Meta 發布 Muse Ember，稱其為旗下最小、最高效的模型。它並非用於挑戰最複雜的推理任務，而是專門處理 Agent 日常執行中最頻繁的工作，包括連續調用工具、檢索和提取資訊、讀取代碼、運行測試、局部修改檔案，以及處理長文檔。 模型擁有 100 萬 token 上下文，原生理解文本、圖像、音頻和視頻。Meta 的分工非常明確：Muse Wonder 負責解決難題，Ember 負責完成大量具體工作。 真正值得注意的是成本。 Muse Ember 的標準 API 定價為每百萬 token 輸入 0.10 美元、輸出 0.50 美元。在 Artificial Analysis Intelligence Index 上，它獲得 36 分，與 Claude Haiku 5.5 的最高檔位持平，高於 GPT-6 Luna 的所有推理檔位。 但完成一項基準測試任務，Ember 平均僅需約 0.14 美元，而 Haiku 5.5 則需 0.41 美元。 有趣的是，這兩款模型的輸入、輸出 token 定價實際上完全相同。Ember 為何能便宜三分之二？ Artificial Analysis 給出的原因是，其緩存輸入價格更低，輸出 token 消耗僅為 Haiku 的約三分之一。 這才是 Agent 時代真正具有殺傷力的效率提升。模型不僅要會幹活，還要少說話、少消耗，在反覆執行中將每一步的成本壓低。 更有意思的是，Ember 甚至開始搶自家大模型的生意。 同樣在 Artificial Analysis 測試中，Muse Spark 1.3 的智能指數為 37 分，Ember 為 36 分，但兩者的單任務成本分別為 2.39 美元和 0.14 美元，相差約 17 倍。 當然，Ember 並非全面勝出。在衡量真實工程代碼可合併性的 FrontierCode 2.0 測試中，它仍落後於 Haiku 5.5。 隨後，Meta 將 Ember、Wonder 和 Spark 1.3 一同帶到 Google Cloud 和 Oracle Cloud。其中 Google Cloud 目前處於預覽階段，Ember 暫時僅開放文本、圖像輸入。 我認為 Meta 此次發布真正釋放的訊號是：大模型競爭正從單一的智力競賽，轉向一套精細的勞動力分工。 過去人們爭論哪個模型最聰明，未來開發者可能更關心：哪些事情值得花錢請最聰明的模型來做，哪些事情交給一個便宜 17 倍的小模型就足夠了。 畢竟，一個 Agent 真正創造價值，靠的未必是偶爾那一次驚豔的推理，而是數百次普通操作都能可靠完成。 最聰明的模型決定 Agent 的能力上限，最便宜且足夠聰明的模型，可能決定 Agent 能否成為一門賺錢的生意。