2026年11月9日，Meta在官方博客发布Muse Ember，定位是自家最小、最便宜的模型，专门给智能体每天重复干的小活准备：调工具、写代码片段、做路由、抽信息、啃长文档。价格定在每百万输入token 0.1美元、输出0.5美元，即日起上线Muse Code与Meta Model API，型号名muse-ember-1.0。
Muse Ember跑分追平Haiku，账单只有三分之一
Meta给出的对比集中在性价比上。Artificial Analysis智能指数36分，追平Claude Haiku 5.5满配，领先GPT-6 Luna的28分；智能体端到端工作流评测AutomationBench-AA上，Ember拿到37.8分，Haiku 13.9分、Luna 20.2分。按Meta的算法，每完成一个Artificial Analysis任务，Ember成本约0.14美元，而同门大哥Muse Spark 1.3要2.39美元。便宜不止因为定价低：1M上下文、最高512K输出token，一次调用能吞进整个代码库或一整套文档，少拆几次任务就少花几次钱。
哪些活适合交给Muse Ember
Ember瞄准的是量大、重复、步骤多的执行层。Box的早期测试里，它按谈判手册逐条给合同打分、筛简历并标出可备选的边缘候选人，准确率与速度都够用。多模态是原生支持，文字、图片、音频、视频都能直接读，智能体可以看截图操作电脑、读长文档、听会议录音，不用再套一个专用模型。安全上它通过了Meta超级智能扩展框架的评估，化学、生物、网络安全与失控风险都在高风险阈值以下；Meta还专门测了它替用户办事时的表现，包括是否尊重用户意图、能否顶住藏在网页与文档里的注入指令、高风险操作前会不会先问一句。
需要说清的边界是，Ember不是旗舰。Meta自己的分工是：最难的问题交给Muse Wonder规划，量大的执行交给Ember；Ember也是第一个用Muse Wonder Full训练出来的模型。现阶段性能数字都来自Meta自家与Artificial Analysis的榜单，独立复测还没出来。值得看的下一步，是它在真实智能体里的故障率与成本表现——便宜的模型只有稳定跑完一整条工作流，才算真的便宜。
