Muse Ember来了：一毛钱读百万上下文-知了AI

一、发生了什么

1.1 一款「最小」的模型，重点不在参数

11 月 10 日，Meta（迈塔）发布了 Muse Ember。官方定语很短：迄今最小、最高效的 agent 模型。没有参数规模，没有预训练 token 数，也没有「全面超越」这类修辞。最扎眼的是一张价目表：每百万 token 输入 0.10 美元，输出 0.50 美元，上下文 100 万 token，原生多模态。

这个组合放在 2026 年年底看，意思很直接：过去一年多，厂商比拼的都是把最强模型的分数往上顶一格，这款模型反着来——不比谁更聪明，只比谁更便宜地把活干完。

1.2 价格的单位是每百万 token，不是每百万次

先把单位钉死，它是后面所有推算的地基。0.10 美元和 0.50 美元的分母都是「一百万 token」，不是一百万次调用：喂进一百万 token 文本，账单 0.10 美元；生成一百万 token 内容，账单 0.50 美元。

输出比输入贵五倍，透露了用途：它做的是判断、填参数、发指令、把结果塞回流程，不是写长文。这类任务输入长、输出短——读一份合同写三行结论，看一遍日志回一个状态码。0.50 美元那档很难被触发，账单压在输入侧。

1.3 它不单独工作：Wonder 做规划，Ember 跑腿

Meta 给 Muse Ember 的角色定义得比参数更清楚：执行。同一家族里，Muse Wonder 负责重规划，它负责跑腿，官方把这种搭配叫「分工执行」：大模型先把活拆开、定好步骤、写好判据，再把小步骤派给它做完。

与模型同步落地的还有渠道。发布当天，Muse Ember、Muse Wonder 和 Muse Spark 1.3 一起在 Google Cloud（谷歌云）上架。这决定了企业客户能不能在两周内做完试点——采购流程里最耗时的往往不是谈价，是准入。

二、关键数字怎么读

2.1 35.8 与 36.2：0.4 分掩盖了结构差异

综合智能指数是个加权平均：把数学、语言、指令跟随、工具调用、代码揉成一个数，方便排队，代价是抹平方差。Meta 的 Muse Ember 35.8、Claude Haiku 5.5 36.2，排队看是同一档，结构看不是同一类选手。均分只差 0.4 时，决定能不能用的不是这 0.4，是子项的形状。

2.2 单任务成本三分之一：分母换了，结论就变了

官方口径是「单任务成本约为 Claude Haiku 5.5 的三分之一」。关键词不是「三分之一」，是「单任务」：按单价排队是一种算法，按任务排队是另一种，两者经常给出相反答案。

一个 agent 任务通常不是一次调用，而是一串：读输入、决定下一步、调工具、看返回、再决定。同一件事，有的模型三轮收敛，有的要七轮，每轮还要把变长的上下文重读一遍。轮数一多，单价差距就被放大成数量级差距。这个三分之一隐含一个前提：输入便宜到「反复读长上下文」不心疼。

2.3 37.8% 与 13.9%：跑腿能力上的真实差距

AutomationBench-AA 是偏执行的评测：给一个目标、一组工具，看能不能按步骤把事办完。Muse Ember 拿到 37.8%，Claude Haiku 5.5 是 13.9%，前者接近后者的 2.7 倍。这个差距比综合指数重要：它是结构性的，不是噪声。

对做流程自动化的团队，8 个多百分点的绝对差不是「体验差异」，是「项目能不能立项」的差异——跑通率 13.9% 的系统基本只能当演示。更值得注意的是它和 35.8 的关系：均分持平，执行项差 2.7 倍，说明权重明显偏向 agent 场景。

2.4 27.2% 与 34.9%：编程是明确短板

FrontierCode 2.0 上，Muse Ember 是 27.2%，Claude Haiku 5.5 是 34.9%，落后 7.7 个百分点。执行类领先 2.7 倍，代码任务落后两成。用户画像因此明确——适合读、适合判断、适合调工具，不适合从零写模块或直接改生产代码。Meta 自己在叙事里几乎不提代码。

2.5 100 万 token 的账，要按「装满」来算

长上下文成本容易被低估，因为大家按平均用量估。换个算法：每次都把 100 万 token 塞满，单次输入 0.10 美元，做一百万次，账单 10 万美元；只塞一万 token，成本降到千分之一。100 万上下文真正的价值不是「每次装满」，是「不用先做切片和检索」——省掉的工程往往比 token 费用贵得多。

