متا روز دوشنبه Muse Ember را معرفی کرد، کوچک‌ترین و کارآمدترین مدل در خانواده Muse خود، با هدف مستقیم کارهای معمولی که عوامل هوش مصنوعی در طول روز انجام می‌دهند: فراخوانی ابزار، وظایف فرعی کدگذاری، مسیریابی، استخراج و تجزیه اسناد طولانی. این مدل در Meta Model API با قیمت 0.10 دلار به ازای هر میلیون توکن ورودی و 0.50 دلار به ازای هر میلیون توکن خروجی منتشر شد.

طبق اعلام متا، Muse Ember به ازای هر دلار هوش بیشتری نسبت به Claude Haiku 5.5 یا GPT-6 Luna در هر شرایط استدلالی ارائه می دهد. این شرکت می‌گوید که این مدل تقریباً با یک سوم هزینه با بهترین امتیاز هایکو 5.5 مطابقت دارد و از هر تنظیمات Luna پیشی می‌گیرد، و آن را در مرز بازدهی جدول امتیازات تحلیل مصنوعی قرار می‌دهد، جایی که هیچ مدلی با پول کمتر برای هر کار امتیاز بالاتری کسب نمی‌کند. For more context on this story, see our ongoing AI industry coverage.

یک مدل ساخته شده برای وظایف فرعی Agent

هدف متا این است که عوامل مدرن، بخش عمده ای از توکن های خود را صرف بسیاری از مراحل کوچک و ساختار یافته به جای یک پاسخ غول پیکر می کنند، و Muse Ember دقیقاً برای همین حجم کاری مهندسی شده است. این شرکت مدلی را توصیف می‌کند که می‌تواند یک گردش کار تجاری را از انتها به پایان برساند، رکوردها را بکشد، ابزارها را به ترتیب فراخوانی کند و سیستم‌ها را در بین برنامه‌ها به‌روزرسانی کند.

پنجره زمینه به طور غیرمعمول برای این کلاس از مدل سخاوتمندانه است. Muse Ember حداکثر 1 میلیون توکن ورودی را می‌پذیرد و می‌تواند تا 512000 توکن خروجی را در یک تماس تولید کند، که برای دریافت یک پایگاه کد کامل یا یک مجموعه سند بزرگ به‌طور هم‌زمان کافی است.

معیارها: امتیازهای قوی، یک شکاف قابل توجه

اعداد عنوان برگرفته از داده های تحلیل مصنوعی مورخ 9 نوامبر 2026 است که در اطلاعیه متا بازتولید شده است. در شاخص هوش آنالیز مصنوعی، Muse Ember امتیاز 33.9 با 0.116 دلار در هر کار و 35.8 با 0.136 دلار در بالاترین تنظیمات استدلال خود را به دست آورد. بهترین نتیجه کلود هایکو 5.5 36.2 بود، اما برای هر کار 0.411 دلار هزینه داشت، تقریباً سه برابر بیشتر. GPT-6 Luna با 27.8 بالاتر بود. در شاخص کل در حداکثر استدلال، Muse Ember و Haiku 5.5 در رتبه 36 و لونا در رتبه 28 قرار گرفتند.

نتایج در سطح وظیفه همان الگو را نشان می دهد:

  • در Terminal-Bench 4.0، که کدگذاری ترمینال عامل را اندازه گیری می کند، Muse Ember امتیاز 40.9 را در حداکثر استدلال کسب کرد، بالاتر از Claude Haiku 5.5 در 39.2 و با فاصله بسیار زیادی از GPT-6 Luna در 16.4.
  • در AutomationBench-AA، معیار گردش کار سرتاسری که با پاس سخت @1 امتیاز داده شد، Muse Ember به 37.8 در مقابل 20.2 برای GPT-6 Luna و 13.9 برای Claude Haiku 5.5 رسید.
  • در Agents' Last Exam، یک ارزیابی داخلی متا از وظایف مامور سرتاسری در زیرمجموعه لینوکس، Muse Ember امتیاز 61.6 را به دست آورد، جلوتر از Luna با 57.1 و Haiku 5.5 با 57.0.
  • در شاخص فوق هوش شخصی متا، ترکیبی درونی از کار شخصی و دانشی، میوز امبر امتیاز 46.8 در مقابل 37.0 برای لونا و 36.1 برای هایکو 5.5 به دست آورد.
  • در OSWorld 2.1، معیاری برای استفاده از رایانه در برنامه های دسکتاپ، Muse Ember امتیاز 69.5 در امتیازدهی جزئی و 27.8 در امتیازدهی باینری کسب کرد.
  • در PerceptionBench with tools، یک تست درک بصری دقیق، Muse Ember با امتیاز 80.6 در مقابل 78.6 برای هایکو 5.5 و 62.8 برای لونا پیشتاز شد.

