Meta 发布最小最高效模型 Muse Ember

Meta 发布最小、最高效的模型：Muse Ember。Meta AI 推出了对标 Claude Haiku/GPT Luna 的产品：Muse Ember，官方是这样描述的：

[...] 我们最小、最高效的模型，专为复杂推理执行和 Agent 整天重复的工作而设计：工具调用、编码子任务、路由、信息抽取以及长文档解析。

短提示词场景下，它的定价与 GPT-6 Luna 和 Claude Haiku 5.5 相同：输入 $0.10/百万 token，输出 $0.50/百万 token。而今天发布的另一个重磅模型 Claude Fable 5.2 的定价高达 $8/$40，是它们的 80 倍。

不过提示词一长，定价就没那么简单了。Luna、Ember 和 Haiku 都支持最多一百万输入 token，但超过某个阈值后价格就会上涨。考虑到这个阈值，Ember 的价格其实介于另外两个模型之间：

模型	提示词大小	输入（$/M）	缓存输入	输出
GPT-6 Luna	≤272k	$0.10	$0.01	$0.50
>272k	$0.20	$0.02	$0.75
Muse Ember 1.0	≤200k	$0.10	$0.004	$0.50
>200k	$0.30	$0.012	$1.50
Claude Haiku 5.5	≤100k	$0.10	$0.01	$0.50
>100k	$0.50	$0.05	$2.50

不过在如今这个时代，单纯比较 token 单价意义不大——因为有了推理 token，不同模型解决同一个问题所消耗的 token 数量可能相差悬殊。

这种情况下，Artificial Analysis 是一个比较有用的参考指标。

更有参考价值的是他们的 Intelligence Index 与单任务成本对比图，图中这三款模型的表现如下：

Muse Ember 各模型恰好落在帕累托前沿上——也就是说，在这条线上，想提升任何一个维度都必须以牺牲另一个维度为代价。Meta 在发布公告中特别强调了这一点：

它还位于 Artificial Analysis 完整排行榜的效率前沿：没有任何模型能以更低的单任务成本拿到更高分。

（绿色区域中间帕累托曲线上的那个灰点是 GPT-6.1 Terra（low）——看来我得多关注一下 Terra 系列了！）

Muse Ember 有六个推理级别：minimal、low、medium、high、xhigh 和 max，所以我用它渲染了六只骑自行车的鹈鹕。其中"high"级别没能返回完整的 SVG，其他几个的结果也挺意外——推理级别和生成图像的质量之间并没有清晰的对应关系。

下面是"max"级别的结果，其他几张也值得一看：

Ember 生成的鹈鹕质量与我从 Muse Wonder 得到的不相上下，而 Muse Wonder 的价格是 Muse Ember 的 40 倍。