三、技术与产品细节

3.1 用小模型学大模型：Muse Wonder Full 的角色

Meta 给出的技术线索只有一句：Muse Ember 用 Muse Wonder Full 训练。信息量不小——Ember 不是从零堆数据的独立模型，而是在更强模型的产出上做学习。行业里通常叫蒸馏，官方没用这个词。

能确认的是这条路径的经济学：让小模型模仿大模型，比让它从原始语料里自学便宜一个量级。代价是天花板：学生很难超过老师，尤其在老师本身不擅长的子项上——这恰好能解释 27.2% 的代码分数。

3.2 原生多模态与长上下文为什么必须一起给

原生多模态意味着图像、版式、音频从第一层就进模型，不用先过外挂识别模块再转文字。截图、扫描件、带表格的 PDF、录屏是最常见的输入，走外挂管线会丢结构，也多一次调用和一份延迟。两者放在同一个低价模型上，指向的是一类任务——把一整包材料丢进去，让它自己找、自己比、自己出结论。

但能读进去不等于能读准：100 万 token 是容量指标，不是理解指标，真实任务的召回率和跨文档指代都没有公开数据。

3.3 它和「上一代」不是一个物种

把 Muse Ember 理解成「某个旧模型的缩小版」会读错这次发布。它是为 agent 循环重新设计的一档产品：输入侧压低、输出侧留五倍溢价抑制废话、上下文给到 100 万、多模态原生。四个决定单看都不新鲜，叠在一起才形成新东西——一台专门跑流程的机器。

四、为什么是现在

4.1 单价在跌，账单在涨

过去两年，单位 token 的推理成本一直在降，企业的支出却一直在涨。原因只有一个：调用次数涨得比单价跌得快。当模型从「问答框」变成「流程里的一个环节」，一次业务可能触发几十次调用，单价降九成也抵不过调用量涨十倍。剪刀差把行业推向一个结论：按「最强模型 + 全场景」卖，客户用不起；按「够用的模型 + 分工」卖，才用得起。

4.2 对手把锚点留在了那里

Claude Haiku 5.5 是这一档的事实基准：智能指数 36.2，编程 34.9%，执行 13.9%。Meta 的策略不是全面超越，是在对手最弱的一项上打出 2.7 倍差距，同时把价格压到三分之一。同期对照的 GPT-6 Luna、Gemini 4 Carbon、DeepSeek V3.2 没有同口径数字，「谁更强」的排名不成立。竞争维度已从「谁分数高」变成「谁在特定任务上每任务成本低」。

4.3 云渠道先于生态

发布即上架 Google Cloud，这个顺序值得注意。通常先做自有平台再谈云分销；把云端可用性和发布放在同一天，说明目标客户从一开始就是企业。企业采购的决策链里，模型能力只占一小部分，剩下的是数据驻留、计费、审计、既有云合同折扣。能在既有云账户直接开通，等于绕过最麻烦的一圈流程。

五、谁最受影响

5.1 开发者：试错变便宜，工程变多

对个人开发者和中小团队，最直接的变化是试错成本。过去调一个 agent，一次失败的循环要烧掉可观额度，很多人因此在本地用假数据跑，上线才发现真实输入的分布完全不同。输入价压到每百万 token 0.10 美元后，把真实日志灌进去跑几百轮，账单还在个位数美元。

代价是工程复杂度上升：要多写一层路由，什么任务交给规划模型，什么交给执行模型，失败怎么回退，预算怎么分配。这层代码没有现成范式，写得好不好直接决定省下的钱能不能真省下来。

5.2 企业：采购单位从 token 变成任务

企业侧的冲击在预算表上。过去是「预估月 token 量 × 单价」，采购看得懂，财务也对得上；现在会系统性失真，因为同样的业务目标，不同模型需要的轮数和上下文长度完全不同。更合理的口径是「每完成任务成本」：把一类任务拎出来，测跑通率、平均轮数、单任务花费，再乘业务量。

