Meta Platforms Inc.今日推出了入门级人工智能模型Muse Ember，其成本相比竞争对手大幅降低。
值得注意的是，这是该公司首个使用Muse Wonder训练出的AI模型。后者是这家Facebook母公司旗下的旗舰大语言模型。Meta并未具体说明工作流程中哪一部分是通过Muse Wonder实现自动化的。
一种可能性是，该公司使用它来执行后训练，即通过在额外数据上进行训练来提升模型能力的任务。Thinking Machines Labs Inc.近期曾展示，即便是相对较小的大语言模型，也能端到端完成后训练流程。Anthropic PBC上周也透露，其AI模型未来可能获得大幅加速机器学习研究的能力。
应用程序通常会将Muse Wonder等前沿大语言模型作为AI集群的一部分使用。当用户发出请求时，前沿大语言模型会将其拆分为更小的任务，并分配给由低成本模型驱动的智能体执行。Meta表示，Muse Ember正是针对后一种角色进行了专门优化。
该公司使用Artificial Analysis Index对模型进行了评估，该指数汇总了涵盖编程和财务分析等应用场景的九项AI基准测试。Meta表示，Muse Ember的得分与Anthropic入门级模型Claude Haiku 5.5相当，但价格仅为其约三分之一。同时，它的表现也超越了OpenAI Group PBC同级别的GPT-6 Luna模型。
在同一项内部评估中，Meta还针对另外九项基准测试对Muse Ember及两款竞品模型进行了测试。三款模型均处于“最大性能”模式，即调用其可用的最大硬件资源，而非优先考虑成本效益。在九项基准测试中，Muse Ember在七项上的表现超过了Haiku和Luna。
该模型优势最为明显的领域似乎是商业任务自动化。Muse Ember在多数基准测试中的结果仅比Haiku和Luna高出几个百分点，但在AutomationBench-AA测试中，其领先优势达到17%。该测试集包含657项任务，涵盖Gmail和Salesforce等热门云应用。
Muse Ember的上下文窗口为100万Token，使其能够处理冗长的商业文档。用户还可以在提示词中加入图像、音频和视频内容。该模型生成的回复长度最高可达512,000个Token。
Muse Ember通过Meta的Model API提供，输入Token价格为每百万Token10美分，输出Token价格为每百万Token50美分。内置缓存功能可重复利用常见提示词，避免重复处理。当该功能启用时，Muse Ember的输入价格将降至每百万Token 0.4美分。
