เปิดตัว Muse Ember โมเดลจิ๋วแต่แจ๋ว เน้นความคุ้มค่าและงาน Agent
วันนี้ เราขอแนะนำ Muse Ember โมเดลที่มีขนาดเล็กที่สุดและมีประสิทธิภาพสูงสุดของเรา ซึ่งออกแบบมาเพื่อการรันการใช้เหตุผลที่ซับซ้อนและงานที่ agent ต้องทำซ้ำๆ ตลอดทั้งวัน ได้แก่: การเรียกใช้ tool (tool calls), งานย่อยด้านการเขียนโค้ด (coding subtasks), การกำหนดเส้นทาง (routing), การสกัดข้อมูล (extraction) และการแยกส่วนเอกสารขนาดยาว (long document parsing)
Muse Ember มอบความฉลาดต่อดอลลาร์ที่คุ้มค่ากว่า Claude Haiku 5.5 หรือ GPT-6 Luna ในทุกการตั้งค่าการใช้เหตุผล: โดยมีคะแนนเทียบเท่ากับคะแนนที่ดีที่สุดของ Haiku ด้วยต้นทุนเพียงประมาณหนึ่งในสาม และชนะทุกการตั้งค่าของ Luna นอกจากนี้ยังอยู่ในระดับแนวหน้าด้านประสิทธิภาพ (efficiency frontier) ของตารางอันดับ Artificial Analysis ฉบับเต็ม: ไม่มีโมเดลใดทำคะแนนได้สูงกว่าในราคาที่ต่ำกว่าต่อหนึ่งงาน
Intelligence vs. Cost Per Task
ดัชนีความฉลาดของ Artificial Analysis เทียบกับต้นทุนต่องานในการใช้แรงพยายามใช้เหตุผลแต่ละระดับ จากผลลัพธ์ดิบของ Artificial Analysis ทั้งนี้ ต้นทุนของ Muse Ember เป็นราคาโดยประมาณตามราคาที่เสนอ
- xhigh
- max
- medium
- high
- xhigh
- max
- high
- xhigh
- max
- Muse Ember
- Claude Haiku 5.5
- GPT-6 Luna
| Series | Measurement | Value |
|---|---|---|
| Muse Ember | Cost Per Task (USD) | $0.116 |
| Muse Ember | Score | 33.9 |
| Muse Ember | Cost Per Task (USD) | $0.136 |
| Muse Ember | Score | 35.8 |
| Claude Haiku 5.5 | Cost Per Task (USD) | $0.092 |
| Claude Haiku 5.5 | Score | 24.6 |
| Claude Haiku 5.5 | Cost Per Task (USD) | $0.159 |
| Claude Haiku 5.5 | Score | 29.6 |
| Claude Haiku 5.5 | Cost Per Task (USD) | $0.248 |
| Claude Haiku 5.5 | Score | 34.3 |
| Claude Haiku 5.5 | Cost Per Task (USD) | $0.411 |
| Claude Haiku 5.5 | Score | 36.2 |
| GPT-6 Luna | Cost Per Task (USD) | $0.073 |
| GPT-6 Luna | Score | 21.4 |
| GPT-6 Luna | Cost Per Task (USD) | $0.104 |
| GPT-6 Luna | Score | 23.3 |
| GPT-6 Luna | Cost Per Task (USD) | $0.152 |
| GPT-6 Luna | Score | 27.8 |
Artificial Analysis | 9 พฤศจิกายน 2026 แต่ละจุดคือการตั้งค่าระดับความพยายามในการใช้เหตุผลหนึ่งระดับ ต้นทุนของ Muse Ember คิดตามราคาในรายการ
Muse Ember evaluation results
| Evaluation results | Featured model. Muse Ember (max) | Claude Haiku 5.5 (max) | GPT-6 Luna (max) | |
|---|---|---|---|---|
| Agents | AutomationBench-AA E2E business workflows · Agents' Last Exam End-to-end agent tasks · Personal Superintelligence Index Internal composite index of personal and knowledge work | Best result. 37.8 · Best result. 61.6 · Best result. 46.8 | 13.9 · 57.0 · 36.1 | 20.2 · 57.1 · 37.0 |
| Coding | Terminal-Bench 4.0 Agentic terminal coding, best published harness · Coding Agent Index-AA Coding in real agent harnesses · FrontierCode 2.0-AA Real engineering tasks judged on mergeability | Best result. 40.9 · Best result. 46 · 27.2 | 39.2 · 37 · Best result. 34.9 | 16.4 · 31 · 25.2 |
| Multimodal | GDP.pdf-AA Professional work over long documents · OSWorld 2.1 Computer use across desktop apps · PerceptionBench (w/ tools) Fine-grained visual perception | Best result. 22.8 · Best result. 69.5 (partial) 33.8 (binary) · Best result. 80.6 | 20.8 · 68.9 (partial) 27.8 (binary) · 78.6 | Best result. 22.8 · 50.5 (partial) 17.0 (binary) · 62.8 |
