Meta發表小型AI模型Muse Ember 高效處理重複性任務成本更低

Meta Platforms 今日宣布推出旗下最小、效率最高的 AI 模型 Muse Ember，這款新模型專為人工智慧代理（AI Agent）設計，擅長處理大量重複性與 Token 密集型工作，並以更低的成本提供更高的效率。Meta 執行長祖克柏（Mark Zuckerberg）指出，Muse Ember 專為 AI 代理全天候重複的 Token 密集型工作而打造，例如工具呼叫、程式編寫子任務、路徑規劃、資料擷取以及長文件解析等。

Muse Ember 的設計重點在於高效處理小型、結構化的步驟。它能夠執行端到端的商業工作流程，包括從提取記錄、按順序呼叫工具，到跨應用程式更新系統。這款模型具備高達 1M-Token 的上下文視窗（context window），也就是人工智慧模型在處理單一查詢時能「記憶」或參考的資訊量，以及最高 512K 的輸出 Token（AI 處理資訊的基本單位，可以是一個單字、詞彙或字元片段），使其能單次處理完整的程式碼庫或文件集。此外，Muse Ember 也適用於 AI 代理頻繁執行的程式編寫子任務，像是讀取文件、執行測試和進行精準修復。

Muse Ember 最大的亮點在於其多模態理解能力，它能原生理解文字、圖像、音訊和視訊，讓 AI 代理無需額外模型即可處理視覺和聽覺資訊。這項能力使其能夠操作電腦的螢幕截圖，並辨識出細微的視覺細節，甚至處理長篇的實際文件。

在成本效益方面，Muse Ember 表現卓越。每百萬個輸入 Token（Token）僅需 0.10 美元，而每百萬個輸出 Token 則為 0.50 美元，這使其在執行人工分析（Artificial Analysis）任務時，每次任務成本約為 0.14 美元。根據《The Decoder》報導，Meta 表示 Muse Ember 在每個推理層級上，都能比 GPT-6 Luna 或 Claude Haiku 5.5 提供更優異的「每美元智慧」。與較大的 Muse Spark 1.3 模型相比，Muse Ember 的成本約低 12 倍，卻能在許多 Meta 自家的測試中取得領先，例如在 AutomationBench-AA 測試中獲得 37.8% 的分數，超越 GPT-6 Luna 的 20.2% 和 Claude Haiku 5.5 的 13.9%。儘管如此，在實際程式編寫任務的 FrontierCode 2.0-AA 測試中，Claude Haiku 5.5 以 34.9% 的分數略優於 Muse Ember 的 27.2%。

安全性也是 Meta 關注的焦點。Muse Ember 已通過 Meta 超級智慧擴展框架（Meta Superintelligence Scaling Framework）的評估，其中包括化學與生物、網路安全以及失控風險等，所有風險均保持在閾值以下。該模型也接受了與大型模型相同的核心安全訓練與測試。目前，Muse Ember 已透過 Muse Code 和 Meta Model API 平台以「muse-ember-1.0」版本提供，同時也在 Google Cloud 和 Oracle Cloud 上架。