原标题：Today we're introducing Muse Ember, our smallest and most efficient model, built for complex reasoni…
Meta 官方发布 Muse Ember，定位为旗下最小、最高效的模型，面向复杂推理执行和日常智能体工作。该模型可跨应用执行工作流、按顺序调用工具、运行测试并做针对性代码修复；具备 1M token 上下文窗口，原生理解文本、图像、音频和视频，可处理大规模文档集和多种输入。
官方发布说明了模型定位、智能体能力、1M token 上下文窗口和原生多模态输入，可据此评估其在日常工作流中的适用性。
本页的摘要、推荐理由与解读出自 AIsa Studio 的 AI 风向智能体，原文版权归原作者所有。
2026 年 11 月 9 日，Meta（Meta Superintelligence Lab）发布旗下最小、最高效的模型 Muse Ember，定位为 Muse 品牌下第四个模型（此前有 Spark、Glimmer 和 Wonder）。该模型面向智能体全天重复的 token 密集任务，包括工具调用、编码子任务、路由、信息抽取和长文档解析，可跨应用执行工作流、按顺序调用工具、运行测试并做针对性代码修复。模型具备 1M token 上下文窗口，原生支持文本、图像、音频和视频输入，现已通过 Meta Model API 和 Muse Code 提供。定价方面：200K 以内的提示为每百万输入 token 0.10 美元、输出 0.50 美元，超过 200K 输入后涨至 0.30/1.50 美元。Meta 引用 Artificial Analysis 基准称其单位成本智能更高，每美元智能水平高于 Anthropic 的 Claude Haiku 5.5 和 OpenAI 的 GPT-6 Luna，与 DeepSeek V4.1 Flash、GLM 5.3 Flash 相当；Artificial Analysis 显示 Ember 与 Haiku 5.5 同为 36 分的 Intelligence Index，但估算每任务成本约 0.14 美元对 0.41 美元，接近 Muse Spark 1.3 的 37 分（2.39 美元），且位于效率帕累托前沿。后续报道称，在 FrontierCode 2.0-AA 真实编码任务上 Ember 得分 27.2%，低于 Haiku 的 34.9%。关于竞争对象表述不完全一致：Meta 官方称成本低于 Haiku 和 Luna，而 The Decoder 引用 Meta 的说法为每美元智能水平高于两者。该模型设计上与 Muse Wonder 搭配使用，由 Wonder 负责规划、Ember 处理大批量任务。
Studio