史上最小多模態模型 Muse Ember 發佈，1M 超長上下文專攻智能體高頻任務

AI資訊AI新閒資訊正文史上最小多模態模型 Muse Ember 發佈，1M 超長上下文專攻智能體高頻任務發布於AI新閒資訊時間 :Nov 10, 2026閱讀 :2分鐘人工智能開源與商業化競爭持續白熱化。日前，Meta Superintelligence Labs 官方正式發佈了 Muse 品牌下的第四款、也是迄今為止規模最小的高效多模態推理模型——Muse Ember。該模型專為人工智能智能體（Agent）在日常運行中需要高頻處理的重複性子任務而打造。核心定位:專注智能體高頻子任務，實現精細化分工在 Meta 的產品矩陣中，各款模型扮演著不同的角色。

其中，旗艦級的 Muse Wonder 專注於攻克最複雜的規劃與難題，Muse Spark 負責處理日常的編碼與智能體工作流，而全新的 Muse Ember 則精準聚焦於規模化的重複性編碼和智能體子任務。官方明確指出，Muse Ember 的核心應用場景主要涵蓋工具調用（tool calls）、編碼子任務(coding subtasks)、路由(routing)、信息提取(extraction)以及長文檔解析(long document parsing)。通過這種精細化的分工，大模型能夠以更高的效率支撐龐大的智能體日常運轉。

架構特性:原生多模態融合與百萬級上下文窗口在底層架構和多模態能力上，Muse Ember 展現出了極強的綜合處理水平。該模型原生支持文本、圖像、音頻和視頻等多種輸入形態。這意味著智能體在執行任務時，無需額外調用獨立模型，便能直接讀取截圖、圖表、掃描頁、語音備忘錄甚至是會議錄音，甚至能夠直接通過截圖來操作桌面應用程序。在處理容量方面，Muse Ember 擁有高達100萬 Token 的超大上下文窗口，單次調用即可輕鬆容納完整的代碼庫或整個文檔集合。同時，其最大輸出長度可達51.2萬 Token，達到同類競爭對手的4倍之多。

需要注意的是，該模型採用純託管模式，僅在 Meta 的託管基礎設施（即 Meta Model API 和 Muse Code）上運行，其權重保持私有，因此不提供本地 GPU、筆記本電腦運行或量化部署的選項。基準評測:智能體任務表現驚豔，代碼合併場景稍遜一籌在權威評測機構和 Meta 內部測試套件中，在開啟最大推理 effort 的狀態下，Muse Ember 展現出了優異的綜合表現:智能體與工作流（Agents）: 在基於657個 Zapier 業務工作流的 AutomationBench-AA 測試中，Ember 的任務完成率達到了37.8%，大幅領先於 GPT-6Luna 的20.

2% 以及 Claude Haiku5.5的13.9%。在內部的 Agents’ Last Exam 測試中，Ember 取得了61.6分，同樣優於 Haiku 的57.0分和 Luna 的57.1分。編程與開發（Coding）: 在 Terminal-Bench4.0測試中，Ember 以40.9分領先於 Haiku 的39.2分和 Luna 的16.4分;在 Artificial Analysis(AA)編碼智能體指數中也以46分居首。不過，在考察真實倉庫代碼合併能力的 FrontierCode2.0-AA 測試中，Haiku5.5取得了34.9分，表現優於 Ember 的27.2分。

多模態與感知: 在 GDP.pdf-AA 測試中，Ember 與 GPT-6Luna 打成平手（22.8分）;在 OSWorld2.1(部分得分)上以69.5分微弱優勢領先於 Haiku 的68.9分;在結合工具的 PerceptionBench 測試中，Ember 拿到了80.6分，高於 Haiku 的78.6分和 Luna 的62.8分。在整體的 Artificial Analysis 智能指數中，Muse Ember 獲得了36分，與 Claude Haiku5.5（max effort）完全持平，並領先於 GPT-6Luna 的28分。

成本效益:基礎定價相同，實際任務成本大幅優化在公開的 API 定價方面，Muse Ember 的標準資費與競爭對手保持一致:每百萬輸入 Token 收費0.10美元、每百萬輸出 Token 收費0.50美元，緩存輸入則收費0.004美元每百萬 Token（低於 Haiku 和 Luna 的0.01美元）。儘管基礎單價相似，但由於 Token 消耗效率的提升，其實際執行單次任務的成本迎來了大幅優化。實測數據顯示，Muse Ember 在最高推理設置下的單次任務成本約為0.136美元，而 Claude Haiku5.5完成同類任務的成本則高達0.

411美元，這意味著其單次任務成本直接降到了對手的三分之一左右。此外，在處理超長文本時，競品往往會在超過10K 或272K 提示詞時進行價格翻倍或階梯加價，而 Meta 針對 Ember 並未單獨設立長上下文的加價檔位，進一步強化了其在長文本處理上的經濟效益。生態接入與合作伙伴目前，開發者可以通過 Meta Model API 以及 Meta 的編程智能體工具 Muse Code 正式接入和使用 Muse Ember，並支持標準的 Responses API。在早期測試階段，包括 Box、Cline、Oracle、Cloudflare 以及 You.

com 在內的多家知名企業和技術平臺已經參與其中。相關推薦Meta 拋出"小鋼炮"Muse Ember：跑分追上 Haiku，成本只要三分之一Meta 11月10日發佈輕量模型 Muse Ember，號稱迄今最小、最高效，面向複雜推理與智能體反覆執行的日常任務，主打性價比而非參數規模。Artificial Analysis榜單顯示，其綜合表現可與 Claude Haiku 5.5 抗衡，單任務成本僅後者三分之一，並在多項測試中超過 GPT-6 Luna，還涉及端到端業務工作等場景。Nov 10, 2026132.1kMeta 推出輕量主力 Muse Ember：性能持平 Claude 5.

5，單次任務成本大降至三分之一11月9日，Meta發佈迄今規模最小、運行效率最高的輕量級AI模型Muse Ember。該模型主打高效輕量，定位AI智能體（Agent）日常反覆處理的高頻任務，場景包括工具調用等，旨在以極致效率滿足智能體高強度運轉。此舉顯示人工智能領域“性價比軍備競賽”再添重量級選手。Nov 10, 2026138.7kMeta發佈Muse Ember:以極致性價比切入智能體重複性工作11月9日，Meta推出迄今最小、效率最高的高性能AI模型Muse Ember，專為AI代理日常繁複任務打造，涵蓋工具調用、小型編碼、請求路由、數據提取及長文檔處理。該模型在性能與成本上競爭力強。

據Artificial Analysis Intelligence Index，其在每個推理層面均超越Claude Haiku5.5與GPT-6Luna。Nov 10, 2026149.8k性價比之王：微軟開源 Phi-4-reasoning-vision-15B，主打輕量化多模態推理微軟開源多模態推理模型Phi-4-reasoning-vision-15B，參數15B，兼顧輕量化與高性能。該模型僅用200B多模態token訓練，強調數據質量，適合資源受限環境下的複雜視覺任務。Apr 13, 2026333.5k崑崙萬維開源Skywork-R1V 2.

0版本 視覺與文本推理能力提升4月24日，崑崙萬維宣佈正式開源其多模態推理模型Skywork-R1V2.0（以下簡稱R1V2.0）。這一升級版本在視覺與文本推理能力上均實現了顯著提升，特別是在高考理科難題的深度推理和通用任務場景中表現出色，堪稱當前最均衡兼顧視覺與文本推理能力的開源多模態模型。Apr 24, 2025318.4k智啟未來，您的人工智能解決方案智庫English簡體中文繁體中文にほんご© 2026