单位任务成本

Meta 推出高效能模型线 Muse Ember，在 Artificial Analysis 智能指数上取得 36 分，与 Claude Haiku 5.5 持平，但单任务成本仅 0.14 美元，约为后者的三分之一。该模型在自动化基准 AutomationBench-AA 上得分 68.1%，与自家旗舰 Muse Wonder 持平，但在智能体编程与部分任务上表现参差。

Meta 超级智能实验室发布迄今最轻量、最具成本效率的模型 Muse Ember，专为智能体高频重复任务设计，覆盖工具调用、编码子任务、路由、信息抽取与长文档解析。其输入价格低至每百万 token 10 美分，官方以 Artificial Analysis 综合基准展示其在成本与智能上优于 Anthropic Haiku 与 OpenAI Luna，并与 DeepSeek V4.1 Flash、GLM 5.3 Flash 等开源竞品形成价格竞争。Ember 定位为与更大模型 Muse Wonder 搭配的智能体执行层。

Muse 推出其最小、最高效的模型 Muse Ember，面向工具调用、编码子任务、路由、信息抽取与长文档解析等智能体高频重复工作。官方称其在任意推理档位下单位成本智能均优于 Claude Haiku 5.5 与 GPT-6 Luna，并以约三分之一成本追平 Haiku 最佳成绩，处于 Artificial Analysis 榜单效率前沿。

Artificial Analysis 以 100 美元预算为标尺，对比了各模型在相同预算下可完成的任务量：Opus 5.5 在高推理强度下约可完成 40 个 Intelligence Index 任务，而 DeepSeek V4.1 Flash 与 GPT-6 Luna 在同一预算下分别约为 166 个和 2500 个，体现出前沿模型单任务推理成本的巨大差距。同一时间，苹果把工程师的 AI 使用额度从每天 300 美元下调至 200 美元，并计划进一步降至 100 美元，部分团队甚至降至 25 美元，说明企业侧正在把“单位任务成本”当作部署大模型的核心考核指标。这是一条供决策参考的观察数据，未披露具体的评测方法，也没有模型发布或能力升级。