Meta Muse Ember 智能体任务表现比肩 Claude Haiku 5.5，成本仅三分之一

Meta 超级智能实验室于 2026 年 11 月 9 日发布了 Muse Ember，这款紧凑型 AI 模型在 Artificial Analysis 智能指数上与 Anthropic 的 Claude Haiku 5.5 持平，而每项执行任务的成本只有后者的约三分之一。每项任务 0.14 美元对比 Haiku 5.5 的 0.41 美元，这一差距大到足以实质性改变大规模智能体工作流的经济账——前提是开发者能接受 Ember 在复杂的真实工程任务上表现较弱。

Ember 可通过 Meta Model API 的 Responses API 以及 Meta 面向编程的界面 Muse Code 使用。定价为每百万输入 token 0.10 美元、每百万缓存输入 token 0.004 美元、每百万输出 token 0.50 美元。其上下文窗口达 100 万 token，单次调用最多输出 51.2 万 token——单看容量规格，远高于大多数 flash 级模型。

Muse Ember 是首个用 Wonder Full 输出训练的 Muse 模型

Meta 的公告称 Ember「使用 Muse Wonder Full 的输出训练」，这使其成为 Muse 系列中首个通过蒸馏、而不是从零独立训练得到的模型。

在模型蒸馏中，较小的「学生」模型通过在更大、更强的「教师」模型的输出分布上训练来学习，这里的教师是 Muse Wonder Full——Meta 于 2026 年 10 月发布的两款 Wonder 模型中较大的那一款。学生网络不一定复制教师的内部表征，但会学会以少得多的参数和低得多的推理成本复现其输出。结果是一个从教师那里获得了相当能力、却没有继承其算力需求的模型。

Meta 没有披露 Ember 的参数量、模型架构类型或训练过程的具体细节。公开资料没有说明 Ember 使用的是 Transformer、混合专家设计还是其他架构，推理基础设施要求同样如此——批大小特性、内存占用和硬件偏好在 Meta 的公告中都没有提及。这种不透明与 Meta 对待此前 Muse 模型的方式一致，但也让开发者除了按 token 计价的 API 价格之外，无法独立评估部署成本。

从产品策略上看，分层意图很清楚：Wonder Full 负责规划和推理，Ember 负责大批量执行。Meta 把 Ember 定位为高频智能体子任务的合适模型——结构化数据提取、文档分析、多步骤编程工作流和业务流程自动化——而 Wonder 负责编排层。这与业界已成标准的分层模型设计如出一辙：由前沿推理模型负责拆解任务，由更便宜的模型处理拆解出的一连串子任务。2026 年 11 月 6 日向 Muse 和 Meta AI 消费者用户推出 Wonder 蒸馏模型，比 Ember 的 API 发布早三天，这表明两次发布是作为一项刻意的分层策略协调安排的，而不是各自独立的工程时间表。

基准成绩有选择地强势——其中一类明显偏弱

Ember 的基准结果既有实打实的竞争优势，也有一项公开承认的短板，而这项短板对某些用例很关键。

在AutomationBench-AA（测试结构化业务工作流自动化任务的严格 pass@1 准确率）上，Ember 得分 37.8%，Claude Haiku 5.5 为 13.9%，GPT-6 Luna 为 20.2%——是最接近竞争者的两倍多。在 Agents' Last Exam 的 Linux 子集（测试多步骤 shell 和系统管理任务）上，Ember 得分 61.6%，Haiku 5.5 为 57.0%，Luna 为 57.1%。在 Terminal-Bench 4.0 上，Ember 得分 40.9%，小幅领先 Haiku 5.5 的 39.2%，大幅领先 Luna 的 16.4%。在依赖测试框架的综合指标 Coding Agent Index-AA 上，Ember 得分 46，Haiku 5.5 为 37，Luna 为 31。在按部分完成度计分、衡量视觉化电脑操作能力的 OSWorld 2.1 上，Ember 得分 69.5%，Haiku 5.5 为 68.9%，Luna 为 50.5%。这些是 Meta 的内部评测结果，尚未经第三方独立复现。

