Meta 发布 Muse Ember：标价与 Haiku 5.5 相同，为什么跑单次智能体任务能省 65%？小心 20 万 Token 三倍线

先说结论。2026年11月9日，Meta Superintelligence Labs 推出了 Muse 家族的第四款模型 Muse Ember（API 模型 ID 为 muse-ember-1.0）。它的账面标价和 Claude Haiku 5.5 完全重叠，常规输入每百万 token 0.10 美元，输出 0.50 美元，但跑完一个基准任务的实际花费只有 0.14 美元，差不多只有 Haiku 5.5（0.41 美元）的三分之一。

如果你手里正在跑每天调几万次 API 的智能体工作流，这款模型能直接帮你砍掉大把算力账单。但在动手改代码之前，你得先看清它账单里的两个暗坑：一个是单次输入超过 200,000 token 后整单价格直接翻三倍的计费规则，另一个是它在知识类问答上高达 64% 的拒答率。它到底省钱在哪，又会在哪个节点突然吃掉你的预算？我们直接拆开数据看。

标价分毫不差，凭什么单任务成本砍掉三分之二？

很多开发者在选型比价时有个习惯，打开两家模型的定价页面，看一眼每百万 token 多少钱，觉得数字一样，月底出来的账单也就差不多。大家以为模型便宜靠的是下调单价，实际上在推理模型时代，真正决定账单厚度的，是模型把一道题做完到底要吐多少个字。

我们直接把 2026年11月9日 Artificial Analysis Intelligence Index v5 的实测数据摆在桌面上。在最大推理强度下，Muse Ember 拿到了 36 分（精确值为 35.8），Claude Haiku 5.5 拿到了 36.2 分，而自家的哥哥 Muse Spark 1.3 拿到了 37 分。按 Meta 官方的说法，Ember 的最高分基本和 Haiku 持平，并且胜过了 GPT-6 Luna 的所有档位。

分差只有零点几，但跑完一个榜单任务的真金白银花销却拉开了巨大差距。

看到没有？Ember 和 Haiku 5.5 的输入输出单价一模一样，都是 0.10 美元和 0.50 美元。可一旦跑起真题，Ember 只花 0.14 美元，Haiku 5.5 却要花掉 0.41 美元。原因其实很简单：同样一道题，Ember 在推理和作答时消耗的 token 数量远少于对手。

回想一下，2026年11月9日这一天挺热闹。Anthropic 在同一天发布了 Claude Fable 5.2，就算砍了 20% 的价格，输入还是要 8 美元、输出 40 美元。很明显，各家大厂现在心里都清楚，重型模型用来撑场面，而小模型这条线，正在变成抢夺开发者日常智能体工作量的主战场。Meta 从今年 4 月发 Spark、8 月发 Glimmer、10 月发 Wonder，一路赶在 11 月推出第四款模型 Ember，并且用 Muse Wonder Full 把它训练出来，瞄准的就是你手头那些嫌贵不敢全量跑的自动化脚本。

200,000 Token 阶梯线：长文档解析最容易踩的账单暗雷

把单任务成本压到 0.14 美元确实诱人，但如果你因为看到它支持 1,048,576 token（约 100 万）的上下文窗口、最大输出 524,288 token（512K），就放心大胆地把几百页的 PDF、长视频或者整个代码库一股脑塞进一次请求里，月底看信用卡账单时你大概率会倒吸一口凉气。

大家习惯了云服务商那种“超额部分阶梯计价”的温和规则，以为用超了顶多是超出的那点流量贵一些。但 Muse Ember 的规则相当硬核：以单次请求输入 200,000 token 为界，一旦越过这条线，整张单子的所有 token 价格全部翻三倍。

注意，是整单翻三倍，不只是超出的那部分。

在标准档位下（单次输入不超过 200,000 token），你的花费是输入 0.10 美元、缓存输入 0.004 美元、输出 0.50 美元（均按每百万 token 计）。可只要你的上游节点没做好截断，单次塞进去了 200,001 个输入 token，这笔请求的计价标准立刻变成：输入每百万 0.30 美元、缓存输入 0.012 美元、输出 1.50 美元。连带着这笔请求吐出来的几十万输出 token，也得按 1.50 美元的高价结账。

