AI 摘要
- Meta 於 2026 年 11 月 9 日發表 Muse 系列最小的模型 Meta Muse Ember，主攻代理的大量重複性工作。
- Artificial Analysis 評測中它以 36 分追平 Claude Haiku 5.5，每任務成本約 0.14 美元、約為對手三分之一。
- 它在 AutomationBench-AA 領先競品 17%，Code Arena: WebDev 以 1608 分成為小型模型最高分。
Meta 在 2026 年 11 月 9 日發表 Muse 系列中最小、最省錢的模型 Meta Muse Ember，主打讓 AI 代理大量執行重複性工作，包括工具呼叫、程式開發子任務、請求路由、資料擷取與長文件解析。發布隔天，Artificial Analysis、Vals AI、Arena.ai 等第三方評測機構陸續公布成績：這款模型在多項基準上追平 Anthropic 的 Claude Haiku 5.5 與 OpenAI 的 GPT-6 Luna，實際花費卻只有對手的約三分之一。
Meta 把 Muse Ember 定位在代理系統的分工架構裡：由旗艦模型負責拆解複雜任務，再把讀檔案、跑測試、改程式碼這類較小的作業交給低成本模型驅動的代理反覆執行。官方強調，它位於 Artificial Analysis 全榜的效率前緣，沒有任何模型能用更低的每任務成本換到更高分數。
智能分數追平 Claude Haiku 5.5，每任務成本剩三分之一
根據 Artificial Analysis 的評測，Meta Muse Ember 在衡量綜合智能的 Intelligence Index 拿下 36 分，與 Claude Haiku 5.5 最高推理設定同分；Meta 公布的未取整數值為 35.8 對 36.2，差距很小。每個評測任務的處理成本方面，Meta Muse Ember 約 0.14 美元（約 NT$4.4），Claude Haiku 5.5 為 0.41 美元（約 NT$12.9）。OpenAI 的 GPT-6 Luna 最高設定得 27.8 分、每任務約 0.15 美元，較低設定降到約 0.07 美元，但分數只剩 21.4 分。
值得注意的是，兩家廠商的 API 單價完全一樣：輸入每百萬 token 0.10 美元（約 NT$3.2）、輸出每百萬 token 0.50 美元（約 NT$15.8）。Artificial Analysis 分析成本差距來自兩個環節：一是 Meta Muse Ember 的快取輸入 token 價格便宜 60%，而在該機構的代理評測裡，快取輸入正是成本大頭；二是處理同一個任務所需的輸出 token 只有 Claude Haiku 5.5 的約三分之一。
| 項目 | Meta Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| Intelligence Index 分數 | 36（未取整 35.8） | 36（最高推理設定，未取整 36.2） | 27.8（最高設定） |
| 每任務處理成本 | 約 0.14 美元 | 約 0.41 美元 | 約 0.15 美元；較低設定約 0.07 美元、分數 21.4 |
| Code Arena: WebDev 分數 | 1608 | 1595（高設定） | 1578（最高設定） |
| 網頁開發每件中位數成本 | 0.03 美元 | 0.11 美元 | 0.06 美元 |
| API 輸入／輸出每百萬 token | 0.10／0.50 美元 | 0.10／0.50 美元 | 0.10／0.50 美元 |
知識問答是弱點，但很少亂講
Meta Muse Ember 並非面面俱到。在 Artificial Analysis 的知識測試 AA-Omniscience 中，它的正答率只有 21.1%，在同級智能的模型裡最低，主因是它對 64% 的問題選擇拒答。這種保守策略帶來的好處是幻覺率低：產生錯誤資訊的比率為 17.4%，約是 Claude Haiku 5.5 的一半。在接近真實軟體開發情境的 FrontierCode 2.0 評測中，Meta Muse Ember 則輸給了 Claude Haiku 5.5。
