推出我们最小、最高效的模型：Muse Ember。Meta AI 刚刚发布了他们在 Claude Haiku/GPT Luna 类别中的产品：Muse Ember，他们将其描述为：
[…] 我们最小、最高效的模型，专为复杂推理执行以及智能体全天重复的工作而设计：工具调用、编码子任务、路由、提取和长文档解析。
对于较短的提示词，其定价与 GPT-6 Luna 和 Claude Haiku 5.5 相同——两者均为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元。今天发布的另一款大模型 Claude Fable 5.2 的价格是其 80 倍，为 8/40 美元。
不过，随着提示词变长，定价就稍微不那么直观了。Luna、Ember 和 Haiku 都支持最多一百万个输入 token，但它们也都有一个价格上调的阈值。考虑到该阈值，Ember 的定价介于另外两者之间：
| 模型 | 提示词大小 | 输入（美元/百万） | 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 |
但如今比较每 token 价格其实并不太有意义，因为推理 token 意味着不同模型在解决同一问题时可能使用截然不同数量的 token。
为此，一个有用的衡量指标是 Artificial Analysis。
比这更有用的是他们的 Intelligence Index vs. Cost per Task 图表，它显示了这三个模型的以下情况：
Muse Ember 模型正好位于那条帕累托线上——在这条线上，你只能通过牺牲一个维度来改善另一个维度。Meta 在他们的公告中指出了这一点：
它也位于完整 Artificial Analysis 排行榜的效率前沿上：没有模型能以更低的每任务成本获得更高得分。
（绿色区域中间帕累托线上的那个灰点是 GPT-6.1 Terra（low）——显然我应该多关注 Terra 系列！）
Muse Ember 有六个推理级别——minimal、low、medium、high、xhigh 和 max——所以我渲染了六只骑自行车的鹈鹕。“high”推理级别未能返回完整的 SVG，而其他 SVG 令人惊讶的是，推理级别并没有清晰地对应响应的视觉质量。
这是“max”的那张，但其他的也值得一看：
Ember 的鹈鹕在质量上与我从 Muse Wonder 得到的相当，而 Muse Wonder 的价格是 Muse Ember 的40 倍。