Muse Ember 解讀：同分每題成本降近三分之二，Agent 該換模型嗎？（2026）

2026 年 11 月 9 日，Meta 在 AI Research 發布了〈Introducing Our Smallest, Most Efficient Model: Muse Ember〉，把 Muse Ember 定位為處理工具呼叫、程式子任務與文件整理的低成本執行模型。這次值得看的，是一個務實問題：同樣顯示 36 分，為什麼完成評測的費用可以差這麼多？

先讀懂 Meta 想解決什麼，再對照第三方測試與正式費率，最後判斷哪些工作值得交給它。每題便宜，是測試結果；你的工作能否便宜地做對，仍是另一個問題。

一、Muse Ember 的主張：讓規劃與大量執行分工

Muse Wonder plans, Muse Ember handles the volume.

中文：Muse Wonder 負責規劃，Muse Ember 處理大量執行。

Meta，Muse Ember 發表文章

這句話比「小模型挑戰大模型」更接近原文的精神。想像一個程式助理先決定修改方向，再反覆讀檔、查找符號、整理測試結果；或一個文件助理先訂抽取規則，再處理一批相似表單。每一小步都請昂貴模型重新思考，整段流程的成本會累加。

依 Meta 的模型文件，它的 API 名稱是 muse-ember-1.0，提供約 1M Token 上下文，接受多種媒體輸入並輸出文字。Meta 建議把較難的規劃與知識密集問題交給較大型模型，讓 Ember 承接有明確邊界、反覆出現的工作。這是產品設計方向，實際分工仍要看任務結果。

原文也展示代理、程式與多模態評測，並列出合作夥伴的早期使用心得；安全部分則由 Meta 自述已測試敏感資訊處理、隱藏指令與高影響行動。這些公司內部結果與合作案例提供線索，證據強度仍需和原始第三方測試分開看。

二、36 分與 0.14 美元：省的是哪一筆帳？

Artificial Analysis 的 11 月 9 日測試報告列出：在 max 推理設定下，Muse Ember 與 Claude Haiku 5.5 的 Intelligence Index 都以整數顯示 36 分，每題加權成本約為 0.14 與 0.41 美元。用這兩個四捨五入數字計算，前者約為後者的 34%，即省約 66%。這個比例限定於該評測工作組合。

「同分」也要讀得精確：Meta 原圖列的是約 35.8 與 36.2，整數呈現後才都成為 36。更關鍵的是，綜合指數把多種能力加權成一個數字，兩個模型可以總分接近，卻在你最重視的那類工作上拉開距離。

Muse Ember costs less per task than similarly priced models

中文：Muse Ember 的每題成本，比 Token 定價相近的模型低。

Artificial Analysis，Muse Ember 評測

第三方報告把差異連到快取輸入與輸出用量。理解這點，可以想成同一份印刷工作：每張紙的價錢接近，最後帳單仍取決於印了幾張、哪些內容能重用。AA 的方法說明也指出，成本會結合模型回報的 Token 用量與實際量測的快取命中情況；不能把每題數字當成任意一次 API 呼叫的固定價格。

三、長文件的費率門檻：能放 1M，不代表全程同價

截至 2026 年 11 月 10 日查閱，Meta 正式費率表將 Ember 分成兩檔。以下金額皆為每百萬 Token 的美元價格：

請求輸入長度	一般輸入	快取輸入	輸出
不超過 200K	$0.10	$0.004	$0.50
超過 200K	$0.30	$0.012	$1.50

200K 門檻計入快取 Token；跨過門檻後，整個請求套用較高費率，而非只對超出的部分加價。延續已儲存對話時，先前對話也會算進輸入。長上下文提供容量，但容量和經濟性要分開驗收。

例如你把同一批附件一直帶進後續回合，輸入可能逐漸跨檔。比較方案時，應先問這一步到底需要哪些內容，再問是否能快取。盲目把所有文件都塞進去，可能同時增加費用與核對難度；拆分也有可能漏掉跨文件關係，因此要用同一組答案標準比較。若你想理解長期保留資訊會帶來哪些核對問題，可接著讀Agent 記憶與可回查證據。