法律、金融與企業自動化是強項
另一家評測機構 Vals AI 的 Vals Index v2.2 給 Meta Muse Ember 60.48%，在 35 個模型中排第 12；每次測試成本約 0.15 美元（約 NT$4.7），是全場最便宜，完成測試只花約 15 分鐘，在前 12 名中最快。拆看個別領域的排名：
- 法律類 Legal Index：第 4（共 36 個模型）
- 專業任務 HLAB-Vals-1.1：並列第 2
- 金融 Finance Index：第 10（共 38 個模型）
- 終端機程式設計 Terminal-Bench 4.0：第 15（共 62 個模型）
- 稅務代理 Tax Agent Bench：第 14（共 83 個模型）
領先幅度最大的地方是企業流程自動化：在涵蓋 Gmail、Salesforce 等雲端應用、共 657 個任務的 AutomationBench-AA 上，它比 Claude Haiku 5.5 與 GPT-6 Luna 領先 17%，其他基準的優勢多半只有幾個百分點。這也是 Meta 第一個用自家旗艦模型 Muse Wonder 訓練出來的 AI，Meta 未說明具體自動化哪個環節，推測方向包括後訓練流程。
網頁開發小型模型第一
專攻網頁開發評測的 Arena.ai 公布，Meta Muse Ember 最高推理設定在 Code Arena: WebDev 拿到 1608 分，是小型 AI 模型中的最高成績，超過 Claude Haiku 5.5（高設定）的 1595 分與 GPT-6 Luna（最高設定）的 1578 分；兩款競品在總榜分別排第 35 與第 42，而 1608 分對應總榜約第 34 位。成本端差距更明顯：網頁開發任務每件的中位數成本，Meta Muse Ember 是 0.03 美元（約 NT$0.9），GPT-6 Luna 為 0.06 美元、Claude Haiku 5.5 為 0.11 美元（約 NT$3.5）。
規格、情境視窗與定價結構
Meta Muse Ember 以 muse-ember-1.0 名稱在 Meta Model API 上線，支援 Responses、Chat Completions 與 Messages 端點，可讀取文字、圖片、音訊、影片與 PDF，輸出文字，推理強度從最低到最高皆可設定，預設為最高。情境視窗達 1,048,576 token，最大輸出 524,288 token。定價分兩級，跨過 200,000 token 後整份請求（含輸出）改按較高費率計價：
| 計費級距 | 未快取輸入（每百萬 token） | 快取輸入（每百萬 token） | 輸出（每百萬 token） |
|---|---|---|---|
| 輸入不超過 200,000 token | 0.10 美元 | 0.004 美元 | 0.50 美元 |
| 跨過 200,000 token（整份請求含輸出） | 0.30 美元 | 0.012 美元 | 1.50 美元 |
取用管道方面，除了 Meta Model API，Meta Muse Ember 也整合進 Meta 自家的程式輔助工具 Muse Code；Meta 同時列出 Oracle Cloud 作為另一條取用路線，Google Cloud 的預覽文件則記載支援文字與圖片輸入。模型採專有授權，模型權重未開放下載。
高層定調：Wonder 負責規劃，Ember 處理量能
Meta 執行長 Mark Zuckerberg 在 X 上把 Meta Muse Ember 介紹為「我們最小的模型，在同級中提供更高的每美元智能」。首席 AI 官 Alexandr Wang 的說法更直接：「Wonder 負責規劃，Ember 處理量能」。
綜合各家結果，Meta Muse Ember 在知識問答與高難度軟體工程上落後 Claude Haiku 5.5，但在代理反覆執行、企業自動化與網頁開發這類大量重複的場景，它以同價 token、更少的輸出與更便宜的快取，把每任務成本壓到對手的約三分之一。各家評測機構測的任務與執行環境不同，分數不能直接互比；對重視成本與速度的代理工作負載來說，這款模型多了一個實際可選的選項。
Reference Link : kocpc.com.tw