我们来算一笔落到你具体工作流上的账。据 AlphaSignal 按官方价目测算，如果你控制好请求体积，一次请求包含 10 万常规输入 token 加 1 万输出 token，成本大约是 0.015 美元；要是你把系统提示词和固定背景做好缓存，让这 10 万输入全部命中缓存，同样一次请求只需要约 0.0054 美元。当然，实际账单会跟着你的缓存命中率、输出长度和报错重试次数上下浮动。

但如果你在做长文档解析（这也是 Meta 官方推荐 Ember 干的活儿之一），把两份原本可以拆开处理的 12 万 token 财报合并成一次 24 万 token 的请求发过去，原本两单合起来只要两三美分的活，因为触发了整单三倍惩罚，账单直接原地起飞。在我看来，凡是用 Ember 跑长文本、音频、视频或 PDF 输入的团队，必须在网关层写死一个 19 万 token 的硬限流或者自动切片逻辑，千万别去试探 20 万那条红线。

64% 冷门常识拒答率：别拿你的流水线工兵当百科全书

聊完价格，我们得聊聊它能干什么、不能干什么。Meta 给 Muse Ember 贴的标签是“最小、最省钱的模型”，专门用来干智能体每天重复的苦力活：工具调用、编码子任务、路由、抽取、长文档解析。

在干脏活累活这块，它的底子确实扎实。看 Meta 官方博客给出的另外两项基准测试（Artificial Analysis，2026年11月9日数据）：在衡量端到端业务流程的 AutomationBench-AA 上，Ember 拿到了 37.8 分；在考验智能体终端编程能力的 Terminal-Bench 4.0 上，它拿到了 40.9 分。再配合它原生的工具调用、结构化输出、computer use、图像理解、搜索 grounding 和 Responses API 支持，让它去读写本地文件、看截图点按钮、或者在终端里修个脚本报错，完全够用。

但是，千万别因为它在终端编程里表现好，就把它直接放到前台当成通用的聊天机器人或者知识问答助手。

很多刚开始搭系统的团队图省事，喜欢拿一个便宜模型包打天下，既让它做意图路由，又让它直接回答用户的五花八门问题。如果你拿 Ember 这么干，用户很快就会投诉。在测试知识广度的 AA-Omniscience 基准里，Ember 的准确率只有 21.1%，在同档对比的模型里垫底。更直接的数据来自 cellcog 的报道：知识类问答是它的明显弱项，面对 trivia 式的琐碎常识问题，它有高达 64% 的概率会直接拒绝回答。

Meta 没有公布 Ember 的具体参数量，模型权重也不开放，只能通过 API 调用。它是第一个用 Muse Wonder Full 训练出来的模型。我的判断是，研发团队在压缩体积时，可能牺牲了一部分长尾知识记忆，把算力空间留给了逻辑推理和指令遵循。如果非要让它回答百科问题，你必须把搜索 grounding 功能打开，或者干脆老老实实通过 RAG 把参考资料喂到它的上下文里，只让它做抽取，绝不让它凭空背诵。

上手实操：API 调参避坑与三层架构落地

现在 muse-ember-1.0 已经在发布当天同步上线了 Meta Model API 和 Muse Code，习惯用第三方聚合或云厂商的开发者，也可以直接在 OpenRouter、Google Cloud 和 Oracle Cloud 上调到它。需要注意的是，在 Meta Model API 上，这款模型目前只有 Standard 模式，没有提供 Contributor 模式。输入端它可以吃进文本、图像、音频、视频和 PDF，但输出端只吐文本。

