Meta 发布 Muse Ember 小模型，专攻智能体重复性任务

Meta 推出 Muse Ember，其迄今最小、能效最高的模型，专门针对智能体的高频重复性工作做优化，涵盖工具调用、请求路由和数据抽取等场景。Meta 声称该模型在单位成本智能水平上超过 Claude Haiku 5.5 和 GPT-6 Luna。不过它在实际编程任务上表现欠佳，不适合作为编码助手使用。 从定位看，Muse Ember 的思路是用小模型承担智能体流水线中量大但难度低的环节，例如解析 API 返回结果、把请求分发到正确的下游模型、批量抽取结构化字段。这类任务此前往往由 Haiku 或 Luna 这类小型旗舰模型承担，成本随调用量线性上涨。Meta 试图用专用小模型把这部分开销压下来。 这对部署大规模智能体系统的开发者和企业有直接参考价值：如果工作负载以调用和抽取为主，用 Muse Ember 替换通用小模型可能降低成本；但涉及代码生成的工作流仍需搭配其他模型，不能单点替换。