阻力也很实在。把跑通的流程迁走，要重跑评测、重写提示、重做回归，这些人力成本往往超过省下的推理费。所以真实世界只会「新项目优先用便宜的，老项目等下次重构」。

5.3 投资人：价值从模型层往编排层挪

如果执行层被压到每百万 token 0.10 美元，模型层本身的毛利空间就被锁死。这是结构性判断，不是对某家公司的评价：当执行能力变成大宗商品，超额利润一定往两头跑——上游算力和下游编排。编排层的价值在于「知道什么任务该给谁」，谁能把这套判断固化成产品，谁就拿到定价权。

5.4 普通用户：感知不到价格，只感知到「能用了」

终端用户看不到单价，感知的是三件事：付费功能变成免费额度、长文档可以直接拖进去、回复变快。风险也在这里：小模型的错误更隐蔽，它不胡言乱语，而是给出格式正确、语气笃定、细节错误的答案，反而更容易被放过。

六、横向对比

6.1 五款模型、七个维度

下面这张表把这款模型放进当前这一档的格局里。需要提前说明：只有它和 Claude Haiku 5.5 有可对齐的公开数字，另外三款没有同口径数据，留空而不推测。

模型	综合智能指数	单任务相对成本	AutomationBench-AA	FrontierCode 2.0	上下文窗口	输入／输出单价（每百万 token）
Muse Ember（Meta）	35.8	1.0 倍（基准）	37.8%	27.2%	100 万 token	0.10 美元／0.50 美元
Claude Haiku 5.5（Anthropic）	36.2	约 3.0 倍	13.9%	34.9%	未披露	未披露
GPT-6 Luna（OpenAI）	未披露	未披露	未披露	未披露	未披露	未披露
Gemini 4 Carbon（谷歌）	未披露	未披露	未披露	未披露	未披露	未披露
DeepSeek V3.2（深度求索）	未披露	未披露	未披露	未披露	未披露	未披露

读表有两个要点：35.8 和 36.2 说明这一档的通用智力已经收敛，差距不足以成为选型理由；37.8% 和 13.9% 说明执行能力远没有收敛，差距大到能决定项目成败。一列是平的，一列是陡的，选型该看陡的那列。

6.2 把「每任务成本」算成一张月度账单

设定一个中等规模的后台自动化场景：每月 20 万次任务，每次输入 3 万 token、输出 2000 token，不做人工复核。这个设定是假设，不是任何厂商公布的数据；单价严格按公开价格计算。

单次任务的账：输入 3 万 token 折合 0.03 个百万 token，乘 0.10 美元，是 0.003 美元；输出 2000 token 折合 0.002 个百万 token，乘 0.50 美元，是 0.001 美元。两项相加，单任务 0.004 美元。20 万次乘下来，月账单 800 美元，其中输入 600、输出 200。按三分之一折算，同样工作量交给 Claude Haiku 5.5，月账单约 2400 美元，差额 1600 美元，一年接近 1.92 万美元。

这个数字对中型公司不算大钱，结论要克制：省下的不是「一大笔预算」，是「让这件事从不可行变成可行」。真正变化的是决策门槛——原本要写立项报告的事，可以先拿部门经费跑一个季度。

月任务量（次）	月输入 token（百万）	月输出 token（百万）	Muse Ember 月成本	Haiku 5.5 折算月成本	年差额
5 万	1500	100	200 美元	600 美元	4800 美元
10 万	3000	200	400 美元	1200 美元	9600 美元
20 万	6000	400	800 美元	2400 美元	1.92 万美元
50 万	15000	1000	2000 美元	6000 美元	4.8 万美元
100 万	30000	2000	4000 美元	1.2 万美元	9.6 万美元

表里有个容易忽略的细节：成本随任务量线性上涨，差额也线性上涨，比值恒定在 1 比 3。规模越大，迁移的诱惑越大，失败的损失也越大——100 万次任务的场景，一次错误切换的代价不是省下的 9.6 万美元，是 100 万次任务本身要返工。

七、中国视角

7.1 价格战这件事，国内已经打过一轮

把 0.10 美元放到国内看，冲击感会弱一些。过去两年，国内厂商压输入价格的动作一直在发生，DeepSeek V3.2 这类模型让「极低单价 + 够用能力」变成市场默认预期。这个数字不是颠覆性的，更像一次迟到的最低价确认。

真正的差别在组合方式。国内的低价竞争主要发生在通用对话和文本任务上，比的是「同样能力谁更便宜」；Meta 把长上下文、原生多模态、agent 执行能力捆在同一个低价位上，比的是「便宜之后还能干什么」。