在写代码接入的时候，有一个参数极易踩坑，我单独拎出来提醒：effort（推理强度）参数千万别设成 none。

因为 Ember 本质上是个推理模型，它的推理强度支持从 minimal 到 max 调节，系统默认是 max。很多开发者为了追求极致的响应速度，习惯性地想把思考过程关掉，顺手传一个 none 进去，结果 API 会直接抛错罢工。如果你实在嫌默认档慢，往下调到 minimal 就好。

下面是一段直接调用 Meta Model API 的 Python 示例代码，演示如何用它做智能体路由或信息抽取：

import os
import requests

# 请确保已在环境变量中配置你的 API Key
API_KEY = os.getenv("META_API_KEY", "your_api_key_here")

# Endpoint 按 Meta Model API 公开文档写法配置，具体路径及参数字段请以官方文档最新说明为准
url = "https://api.meta.ai/v1/chat/completions"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json",
}

payload = {
    "model": "muse-ember-1.0",
    "messages": [
        {
            "role": "system",
            "content": "你是一个工单路由与信息抽取节点。请仅从用户提供的材料中提取字段，不要凭空回答未提及的常识问题。",
        },
        {
            "role": "user",
            "content": "客户反馈订单 #9527 物流停滞三天，要求退回运费。请提取订单号与主要诉求。",
        },
    ],
    # 推理强度范围：minimal 到 max（默认 max）。注意：设为 none 会直接报错！
    # 具体字段位置（顶层或嵌套配置）请以 api.meta.ai 官方文档为准
    "effort": "minimal",
}

response = requests.post(url, headers=headers, json=payload)

if response.status_code == 200:
    print(response.json())
else:
    print(f"请求失败，状态码: {response.status_code}, 详情: {response.text}")

搞清楚了参数和短板，最后我们聊聊怎么把 Muse 家族的几款模型捏合到你的生产环境里。Meta 官方给出的搭配口号是“Muse Wonder 负责规划，Ember 负责跑量”，结合家族内另外一款 Spark 模型，我建议你直接按下面这套三层分工方案去改造现有的智能体架构：

1. 顶层架构与拆解（Muse Wonder，输入 4 美元 / 输出 20 美元）：放在整个工作流的最前端和最顶端。当用户丢过来一个模糊的复杂需求时，调一次 Wonder，让它把大目标拆解成十几个确定的子任务有向无环图（DAG）。它单价贵，但整个会话周期只出场一两次，花不了几个钱。
2. 中层重度攻坚（Muse Spark，输入 1.25 美元 / 输出 4.25 美元）：如果在子任务里遇到了极难的逻辑卡点，或者需要较高综合智能（毕竟它在 AA 榜单上有 37 分）且 Ember 搞不定的复杂代码重构，把这部分单点任务路由给 Spark 兜底。
3. 底层高频跑量（Muse Ember，输入 0.10 美元 / 输出 0.50 美元）：占你系统调用量 80% 以上的日常杂活，比如根据 Wonder 的规划去调几十次外部 API、解析网页 DOM 执行 computer use、在终端里跑测试脚本、从长文档（记得控制在 20 万 token 以内）里抽 JSON 数据，全部交给 Ember。缓存输入每百万 token 只要 0.004 美元，你的高频循环节点成本几乎可以压到忽略不计。

今天就打开你的 API 监控面板，把那些还在用高价模型跑文档抽取、路由分发和简单终端编码的节点筛出来，加上 200,000 token 的输入截断保护后，直接替换成 muse-ember-1.0 跑上一天对比一下账单吧。

来源链接

• Meta 官方博客：https://research.meta.ai/blog/muse-ember?ref=testingcatalog.com
• cellcog 详解：https://cellcog.ai/blog/muse-ember/
• eesel 详解：https://www.eesel.ai/blog/meta-muse-ember
• Zeniteq 报道：https://www.zeniteq.com/meta-launches-muse-ember-for-high-volume-agent-work-zkyhfg
• AlphaSignal 报道：https://alphasignal.ai/news/meta-releases-muse-ember-to-cut-ai-agent-costs-by-3x
• AI Briefing 当日简报：https://aibriefing.dev/