11 月 9 日，Meta 超级智能实验室发布了 Muse Ember——Muse 家族里最轻、最便宜的一个。定位写得很坦白：不是给你聊天用的，是给 Agent 干那些「一天要重复几万遍」的活：工具调用、编程子任务、请求路由、信息抽取、长文档解析。
它的价格是输入 0.10 美元 / 百万 token，输出 0.50 美元 / 百万 token。这个数字意味着什么？比 Anthropic 的 Claude Haiku 5.5 和 OpenAI 的 Luna 都便宜一个数量级，甚至能和 GLM 5.3 Flash,DeepSeek V4.1 Flash 这些开源阵营打价格战。
为什么 Meta 要专门做一个「便宜模型」
过去一年所有人都在比旗舰分数，但真把 Agent 跑起来的人会发现成本结构完全不是那么回事。一个客服 Agent 处理一万个工单，其中只有几十个需要真正推理，剩下九千多个只是「按规则执行」。用旗舰模型跑这些，等于开卡车送快递。
Meta 的说法是「Muse Wonder 负责规划，Muse Ember 负责吞吐」。具体做法是分层：重模型先把某类问题的处理规则定下来，再把规则下发给轻模型，让它在几万个案例上批量套用。这也是 Muse Wonder 发布后最有价值的配套动作——单买旗舰没有性价比，旗舰 + 轻模型的组合才有。
核心能力：不只是便宜
- 100 万上下文：1,048,576 token 输入，单次最大输出约 943K token。长文档解析这类任务不用再切块。
- 全模态输入：文本、图像、视频、音频、文件都能吃。官方举的例子是直接读截图、图表、扫描件，或者从语音备忘、会议录音、视频里干活，不需要额外的转录模型。
- Agent 原生：工具调用、结构化输出、思考强度（reasoning effort）都可配，是照着 Agent 循环设计的而不是事后补的。
- 缓存极便宜：缓存读取 0.004 美元 / 百万 token，写缓存 0.125 美元。对固定系统提示词的 Agent 场景，这部分省下来的钱可能比模型差价还多。
Muse 家族现在有四档了
Ember 是 Muse 品牌下第四个模型。前面三个分别是 4 月的中量级 Spark（8 月还放出了开源孪生版 Glimmer），以及 10 月的旗舰 Wonder。加上 9 月上线、用户已经破 1000 万的 Muse Agent 消费端产品，Meta 这条产品线现在是完整的一套：端、旗舰、中量、轻量。
这个节奏值得注意。Anthropic 和 OpenAI 都在往「越做越大」走，Meta 反而是把模型按任务分层拆开卖。对开发者来说这是好事——你可以只为自己真正需要的那一档付费。
Muse Ember 与同类轻量模型横向对比
| Model | context | 输入价格（每百万 token） | Core Positioning | This Site’s Rating |
|---|---|---|---|---|
| Meta Muse Ember | 1M | $0.10 | Agent 执行层、全模态输入 | 8.6 |
| Claude Haiku 5.5 | 200K | $0.80 | 通用轻量，输出质量稳 | 8.2 |
| GLM 5.3 Flash | 1M | $0.37 | 国产开源，中文场景强 | 8.4 |
| DeepSeek V4 Pro | 256K | $0.28 | 推理性价比路线 | 8.5 |
| Gemini Omni 1.2 Flash | 128K | $1.50 | 原生视频生成方向 | 8.5 |
Ember 在「价格 + 上下文 + 模态」这三项的组合上目前没有对手：一毛钱一百万字，还能直接读图读音频。但代价是它是第四梯队模型，遇到需要多步推理、需要自己发现问题的任务，还是得往上交给 Wonder。
User experience and limitations
实测下来它最舒服的地方是「不出戏」——做路由、做抽取、批量套规则这类机械活，几乎不会突然给你一段自作聪明的解释。这一点很多轻量模型做不到，它们总想在简单任务上表现存在感。
局限也很清楚。第一，它的强项是执行不是发明，让它独立设计架构或做开放式研究，输出会明显单薄。第二，Meta 官方给的对比用的是 Artificial Analysis 的「单位任务成本」这类复合指标，这类指标对具体业务场景的参考价值有限——你的任务如果和它的测试集分布差得远，便宜不一定等于划算。第三，作为 Meta 的闭源 API，数据和合规条款需要自己过一遍，尤其是之前 Muse 分享功能泄露用户链接那件事之后，隐私这块建议留个心眼。
Overall Score
| 维度 | Score | evaluate |
|---|---|---|
| functional completeness | 8.4 / 10 | 1M 上下文 + 全模态输入 + 工具调用，Agent 该有的都有 |
| 易用性 | 8.8 / 10 | OpenRouter 已上架，OpenAI 兼容格式直接换 endpoint |
| Cost-effectiveness | 9.4 / 10 | 输入 $0.10 是当前同档最低，缓存读仅 $0.004 |
| 中文支持 | 8.0 / 10 | 中文抽取和分类准确，长文生成明显不如国产模型 |
| 输出质量 | 8.2 / 10 | 执行类任务稳，开放式推理需要交给上层模型 |
Overall rating: 8.6/10
Frequently Asked Questions (FAQ)
Muse Ember 免费吗？
不免费。输入 0.10 美元、输出 0.50 美元每百万 token，缓存读取 0.004 美元、写缓存 0.125 美元。在 OpenRouter 上可以直接按量付费调用，不需要单独申请 Meta 账号。
Muse Ember 和 Muse Wonder 该选哪个？
不是二选一，是配合用。Wonder 做规划和难题推理，Ember 做批量执行。如果你的应用只有执行环节（抽取、分类、路由、文档解析），直接上 Ember 就够了，成本能降到原来的几十分之一。
and Claude Haiku 5.5 比哪个好？
纯看价格和上下文，Ember 赢：$0.10 对 $0.80，1M 对 200K，还多支持音频和视频输入。但如果你的任务对输出措辞、指令遵循的精细度要求高，Haiku 5.5 更稳。简单说：量大选 Ember，精修选 Haiku。
Officially claimed as the strongest model under 3B parameters—but lacks third-party replication
支持，中文信息抽取和分类的准确率不错，但长篇中文生成的质量明显不如国产模型，比如 Wenxin 5.5 Flash Base or Tencent Hunyuan Hy4。它的定位本来就是执行层，不要指望它写稿。
Summarize
Ember 不是那种让人兴奋的模型，但很可能是今年最省钱的一个决定。它解决的是 Agent 落地时最难看的那道题：跑得起来，但账单付不起。如果你的 Agent 已经在跑，把其中机械性的环节切到 Ember，账单当月就能看出来。
想看更多模型参数和横向对比？进 AI Model Library 或直接用 Tool Comparison Engine，也可以继续读：Muse Spark Open benchmark · Kimi K3.1 Pro Review · Qwen3.8 2.4T benchmark.