Meta發表小型AI模型Muse Ember 高效處理重複性任務成本更低 - OwlNews

圖／示意圖商傳媒｜何映辰／台北報導MetaPlatforms今日宣布推出旗下最小、效率最高的AI模型MuseEmber，這款新模型專為人工智慧代理（AIAgent）設計，擅長處理大量重複性與Token密集型工作，並以更低的成本提供更高的效率。Meta執行長祖克柏（MarkZuckerberg）指出，MuseEmber專為AI代理全天候重複的Token密集型工作而打造，例如工具呼叫、程式編寫子任務、路徑規劃、資料擷取以及長文件解析等。MuseEmber的設計重點在於高效處理小型、結構化的步驟。它能夠執行端到端的商業工作流程，包括從提取記錄、按順序呼叫工具，到跨應用程式更新系統。這款模型具備高達1M-Token的上下文視窗（contextwindow），也就是人工智慧模型在處理單一查詢時能「記憶」或參考的資訊量，以及最高512K的輸出Token（AI處理資訊的基本單位，可以是一個單字、詞彙或字元片段），使其能單次處理完整的程式碼庫或文件集。此外，MuseEmber也適用於AI代理頻繁執行的程式編寫子任務，像是讀取文件、執行測試和進行精準修復。MuseEmber最大的亮點在於其多模態理解能力，它能原生理解文字、圖像、音訊和視訊，讓AI代理無需額外模型即可處理視覺和聽覺資訊。這項能力使其能夠操作電腦的螢幕截圖，並辨識出細微的視覺細節，甚至處理長篇的實際文件。在成本效益方面，MuseEmber表現卓越。每百萬個輸入Token（Token）僅需0.10美元，而每百萬個輸出Token則為0.50美元，這使其在執行人工分析（ArtificialAnalysis）任務時，每次任務成本約為0.14美元。根據《TheDecoder》報導，Meta表示MuseEmber在每個推理層級上，都能比GPT-6Luna或ClaudeHaiku5.5提供更優異的「每美元智慧」。與較大的MuseSpark1.3模型相比，MuseEmber的成本約低12倍，卻能在許多Meta自家的測試中取得領先，例如在AutomationBench-AA測試中獲得37.8%的分數，超越GPT-6Luna的20.2%和ClaudeHaiku5.5的13.9%。儘管如此，在實際程式編寫任務的FrontierCode2.0-AA測試中，ClaudeHaiku5.5以34.9%的分數略優於MuseEmber的27.2%。安全性也是Meta關注的焦點。MuseEmber已通過Meta超級智慧擴展框架（MetaSuperintelligenceScalingFramework）的評估，其中包括化學與生物、網路安全以及失控風險等，所有風險均保持在閾值以下。該模型也接受了與大型模型相同的核心安全訓練與測試。目前，MuseEmber已透過MuseCode和MetaModelAPI平台以「muse-ember-1.0」版本提供，同時也在GoogleCloud和OracleCloud上架。