Name: GPT-6 Luna
Author: OpenAI

马克·扎克伯格（Mark Zuckerberg）在 X 上用一句话介绍了 Meta 最新的 AI 模型：“Muse Ember 今日发布——这是我们最小的模型，在同类产品中能以更低的成本带来更高的智能。”不少发布报道将这番话解读为降价：Meta 正在压低 Anthropic 和 OpenAI 面向 AI 智能体开发者销售的小型低价模型的价格。

但这并不是降价，至少价目表上没有变化。Muse Ember 对每个输入和输出 token 的收费，都与它的两家知名对手完全相同。Meta 宣称的成本节省确实存在，只不过来自别处：模型得出答案前会生成多少内容。这比打折更值得关注，也更难让买家在账单到来前核实。

Meta 发布了什么

Muse Ember 是 Meta Muse 系列的第四款模型，排在 Spark、Glimmer 和 Wonder 之后，也是其中体量最小的一款。Meta Superintelligence Labs 开发它，专门处理智能体工作流中的重复步骤；用扎克伯格的话说，就是“编码子任务、路由、信息提取和长文档解析”。Meta 对两款模型如何分工的说法十分直白：“Muse Wonder 负责规划，Muse Ember 负责处理大量工作。”Meta Superintelligence Labs 负责人亚历山大·王（Alexandr Wang）表示，Ember 是首款使用 Muse Wonder Full 训练并正式发布的模型；Muse Wonder Full 是 Meta 规模最大的模型。

Meta 表示，Ember 能读取文本、图像、音频和视频，支持 100 万 token 的上下文窗口，并可在单次回答中生成最多 512,000 个 token。它是闭源模型，不提供可下载的权重，只能通过 Meta 托管的 Model API 和 Meta 的编程智能体 Muse Code 使用；Google Cloud 和 Oracle Cloud 也被列为接入渠道。

“每美元”优势从何而来

Meta 为 Ember 标出的价格是：每百万个输入 token 0.10 美元，每百万个输出 token 0.50 美元。正如 MarkTechPost 和 Fello AI 指出的那样，Anthropic 的 Claude Haiku 5.5 与 OpenAI 的 GPT-6 Luna 也采用相同的基础费率。价目表上唯一的优势来自缓存输入——也就是模型已经读过、可以重复使用的文本：Ember 每百万个缓存输入 token 收费 0.004 美元，而两款对手均收取 0.01 美元。

差距体现在每项任务的成本上。在独立基准测试套件 Artificial Analysis Intelligence Index 中，Ember 得分为 36，与最高设置下的 Haiku 5.5 持平；但每项任务的成本约为 0.14 美元，Haiku 则约为 0.41 美元。Fello AI 对 Artificial Analysis 数据的解读解释了原因：在整个指数测试中，Ember 生成了约 1.15 亿个输出 token，Haiku 则生成约 2.98 亿个，二者的输出费率相同。每个 token 的价格一样，Ember 用掉的 token 却少得多。GPT-6 Luna 每项任务的成本与 Ember 大致相当，为 0.15 美元，但得分只有 28。

这一机制很重要，因为价格表上不会列出 token 数量。开发者对照价目表时，会看到三个价格完全相同的模型。只有智能体实际运行后，差异才会显现，而且成本会随任务、运行框架和推理设置而变化。Meta 的比较采用最高推理强度；其开发者文档也将这一设置列为 Ember 的默认选项。

价格为何会涨到三倍

Meta 的开发者页面还列出了第二档价格，但发布宣传没有提到这一点。输入 token 超过 200,000 个后，Ember 每百万个输入 token 收费 0.30 美元，每百万个输出 token 收费 1.50 美元，是宣传价的三倍。Meta 的文档提醒，带有较长对话历史的请求可能会超过这一门槛。MarkTechPost 的发布报道称 Meta 没有为 Ember 列出长上下文价格档；但 Meta 自己的价目表显示，事实并非如此。

这一价格档恰好适用于扎克伯格宣传的使用场景。“长文档解析”和百万 token 上下文窗口，鼓励开发者一次性输入整个代码库和成套文档——这类请求也最容易超过门槛。即便如此，Ember 在这类场景下仍比 Haiku 5.5 便宜：据 MarkTechPost 报道，Haiku 对超过 100,000 个提示 token 的请求，每百万个输入 token 收费 0.50 美元，输出则收费 2.50 美元。但此时“便宜”变成了“比替代方案更便宜”，承诺的含义已经不同。

基准测试结果如何，又是谁做的测试

Meta 公布了 Ember 与 Haiku 5.5、GPT-6 Luna 对比的十项测试结果。Ember 最亮眼的成绩来自 AutomationBench——Artificial Analysis 对 657 个 Zapier 商业工作流进行的测试：Ember 完成了 37.8% 的任务，Haiku 为 13.9%，Luna 为 20.2%。它唯一明显落后的项目是 FrontierCode 2.0。这项测试根据真实代码修改是否能通过维护者审核并入代码库来评分：Haiku 得分 34.9，Ember 为 27.2。

Fello AI 统计了各项数据的来源：五项来自 Artificial Analysis，四项由 Meta 自行测试；Terminal-Bench 一项则混用了不同设置——Ember 的数据来自 Artificial Analysis 的测试，对手的数据则是模型方自行报告的结果。Fello 还指出，Artificial Analysis 的模型页面只列出 Ember 的文本和图像输入，因此它是否支持音频和视频，目前仍只能依据 Meta 的说法。

Muse Ember 适合谁

Meta 的发布文章称，Ember 的成本“低到可以让每个人在每款产品中运行”。但目前 Meta 自家的消费级产品中没有任何一款搭载它：Fello AI 报道称，Meta AI 应用、WhatsApp 和 Muse 智能体都尚未接入 Ember。它是供其他公司智能体使用的组件，Meta 选用的合作伙伴评价也印证了这一点。Cline 创始人萨乌德·里兹万（Saoud Rizwan）称，它适合“那些在运行框架中把它作为子智能体、以此削减成本的团队”。Cloudflare 首席技术官戴恩·克内希特（Dane Knecht）表示，它“在尾部运行速度上最高比我们测试过的同类模型快 30%”。

这就是 Ember 背后的赌注。Meta 并不打算靠它赢得聊天窗口之争。它希望 Ember 成为其他公司智能体内部每小时调用上千次的模型，同时由更大的模型负责思考；而在这类工作中，最终账单取决于一个没有供应商会公布的数字：模型要生成多少 token 才能完成任务。

标签: meta, AI模型, 马克·扎克伯格, Claude Haiku, Muse Ember