四、程式能力有分項勝負，知識題則要看拒答

AA 的 max 設定測試呈現兩種方向：Terminal-Bench 4.0 為 Ember 40.9%、Haiku 32.8%；FrontierCode 2.0 則是 Ember 27.2%、Haiku 34.9%。放到各自的程式代理產品中，Coding Agent Index 為 Muse Code／Ember 46、Claude Code／Haiku 37。這些結果測的是特定模型與執行條件，不能合併成「任何程式工作都更強」。

尤其要防止把不同來源的同名測試接在一起。Meta 發表頁的 Haiku Terminal-Bench 是 39.2%；其評測方法文件說明採用 Anthropic 在 Claude Code 的自報成績，Ember 則取 AA 的 mini-swe-agent 結果。上段引用的 32.8% 來自 AA 自己的比較；兩者不應混成同一組控制實驗。

另一個尚未釐清的差異是 AutomationBench-AA：Meta 發表頁列出 Ember 37.8%，標為 strict pass@1；AA 專文列 68.1%。本文保留兩個來源的原始標示，未確認完整換算關係，因此不以這組差異推導實際業務的成功率，也不替差異猜一個原因。

Knowledge is the main weakness, but it rarely hallucinates.

中文：知識是主要弱項，但它較少產生幻覺。

Artificial Analysis，對自身評測的概括

這句話的後半容易讓人放下戒心，前半卻更影響工作安排。AA 報告其 AA-Omniscience 準確率為 21.1%，並指出約 64% 題目拒答。這是該知識評測的觀察；拒答能少交出一些錯答案，卻也可能讓需要完成的工作停住。少說錯，和把需要的答案找齊，是兩個驗收目標。

五、Muse Ember 的判讀：把省錢機會放到容易驗收的地方

1. 綜合分數用來篩候選，任務結果決定去留

36 分讓 Ember 有理由進入候選清單，不能替你的任務宣布勝負。若工作是從已給定文件抽出日期與金額，就檢查來源位置、欄位與算術；若工作是修改程式，則看測試與需求是否同時成立。兩類任務需要不同的考卷，也可能得到不同的選擇。Harness-S 的框架與能力判讀，也提醒我們把外部支援和模型本身的進步分開。

2. 重試與升級，都要列入成本

真正有用的帳是：全部模型費、工具費、失敗重試與升級處理成本，除以合格交件數。若小模型便宜完成前幾步，卻使後段反覆返工，局部節省可能被吃掉；若它能穩定承接格式明確的工作，大模型便可集中處理例外。這是待用自己的流程檢驗的推論。

設計分工時，把「不確定就升級」寫成可觀察的條件，例如來源找不到、欄位彼此矛盾或測試失敗。只靠模型自稱有信心，難以知道它是否漏看問題。升級比例與最後品質要一起記，才看得出便宜來自效率，還是把難題轉交後藏起了帳。

3. 安全訓練不能代替工具權限

Meta 對安全測試的描述值得追蹤；落到部署，仍要由系統限定能讀哪些資料、呼叫哪些工具、在哪些條件下停止。便宜模型可增加嘗試次數，也可能增加錯誤動作的次數。先用假資料、唯讀工具與可回復的任務比較，再把品質證據帶到更大的工作範圍。

我同意什麼，我存疑什麼

我同意，把大量執行交給成本較低的模型，是值得認真評估的工程方向。這次第三方成本數字與混合的能力結果，已足以支持安排小規模比較。我存疑的是，用同樣的整數分數，推導成全面等效替換。長文件費率、分項能力、拒答與返工，都會改變最後一張帳單。

六、下一步：先挑一段工作，留下一張完整成績單

從你已經熟悉答案的重複性工作開始，例如一批去識別化文件的欄位抽取。事先固定資料、提示、工具、推理設定與停止條件，讓現用模型與 Ember 各自完成；記下全部回合、費用、等待時間、合格交件，以及轉交大模型的原因。這是一個建議的試用設計，本文未執行付費 API 對比。

採用門檻先寫在結果之前：哪些錯誤必須攔下、品質至少維持到哪裡、總成本需要降低多少。若某類任務改善，就先讓它承接那一類；若知識題常停在拒答，改測文件有依據的問題或保留現有路徑。Muse Ember 最值得檢驗的承諾，是讓可驗收的工作更便宜地完成。