یک شکاف وجود دارد که ارزش پرچم گذاری را دارد. در FrontierCode 2.0-AA، که وظایف مهندسی واقعی را در مورد امکان ادغام کد حاصل قضاوت می کند، کلود هایکو 5.5 با 34.9، با Muse Ember با 27.2 و GPT-6 Luna در 25.2 پیشتاز بودند. این یک یادآوری است که معیارها متفاوت هستند و تیم‌ها باید مدل‌ها را با حجم کاری واقعی خود مطابقت دهند تا یک جدول امتیاز.

اعداد کارایی به چه معناست

قاب بندی هزینه به ازای کار جایی است که متا شدیدترین کنتراست را ایجاد می کند. هایکو 5.5 باید تا 0.411 دلار برای هر کار در بالاترین تنظیمات استدلال خود خرج کند تا به بهترین امتیاز خود یعنی 36.2 برسد، در حالی که Muse Ember امتیاز 35.8 را در 0.136 دلار ثبت کرد. بهترین امتیاز 27.8 لونا با 0.152 دلار به ازای هر کار، بالاتر از قیمت Muse Ember و بسیار پایین تر از امتیازات آن بود. برای مهارهای عاملی که صدها کار فرعی را در هر جلسه اجرا می کنند، هزینه هر کار به سرعت ترکیب می شود، که دقیقاً بخشی است که متا هدف قرار می دهد.

آنچه شرکای اولیه گزارش می دهند

اعلامیه متا شامل نتایج اولیه از پنج شریک است: Box، Cline، Oracle، Cloudflare و You.com.

مدیر ارشد فناوری Cloudflare Dane Knecht گفت Muse Ember "تا 30٪ سریعتر از مدل مشابهی که ما آزمایش کردیم" در انتهای کار می دوید و وظایف تحقیقاتی گسترده و چند مخزن را به خوبی انجام می داد و آن را مناسب برای بارهای کاری با توان عملیاتی بالا می خواند.

در You.com، چاک پوتینا، رهبر استنتاج گزارش داد که Muse Ember تمام تلاش های کدنویسی در تست شرکت را با کمترین تأخیر در بین هر مدل آزمایش شده، p95 2.2 ثانیه به پایان رساند. به گفته پوتینا، یعنی حدود 4 برابر تا 13 برابر سریع‌تر از مدل‌های با وزن باز پیشرو، با 36 تا 48 درصد توکن‌های خروجی کمتر.

یاشودا باونانی معاون باکس محصولات هوش مصنوعی گفت که در ارزیابی باکس AI Complex Work Eval، این مدل می‌تواند قراردادی را در برابر بند کتاب مذاکره یک شرکت به بند به دست آورد و در رتبه‌بندی ریسک کلی قرار گیرد. سعود رضوان، بنیانگذار Cline، Muse Ember را برای کارهای فرعی مانند کدنویسی و تجزیه و تحلیل اسناد، «ساختار هدفمند» نامید و کنستانتینوس پاپامیلتیادیس، معاون اوراکل، پتانسیل قوی برای تیم های مهندسی را ذکر کرد.

نکات قابل توجه در مورد در دسترس بودن و وزن

Muse Ember از دوشنبه از طریق Meta Model API در دسترس است. در این اطلاعیه به در دسترس بودن وزن باز اشاره ای نشده است، بنابراین تیم هایی که خود میزبان هستند باید فعلاً این را به عنوان یک نسخه فقط API در نظر بگیرند. Meta Superintelligence Labs با این کار در نقل قول های شریک اعتبار دارد.

برای توسعه‌دهندگانی که دسته‌های عامل را مونتاژ می‌کنند، ورود یک مدل فرعی ارزان و سریع سومین گزینه اصلی را در کنار کلود هایکو 5.5 و GPT-6 لونا اضافه می‌کند، که هر دوی این گزینه‌ها در حال حاضر قیمت هر دوی آنها را با کیفیتی مشابه در معیارهایی که متا ذکر می‌کند کاهش می‌دهد. چه این مزیت تحت آزمایش مستقل وجود داشته باشد، داده های خارج از Meta که از تجزیه و تحلیل مصنوعی بازتولید شده است، چیز بعدی خواهد بود.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →