2 分钟，4 美分，一个网站！

Meta 刚发布的最小模型 Muse Ember，直接把 AI 写网页的成本卷到了 3 毛钱！

而且它的实力也没随着体积变小而缩水。 

在 Artificial Analysis 智能指数榜单上，Muse Ember 的成绩已经基本追平 Claude Haiku 5.5，单任务成本却只有对方的约三分之一，还一举登顶了 Code Arena WebDev 小模型榜单：

小扎还兴冲冲地向大家介绍起了自家新宝贝：

这是咱家最小的模型，专门给 Agent 打下手，承包那些重复又疯狂消耗 Token 的工作！

这意味着，以后 Ember 可以专门给大模型打下手，接过那些重复又费 Token 的日常任务，帮 Agent 省下一大笔开销。

Arena 也火速晒出了它的战绩：

以下 20 多个网站和动画，全部由 Ember 一次生成，平均每项任务只花约 2 分钟、0.04 美元（约 3 毛钱）。

好家伙，这性价比真绝了。

难怪有小伙伴已经被这几天的新模型轰炸得眼花缭乱，并直接甩出一张猫猫表情包：

一睁眼，新模型发布了！→闭眼，睡会儿……→再睁眼，哦不，怎么又双叒叕发布新模型了？？？

△简直演我 Meta 最小模型，性价比直接拉满

Muse Ember 究竟有多能打？

咱们先拿它和同档位的 Claude Haiku 5.5 比一比～

在 Artificial Analysis 最新的 Intelligence Index v5 测试中，Muse Ember 最高推理档拿到了 35.8 分，而 Claude Haiku 5.5 则是 36.2 分。

两者只差了0.4 分，但 Ember 花的钱却只有 Claude Haiku 的三分之一。

再看看 Ember 与 Meta 自家更大的 Muse Spark 1.3 的 battle，就更有意思了。

在 Artificial Analysis 智能指数上，Spark 1.3 以一分的优势险胜 Ember。

但 Ember 却将完成一项基准任务的成本从 2.39 美元足足砍到了 0.14 美元。

算下来，Ember 的单任务成本只有 Spark 1.3 的约1/17。

价格确实压得够低。

Ember 在 Meta Model API 上的基础定价为每百万输入 Token 0.1 美元（约 0.67 元 / 百万 Token）、输出 Token 0.5 美元（3.34 元 / 百万 Token），缓存输入更低至 0.004 美元（约 0.027 元 / 百万 Token）。

（输入长度超过 20 万 Token 后，则另有更高的长上下文计费标准。）

低价之外，Muse Ember 也挺全能。

据 Meta 官方 Blog 介绍，Muse Ember 擅长工具调用、编程子任务、任务路由、信息提取和长文档解析，支持100 万 Token 上下文窗口，单次输出上限达到51.2 万 Token，还能原生理解文本、图片、音频和视频。

这意味着，Ember 不仅能一次读入大量代码和文档，还能分析图片、音频等不同类型的信息。

具体到 Agent 的日常工作，从读取文件、调用工具，到运行测试、修改代码、提取信息，这些活儿它都能接。

目前，Meta 已经把它放进了 Meta Model API 和 Muse Code，感兴趣的开发者们可以自行调用～

值得一提的是，Ember 也是 Meta 首款使用 Muse Wonder Full 训练的模型。

按照 Meta 的设想，以后咱们可以把复杂的推理和任务规划交给 Muse Wonder，而那些高频、重复的执行任务则可以交给 Ember。

由此，便能兼顾大模型的推理能力与小模型的成本优势，让 Agent 干起活来更省钱。

ok，账算明白了，那么这小家伙实际干起活来又怎么样呢？

让咱们接下来看看。

上一秒拍电影，下一秒查千万美元账本

先整点浪漫的～

秋意渐浓，开发者 Marcio 给 Muse Ember 安排了一个颇有诗意的任务： 

请用秋天的风格重现秋叶原。

最后做出来的视频，也颇有几分动画电影的味道。

金黄的银杏叶随风飘舞，列车沿着高架呼啸而过，秋叶原的街道也染上了一层暖洋洋的秋色。

而 Marcio 似乎还没玩过瘾。

刚逛完秋叶原，他转头又跑去了札幌站！

这回，Muse Ember 制作了一段 10 秒钟的街头视频。

画面中，行人熙熙攘攘，三三两两从镜头前经过，街边车流穿梭不息。

一晃神，我差点以为自己真的站在札幌街头了。

而另一边，Ember 又被拉去干起了正经活。

美国知名云内容管理平台 Box 让 Ember 查起了一本1260 万美元的账本（约 8406.34 万元），并要求它从一堆相互矛盾的记录中，重新理清每位投资者究竟该交多少钱。

这活儿听着就够让人头大了。

结果，Ember 还真从 13 份文件中找出了248 万美元的记录错配和一笔25 万美元的漏计抵扣额。

不仅如此，它还重新计算了每位投资者应缴的金额，并贴心地为基金运营团队生成了一份附有原始文件引用的总结。

这样一来，工作人员既能直接查看核算结果，也能顺着引用找到原始文件，核对每笔金额的来龙去脉。

这可真是太方便了。

这小模型看着真挺不戳啊！

朋友们，let 开玩儿！

One More Thing

小扎动作挺快啊。

Muse Ember 刚发布没多久，今儿一早，小扎又宣布Muse Ember、Muse Spark 1.3 和 Muse Wonder 三款模型已一起登陆 Google Cloud，感兴趣的小伙伴们可以用了。

只不过，Meta 这回虽然反复强调 Ember 是自家最小的模型，却始终神神秘秘地没公布具体参数量，所以这小家伙到底有多小，目前仍然是个谜…

让咱们一起蹲一波后续吧～

参考链接：

[ 1 ] https://research.meta.ai/blog/muse-ember

[ 2 ] https://x.com/AIatMeta/status/2119853591703998787

[ 3 ] https://x.com/finkd/status/2119851180948152590

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见