| General | Artificial Analysis Index | Best result. 36 | Best result. 36 | 28 |
สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการประเมินของเรา โปรดดู รายงาน ของเรา
Muse Ember เปิดให้ใช้งานแล้ววันนี้ผ่าน Meta Model API ที่ราคา $0.10 ต่อหนึ่งล้าน input tokens และ $0.50 ต่อหนึ่งล้าน output tokens
ในการทดสอบระยะเริ่มแรก พาร์ทเนอร์ของเราได้นำ Muse Ember ไปใช้งานกับภารกิจประเภทที่ agent ต้องทำซ้ำตลอดทั้งวัน ตั้งแต่การตรวจสอบสัญญาไปจนถึงการเขียนโค้ด
“ในการประเมิน Box AI Complex Work Muse Ember มอบความแม่นยำ ความเร็ว และประสิทธิภาพการใช้ token ที่น่าทึ่ง มันสามารถให้คะแนนสัญญาเทียบกับคู่มือการเจรจาของบริษัทแบบทีละข้อและระบุระดับความเสี่ยงโดยรวมได้อย่างถูกต้อง หรือคัดกรองผู้สมัครงานเทียบกับรายละเอียดงานและระบุรายชื่อที่ก้ำกึ่งแต่ยังผ่านเกณฑ์เป็นตัวเลือกสำรองได้ Muse Ember เป็นรากฐานที่รวดเร็วและมีประสิทธิภาพสำหรับ agent ที่ทำงานจริงกับเนื้อหาขององค์กร”
- ผู้เขียน: Yashodha Bhavnani
- บทบาท: VP of AI Products
- บริษัท: Box
“เป็นเรื่องที่ยอดเยี่ยมมากที่ได้เห็น Meta ปล่อยโมเดลน้ำหนักเบาสำหรับนักพัฒนาที่ต้องการโมเดลที่รวดเร็ว ราคาประหยัด และไว้ใจได้ รวมถึงสำหรับทีมที่ต้องการลดต้นทุนด้วยการรันมันเป็น subagent ในระบบของพวกเขา Muse Ember ถูกสร้างขึ้นโดยเฉพาะและมีความโดดเด่นในงานประเภท subagent เช่น การเขียนโค้ดและการวิเคราะห์เอกสาร”
- ผู้เขียน: Saoud Rizwan
- บทบาท: ผู้ก่อตั้ง
- บริษัท: Cline
“Muse Ember แสดงให้เห็นถึงความสามารถที่น่าสนับสนุนในการจัดการงานวิศวกรรมที่ซับซ้อนในการทดสอบช่วงแรกของเรา เราเห็นศักยภาพที่แข็งแกร่งว่ามันจะกลายเป็นเครื่องมืออันมีค่าสำหรับทีมวิศวกรรม”
- ผู้เขียน: Konstantinos Papamiltiadis (kp)
- บทบาท: SVP, Global Partnerships
- บริษัท: Oracle
“สิ่งที่โดดเด่นในการทดสอบของเราคือความเร็ว Muse Ember ทำงานได้เร็วกว่าโมเดลเปรียบเทียบที่เราทดสอบถึง 30% ในช่วงปลาย (tail) และจัดการงานตรวจสอบหลาย repository ในวงกว้างได้ดี มันเหมาะอย่างยิ่งสำหรับภารกิจแบบ agentic ที่เน้นความเร็วและมีปริมาณงานสูง”
- ผู้เขียน: Dane Knecht
- บทบาท: CTO
- บริษัท: Cloudflare
“Muse Ember ทำภารกิจการเขียนโค้ดทุกอย่างในการทดสอบของเราเสร็จสิ้นด้วยค่าความหน่วง (latency) ต่ำที่สุดในบรรดาทุกโมเดลที่เราทดสอบ: โดยมี p95 อยู่ที่ 2.2 วินาที ซึ่งเร็วกว่าโมเดลแบบ open-weight ชั้นนำประมาณ 4 ถึง 13 เท่า และใช้ output tokens น้อยกว่า 36-48% เรารู้สึกตื่นเต้นกับสิ่งที่ Meta Superintelligence Labs กำลังพัฒนาต่อไป และตื่นเต้นที่จะนำมันมาสู่ลูกค้าของเรา”
- ผู้เขียน: Chak Pothina
- บทบาท: Inference Lead
- บริษัท: You.com
Agents
Agent ใช้ token ส่วนใหญ่ไปกับขั้นตอนย่อยๆ ที่มีโครงสร้างจำนวนมาก และ Muse Ember ถูกสร้างมาเพื่อสิ่งนั้นโดยเฉพาะ มันสามารถดำเนินกระบวนการทางธุรกิจตั้งแต่ต้นจนจบ (end to end) ทั้งการดึงข้อมูลบันทึก การเรียกใช้ tool ตามลำดับ และการอัปเดตระบบข้ามแอปพลิเคชัน
ด้วย context window ขนาด 1 ล้าน token และ output tokens สูงสุด 512,000 token มันสามารถรับ codebase ทั้งหมดหรือชุดเอกสารได้ในการเรียกใช้เพียงครั้งเดียว
AutomationBench-AA
ผลลัพธ์ AutomationBench-AA ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 37.8% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 20.2% |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 13.9% |
Artificial Analysis | 9 พฤศจิกายน 2026. Strict pass@1.
Agents' Last Exam
ผลลัพธ์ Agents' Last Exam ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 61.6% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 57.1% |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 57.0% |
การประเมินภายในของ Meta ชุดข้อมูลย่อย Linux
Personal Superintelligence Index
ผลลัพธ์ Personal Superintelligence Index ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 46.8% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 37.0% |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 36.1% |
ดัชนีรวมภายในของงานส่วนบุคคลและงานความรู้
Coding
Muse Ember ถูกสร้างขึ้นเพื่องานย่อยด้านการเขียนโค้ดที่ agent ส่งไปทำเป็นร้อยๆ ครั้งต่อหนึ่งเซสชัน: เช่น การอ่านไฟล์, การรัน test, การแก้ไขจุดที่กำหนดเป้าหมายไว้
Terminal-Bench 4.0
ผลลัพธ์ Terminal-Bench 4.0 ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 40.9% |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 39.2% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 16.4% |
แต่ละโมเดลใน harness ที่ดีที่สุดตามที่ตีพิมพ์ ดูเชิงอรรถที่ 1
Coding Agent Index-AA
ผลลัพธ์ Coding Agent Index-AA ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 46 |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 37 |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 31 |
Artificial Analysis | 9 พฤศจิกายน 2026
FrontierCode 2.0-AA
ผลลัพธ์ FrontierCode 2.0-AA ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 34.9% |
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 27.2% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 25.2% |
Artificial Analysis | 9 พฤศจิกายน 2026
สำหรับปัญหาที่ยากที่สุด ให้ใช้ควบคู่กับ Muse Wonder: Muse Wonder ทำหน้าที่วางแผน ส่วน Muse Ember จัดการปริมาณงาน
Multimodal
Muse Ember เข้าใจข้อความ, รูปภาพ, เสียง และวิดีโอได้โดยกำเนิด ดังนั้น agent จึงสามารถอ่านภาพหน้าจอ, แผนภูมิ และเอกสารที่สแกน หรือทำงานจากบันทึกเสียง, บันทึกการประชุม และวิดีโอได้โดยไม่ต้องใช้โมเดลแยก มันสามารถทำงานผ่านเอกสารขนาดยาวในโลกความเป็นจริง ใช้งานคอมพิวเตอร์ได้โดยตรงจากภาพหน้าจอ และระบุรายละเอียดทางสายตาที่ละเอียดอ่อนได้
GDP.pdf-AA
ผลลัพธ์ GDP.pdf-AA ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 22.8% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 22.8% |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 20.8% |
Artificial Analysis | 9 พฤศจิกายน 2026
OSWorld 2.1
ผลลัพธ์ OSWorld 2.1 ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 69.5% |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 68.9% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 50.5% |
การประเมินภายในของ Meta รางวัลแบบคะแนนบางส่วน (Partial-credit)
PerceptionBench
ผลลัพธ์ PerceptionBench ที่การใช้เหตุผลระดับสูงสุด (max reasoning) จำลองจากแผนภูมิปัจจุบันของเอกสาร.. Score
| Series | Measurement | Value |
|---|---|---|
