推出迄今最小、效率最高的模型:Muse Ember

📌 One-Sentence Summary
Meta AI 的 Muse Ember 进入 Haiku/Luna 级别的高效 AI 模型行列,在复杂推理任务上提供有竞争力的价格,并在 Artificial Analysis 效率前沿上展现出强劲性能。
📝 Summary
文章介绍了 Meta AI 推出的新型高效模型 Muse Ember,其价格和性能定位与 Claude Haiku/GPT Luna 相当。文章分析了不同提示词长度下的定价结构,指出 Ember 的输入成本具有竞争力:200k tokens 以内为 $0.10/1M tokens,超过 200k 则为 $0.30。文章还引用 Artificial Analysis 的数据,指出 Muse Ember(xhigh 和 max 设置)位于帕累托效率前沿,在每项任务成本适中($0.12-$0.14)的情况下,智能指数得分达到 34-36。作者还通过生成 SVG 插图测试 Ember 的不同推理等级,发现更高的推理等级并不总能带来更好的视觉输出质量。
💡 Main Points
Muse Ember 具有竞争力的定价结构
Ember 的标准定价与 GPT-6 Luna 和 Claude Haiku 5.5 相近(每百万 tokens 输入 $0.10、输出 $0.50),但阶梯定价有所不同:超过 200k tokens 后,Ember 的输入价格升至 $0.30、输出价格升至 $1.50;相比之下,Haiku 在超过 100k tokens 后会升至 $0.50/$2.50,因此 Ember 处理较长提示词时更划算。
位于 Artificial Analysis 的效率前沿
根据 Artificial Analysis 的数据,Muse Ember 各型号的智能指数得分为 34-36,每项任务成本为 $0.12-$0.14,位于帕累托前沿。在这条效率前沿上,若要提升某一项指标,就必须牺牲另一项指标,因此这些型号执行复杂推理任务时效率很高。
更高的推理等级不一定能保证更好的输出质量
测试 Ember 的六个推理等级(从 minimal 到 max)进行 SVG 生成,结果并不稳定:「high」等级未能生成完整输出,而更高的推理等级也不一定能稳定提升视觉质量。这表明,在图像生成任务中,推理深度并不总与输出质量相关。
💬 Key Quotes
我们最小、效率最高的模型,专为复杂推理任务而设计,也适用于智能体全天反复执行的工作:工具调用、编码子任务、路由、信息提取和长文档解析
它也位于 Artificial Analysis 完整排行榜的效率前沿:没有任何模型能以更低的单项任务成本取得更高分数。
Muse Ember(xhigh)的得分约为 34,成本约为 $0.12;Muse Ember(max)的得分约为 36,成本约为 $0.14;两者都位于帕累托前沿。
📊 Article Meta
AI Screening: 85
Source: Simon Willison's Weblog
Author: Simon Willison
Category: 人工智能
Language: 英文
Read Time: 2 min
Word Count: 418
Tags:
AI 与智能应用 , AI 产品与应用 , 模型训练与推理 , AI 工程 , 大语言模型 (LLM)
看标题就点进来了,内容果然没让人失望。
看完了,收获满满,期待更多更新。
实测过类似工具,作者说的基本属实。
收藏了,以后慢慢研究。
内容翔实,正好需要,先收藏再看。
看完了,收获满满,期待更多更新。
实话,说的不明不白
收藏了,以后慢慢研究。
内容翔实,正好需要,先收藏再看。
写得挺用心的,支持一下。
实话,说的不明不白
写得挺用心的,支持一下。