进得去，不用再挂一个转写模型。
GDP.pdf-AA 测长文档里的专业工作，Ember 22.8，Haiku 20.8，Luna 22.8，三家打平。
OSWorld 2.1 测在桌面应用里操作电脑，按部分给分是 69.5、68.9、50.5，按二值给分是 33.8、27.8、17.0。两种口径都只差不到 1 分。
PerceptionBench 测细粒度视觉感知，配工具跑：80.6、78.6、62.8。
Meta 的 Muse 系列现在分三层。Wonder 接最难的问题，Spark 接编程与智能体工作流，Ember 接能规模化重复执行的编码与智能体任务。
| 模型 | 接的活 | 上线时间 |
|---|---|---|
| Muse Wonder | 最难的问题 | 2026 年 10 月 |
| Muse Spark | 编程与智能体工作流 | 2026 年 4 月 |
| Muse Glimmer | Spark 的开源版 | 2026 年 8 月 |
| Muse Ember | 规模化重复执行的编码与智能体任务 | 2026 年 11 月 |
同一时期还有消费端产品：Muse Agent 在 9 月上线，本月加了 Spaces 与视频聊天。
拿 Muse Spark 1.3 对照最直观。智能指数 37 比 36，单任务成本 2.39 美元对 0.14 美元，价格 1.25 与 4.25 对 0.10 与 0.50。多 1 分，贵 17 倍。
import os, requests
url = os.environ["META_API_BASE"] + "/v1/responses"
headers = {"Authorization": f"Bearer {os.environ['META_API_KEY']}"}
payload = {
"model": "muse-ember-1.0",
"input": "把这份合同的违约条款逐条比对我们的谈判手册，标出偏差",
"input_file_ids": ["file_xxx"],
}
res = requests.post(url, headers=headers, json=payload, timeout=300)
print(res.json()["output"][0]["content"])
接口地址与字段名以官方文档当天页面为准，Responses API 这一套和各家的同名接口不完全一致。
上线前按 Meta Superintelligence Scaling Framework 跑了一遍，覆盖化学与生物、网络安全、失控三类风险，结论都低于框架里的高风险阈值。小模型也走了同一套核心安全训练与测试。
另有一组针对代理行为的评估：是否按用户意图办事，敏感信息怎么处理，网页、文档、工具返回里夹带的指令能不能顶住，高风险动作前会不会先问人。
首批把它放进真实业务的伙伴是 Box、Cline、Oracle、Cloudflare、You.com。Box 那边用在合同审查与候选人筛选，Cline 用在编码子任务上。
Meta 同时放话还有更省的模型在训，Ember 是这条线的第一颗。
用Muse的核心就四步：下载App、用Meta账号登录、给它起个名字、按需连接邮箱日历等账号，然后直接发一句话让它干活。它不需要...
2026-10-05
Muse AI的官网地址是muse.ai，这是Meta推出的个人AI智能体官方入口。官网能直接注册账号、体验网页版功能、下载手机和电脑客...
2026-10-05
Muse AI的邀请码是注册成功后用来兑换额外Token额度的一串字符，填进去你和分享者都能各拿10亿Token，永久有效。Muse官方文档...
2026-10-05
Muse AI是收费的，但绝大多数人用不着花钱。它有个免费版，每周给1亿Token，日常发邮件、填表、查东西完全够用。重度用户才需...
2026-10-05
Muse AI是免费的，而且免费版给得相当大方。每个用户每周有1亿Token的额度，日常用它发邮件、填表、查东西完全够用。Meta的AI...
2026-10-05