| Muse Ember (max) | Model | Muse Ember (max) |
| Muse Ember (max) | Score | 80.6% |
| Claude Haiku 5.5 (max) | Model | Claude Haiku 5.5 (max) |
| Claude Haiku 5.5 (max) | Score | 78.6% |
| GPT-6 Luna (max) | Model | GPT-6 Luna (max) |
| GPT-6 Luna (max) | Score | 62.8% |
การประเมินภายในของ Meta พร้อม tool
Safety
ก่อนการเปิดตัว เราได้ประเมิน Muse Ember ภายใต้ Meta Superintelligence Scaling Framework ของเรา ซึ่งรวมถึงความเสี่ยงด้านเคมีและชีวภาพ, ความมั่นคงปลอดภัยไซเบอร์ และความเสี่ยงจากการสูญเสียการควบคุม จากหมวดหมู่ที่ประเมิน การประเมินของเราพบว่า Muse Ember ยังคงอยู่ต่ำกว่าเกณฑ์ความเสี่ยงสูงของเฟรมเวิร์ก แม้จะเป็นโมเดลขนาดเล็ก แต่ก็ได้รับการฝึกฝนและทดสอบด้านความปลอดภัยหลักเช่นเดียวกัน
เรายังได้ประเมินพฤติกรรมของ Muse Ember เมื่อทำงานในนามของผู้ใช้ ซึ่งครอบคลุมว่ามันเคารพความตั้งใจของผู้ใช้หรือไม่ จัดการข้อมูลที่ละเอียดอ่อนอย่างเหมาะสมหรือไม่ ป้องกันคำสั่งที่ซ่อนอยู่ในหน้าเว็บ เอกสาร หรือเอาต์พุตของ tool ที่พยายามเปลี่ยนทิศทางมันได้หรือไม่ และมีการขอข้อมูลจากมนุษย์ก่อนดำเนินการที่มีผลกระทบสูงหรือไม่
Availability
Muse Ember พร้อมใช้งานแล้ววันนี้บน Muse Code และ Meta Model API ในชื่อ muse-ember-1.0 โดยมีราคา $0.10 ต่อหนึ่งล้าน input tokens, $0.004 ต่อหนึ่งล้าน cached input tokens และ $0.50 ต่อหนึ่งล้าน output tokens พร้อม context window ขนาด 1 ล้าน token และ output tokens สูงสุด 512,000 token ทั้งนี้ Muse Ember รองรับ Responses API
เมื่อเราเปิดตัว Muse Wonder และ Muse Wonder Full เราได้กล่าวว่าเราจะใช้พวกมันเพื่อพัฒนาโมเดลเฉพาะทางที่นำมาให้ทุกคนใช้งานได้ Muse Ember เป็นโมเดลแรกที่ฝึกโดยใช้ Muse Wonder Full ซึ่งจะเข้ามาเติมเต็มพอร์ตโฟลิโอโมเดลของเรา: Muse Wonder สำหรับปัญหาที่ยากที่สุด, Muse Spark สำหรับการเขียนโค้ดและเวิร์กโฟลว์แบบ agentic และ Muse Ember สำหรับการเขียนโค้ดที่ทำซ้ำได้และภารกิจแบบ agentic ในระดับสเกล
ที่ราคาประมาณ $0.14 ต่องานของ Artificial Analysis ซึ่งเป็นต้นทุนที่ต่ำพอที่จะรันในทุกผลิตภัณฑ์ สำหรับทุกคน
Muse Ember and Muse Spark 1.3 comparison
| Artificial Analysis | Featured model. Muse Ember (max) | Featured model. Muse Spark 1.3 (max) |
|---|---|---|
| Intelligence Index | 36 | Best result. 37 |
| Cost Per Intelligence Index Task | Best result. $0.14 | $2.39 |
| Price Per 1M Input / Output Tokens | Best result. $0.10 (input) $0.50 (output) | $1.25 (input) $4.25 (output) |
เป้าหมายของเราคือ personal superintelligence: โมเดลที่ช่วยให้คุณบรรลุเป้าหมาย สร้างสรรค์สิ่งที่คุณจินตนาการ กระชับความสัมพันธ์ และดำเนินการกับสิ่งที่คุณให้คุณค่ามากที่สุด การนำมันมาสู่ทุกคนต้องใช้มากกว่าความสามารถระดับแนวหน้า มันต้องมีความสามารถระดับแนวหน้าในราคาที่ขยายสเกลได้ เรามีโมเดลที่มีประสิทธิภาพมากกว่านี้ที่อยู่ระหว่างการฝึก และตั้งตารอที่จะแบ่งปันสิ่งที่จะเกิดขึ้นต่อไป
ความคิดเห็น (0)
เข้าสู่ระบบเพื่อร่วมแสดงความเห็น
สมัครสมาชิกมาเป็นคนแรกที่แสดงความเห็นกันเลยโบร