7.2 差距不在单点，在配套

单看某一项，国内模型并不落后：中文理解、长文本、成本控制都有积累。差距在配套上——把规划与执行做成一套可报价的组合，把云渠道在发布当天打通，把评测口径做成外部可复现的第三方指数。这三件事都不是模型能力问题，是产品化和生态问题。国内的优势则在私有化部署、行业数据、交付响应速度。

7.3 一个判断

如果低价执行模型真的成为标配，国内厂商最现实的路径不是去争综合指数第一，而是在具体行业里把「每任务成本」做到最低——模型费用、工程费用、人工复核费用三项之和。这个口径下，本地部署和数据合规会变成加分项而不是成本项。这是推断，不是结论，但方向大致如此。

八、争议与风险

8.1 综合指数是不是把差距平均掉了

反方说法很直接：35.8 和 36.2 就是打平，用户体感也是打平，抓着 0.4 分做文章是过度解读——这个反驳有道理，但均分打平恰恰是对 Meta 更有利的结论：它意味着「便宜三分之二，能力不掉档」。真正要警惕的是另一头——均分掩盖了子项的剧烈分化，而子项才是选型依据。

8.2 编程短板会不会致命

反方观点是：编程是 agent 最大的付费场景，也最愿意为质量付溢价，在这一项落后两成等于放弃主战场。支持方的逻辑是分工：复杂编码交给规划层或更强的模型，它只负责读代码、跑测试、写变更说明。分工在工程上成立，但把 Ember 从「主模型」降级成「辅助模型」，客单价和话语权都会下降。

8.3 低价是成本结构还是获客手段

最值得追问的一条：0.10 美元能不能长期维持。支持「可持续」的证据是产品设计本身——小模型、蒸馏训练、输入侧为主，这些是结构性降本。支持「不可持续」的证据是行业惯例：低价获客、形成依赖、再调价，这套剧本在云和 SaaS 上都演过。可观察的指标是：是否附带调用量门槛、有无明确调价条款、是否只对新客户有效。三点公开材料都没说清，所以「便宜」目前只对当下成立。

8.4 长窗口不等于读得准

100 万 token 是容量指标。真实任务里，模型在中段信息上的召回、跨文档的指代消解、以及「找到但没用上」的失败模式，都没有公开数据。把它当成「可以不做检索」是最危险的用法。更稳妥的做法是把长窗口当缓存而不是索引：关键材料仍做结构化预处理，窗口用来装上下文和中间结果。

九、接下来 3–6 个月看什么

9.1 看第三方评测的子项分化

第一个信号是 Artificial Analysis 这类机构会不会把 agent 执行类、代码类分项单独排名。如果拆了，且 Muse Ember 在执行项上稳定领先，说明 37.8% 不是单次波动；如果六个月后回落到 20% 区间，这次发布的核心叙事就要打折。

9.2 看对手跟不跟价

第二个信号是 Claude Haiku 5.5 这一档会不会调价或推出对标型号。如果三个月内出现同价位的执行型产品，说明低价执行被确认为新品类；如果无人跟进，这更像 Meta 用算力优势做的一次单点突袭，不构成行业拐点。

9.3 看企业侧的真实迁移

第三个信号在招聘里：如果两个季度内，agent 编排、模型路由、评测工程的岗位明显变多，说明企业真的从「单一模型」转向「分工组合」；如果只是试用账号变多、生产环境没动，这轮降价的象征意义就大于实际。

9.4 看编程短板是否被补

第四个信号是 FrontierCode 2.0 的分数。27.2% 到 34.9% 差 7.7 个百分点，如果下一代把差距收窄到 3 个点以内，它的定位会从「执行专精」升级为「通用低价」。这一步能不能走通，基本决定这条产品线是战术动作还是战略方向。

十、常见问题

Muse Ember 是什么，和普通大模型有什么区别？

它是 Meta 在 11 月 10 日发布的 agent 模型，定位是迄今最小、最高效的一档，支持 100 万 token 上下文和原生多模态。区别不在「能不能对话」，在「为谁设计」：普通大模型追求单轮质量，它追求 agent 循环里反复调用时的总成本。它通常和负责规划的 Muse Wonder 搭配。