例外是 FrontierCode 2.0-AA，它测试模型在取自生产代码库的真实 GitHub 工程任务上的表现。在这项测试中，Ember 得分 27.2%，落后 Claude Haiku 5.5 的 34.9% 达 7.7 个百分点。Meta 的发布材料没有解释这一差距。FrontierCode 普遍被视为比合成编程基准更难的信号，因为任务涉及真实的代码库导航、缺陷复现，以及针对真实测试套件生成补丁。对于智能体工作流高度依赖自主修改复杂现有代码库的团队来说，这一结果值得认真考虑。

在这组数据中，Artificial Analysis 智能指数是唯一一项由第三方独立汇编、而非 Meta 自己公布的基准，它给 Ember 打出 36 分——与 Claude Haiku 5.5 的 36.2 分持平。这是两款模型之间最可信的可比数字，也是「单位智能成本」这一核心论点的依据。

Ember 公布的最弱结果来自 Artificial Analysis 的事实回忆评测 AA Omniscience：Ember 得分 21.1%，拒答了 64% 的问题，而在作答的问题中，约有 17.4% 的答案是错误的。对于依赖无检索事实回忆的智能体工作流——即期望模型不查资料就知道答案——这一表现让 Ember 并不可靠。Meta 推荐的架构是把 Ember 作为执行层而不是知识来源，这在实践中能减轻、但无法消除这一风险。

Meta 正在推销的双层智能体架构

Meta 点名的三家早期测试方在发布时介绍了 Ember 在接近生产环境中的表现。

Cloudflare 首席技术官 Dane Knecht表示，在内部测试中，与定位相近的模型相比，Ember 的尾延迟最多改善了 30%，并以 Ember 处理跨多个代码库的代码排查作为具体用例。Knecht 说：「在我们的测试中，最突出的是速度。」

Chak Pothina是You.com的推理负责人，他表示在编程任务上，与竞争模型相比，Ember 的 p95 延迟为 2.2 秒，输出 token 减少 36% 至 48%，这在按 token 计价的部署中意味着可观的成本下降。Pothina 说，Ember「在我们的测试中完成了每一项编程任务，延迟是我们测试过的所有模型中最低的」。

Saoud Rizwan是智能体编程工具 Cline 的创始人，他说 Ember「是专门为子智能体工作打造的，在编程和文档分析这类工作上表现出色」。

这些是发布时收集的公司自报评价，未经独立审核。它们与 Ember 在 AutomationBench 和 Terminal-Bench 上的强劲成绩相符，但不能替代独立评测。

规模越大，经济账越清楚。一次调用 100 次模型的智能体会话——对多步骤自动化任务来说很常见——按 Ember 每项任务 0.14 美元计算花费 14 美元，按 Haiku 5.5 的价格则是 41 美元。每月 1 万次会话，差额就是 27 万美元。对于以这种规模运行智能体基础设施的公司，执行层模型的选择会成为一项实质性的运营成本决策。

DeepSeek Flash 和地区性替代方案提供不同的权衡

flash 级模型的竞争格局目前至少包括四个可信选项，分布在智能—成本曲线的不同位置。

DeepSeek V4.1 Flash 在Artificial Analysis 智能指数上的得分与 Ember 相近，但每项任务成本约 0.56 美元，大约是 Ember 价格的四倍。GLM-5.3-Flash 的成本得分比相近，但在北美市场的企业 API 平台上并不普及。GPT-6 Luna 在 AA 指数上视推理设置不同得分 23 到 28 分，明显低于 Ember 的 36 分，每项任务成本 0.15 美元，与 Ember 相当，但在面向智能体的基准上表现较弱。

Ember 的教师模型 Muse Wonder 本身在 AA 指数上得分 44，比 Ember 高 8 分，但估计每项任务成本高出 50 多倍。因此，Wonder 加 Ember 的组合是一种分层成本押注：规划步骤付 Wonder 的价格，执行步骤付 Ember 的价格，而 44 与 36 之间的差距就是蒸馏付出的智能代价。

Muse Glimmer是 Meta 于 2026 年 8 月发布的 300 亿参数开放权重模型，提供了另一种权衡：需要自托管或微调的开发者可以使用 Glimmer，无需支付 API 推理费用，但它缺少 Ember 在 AutomationBench-AA 和 Coding Agent Index 上展现的智能体基准表现。Ember 不提供开放权重。

Anthropic 的 Claude Haiku 5.5 仍是最直接的同类竞争者：AA 智能指数得分相同，在 Ember 落后的 FrontierCode 上表现强劲，但每项任务成本约为三倍。两者之间的选择，实际上是在成本效率（Ember）、代码密集型智能体任务（Haiku 5.5），以及 FrontierCode 上那 7.7 个百分点的差距对具体工作流是否重要之间做取舍。

Meta 关于 Muse Ember 没有说的事

对于一款定位于企业智能体部署的模型来说，好几项标准技术信息的缺失值得注意。

Meta 没有公布 Ember 的参数量，因此无法独立估算假设性本地部署的硬件要求，也无法把 Ember 放进更大范围的模型规模图谱中。与 Haiku 5.5 的比较完全以基准结果和定价为依据，而不是架构上的相似性。

Meta 没有公布是否支持微调。没有微调 API，意味着开发者无法让 Ember 适配特定领域任务，也无法用自己的数据调整其行为，而这一能力已成为企业 AI 部署的标配。

Meta 的安全评估称，Ember 已按超级智能扩展框架（Superintelligence Scaling Framework）进行评估，在所评估的各个类别中都低于高风险阈值。但评估方法、红队测试细节和类别定义都没有公开，因此无法独立核实这一说法。

事实回忆方面的短板——在 AA Omniscience 中拒答率 64%、作答错误率 17.4%——在 Meta 的材料中没有被提及。对于检索增强的智能体架构，Ember 只需处理已检索到的内容，这一限制影响较小；但对于把模型自身参数化知识作为执行逻辑一部分的工作流，影响就大得多。

Muse 生态，以及 Ember 发布透露了什么

Muse 产品线现在涵盖四个模型层级：Muse Spark（2026 年 4 月）确立了实验室的存在感；Muse Wonder 和 Wonder Full（2026 年 10 月）确立了前沿推理层；Ember 如今填补了大批量执行的位置。

先在 11 月 6 日向 Muse 和 Meta AI 消费者用户推出 Wonder 蒸馏模型，再于 11 月 9 日发布 Ember API，这是一次协调推出：蒸馏技术先进入面向大众的消费产品，三天后才以企业 API 产品的形式出现，压缩了产品周期，让 Meta 能够同时宣传消费级 AI 的改进和企业 API 的定价。

Meta 在 2026 年 10 月公布的 1000 万个 Muse 个人智能体，就是这套分层架构运行的部署面。哪怕其中只有一小部分会话用 Wonder 编排、用 Ember 级模型执行，与 Ember 相当的推理量也已经十分庞大——这或许可以解释为什么 Meta 把 Ember 的价格定得比最接近的基准竞争对手更低，而不是持平。

Muse 生态接下来值得关注的里程碑，一是面向日本和新加坡的消费者智能体扩张，这会给平台的运营增加地区性的数据处理约束；二是第三方对 Ember 关键基准成绩的独立复现——尤其是 AutomationBench-AA，如果它对 Haiku 5.5 的领先幅度得到证实，大到足以改变部署决策。对于有复杂代码库智能体工作流的团队，FrontierCode 上的差距是需要关注的信号：未来的 Muse 模型如果能以 Ember 的价位补上这一差距，将实质性地改变 AI 编程基础设施的竞争格局。