Meta သည် ၎င်း၏ Muse မိသားစုတွင် အသေးငယ်ဆုံးနှင့် အထိရောက်ဆုံး မော်ဒယ်ဖြစ်သည့် Muse Ember ကို တနင်္လာနေ့တွင် မိတ်ဆက်ခဲ့ပြီး AI အေးဂျင့်များသည် နေ့စဥ်လုပ်ဆောင်သည့် ပုံမှန်အလုပ်ဖြစ်သည့် ကိရိယာဖုန်းခေါ်ဆိုမှု၊ ကုဒ်ရေးခြင်းလုပ်ငန်းခွဲများ၊ လမ်းညွန်ခြင်း၊ ထုတ်ယူခြင်းနှင့် ရှည်လျားသောစာရွက်စာတမ်းများကို ခွဲခြမ်းစိတ်ဖြာခြင်းတို့ကို ရည်ရွယ်သည်။ မော်ဒယ်သည် ထည့်သွင်းမှုတိုကင်တစ်သန်းလျှင် $0.10 နှင့် အထွက်တိုကင်တစ်သန်းလျှင် $0.50 ဖြင့် Meta Model API တွင် တိုက်ရိုက်ထုတ်လွှင့်ခဲ့သည်။

Meta ၏ကြေငြာချက်အရ Muse Ember သည် Claude Haiku 5.5 သို့မဟုတ် GPT-6 Luna ထက် တစ်ဒေါ်လာလျှင် ဉာဏ်ရည်ပိုပေးပါသည်။ မော်ဒယ်သည် Haiku 5.5 ၏ အကောင်းဆုံးရမှတ်ကို ကုန်ကျစရိတ်၏ သုံးပုံတစ်ပုံခန့်နှင့် ကိုက်ညီပြီး Luna ဆက်တင်တိုင်းကို ကျော်ကာ ၎င်းကို အလုပ်တစ်ခုလျှင် ငွေပိုနည်းသည့်အတွက် မော်ဒယ်ရမှတ်ပိုမိုမြင့်မားသည့် Artificial Analysis ဦးဆောင်သူစာရင်း၏ ထိရောက်မှုအကွာအဝေးတွင် ထားရှိကြောင်း ကုမ္ပဏီမှ ပြောကြားခဲ့ပါသည်။ For more context on this story, see our ongoing AI trends.

Agent Subtasks အတွက် တည်ဆောက်ထားသော မော်ဒယ်

Meta ၏ အစေးထွက်ချက်မှာ ခေတ်မီအေးဂျင့်များသည် ၎င်းတို့၏ တိုကင်အမြောက်အများကို ဧရာမအဖြေတစ်ခုထက် သေးငယ်၍ ဖွဲ့စည်းတည်ဆောက်ထားသော အဆင့်များစွာတွင် အသုံးပြုကြပြီး မူဆယ် Ember သည် ထိုလုပ်ငန်းတာဝန်အတွက် အတိအကျ အင်ဂျင်နီယာချုပ်ထားခြင်း ဖြစ်သည်။ ကုမ္ပဏီသည် လုပ်ငန်းလည်ပတ်မှုတစ်ခုအား အဆုံးအထိသယ်ဆောင်နိုင်သည်၊ မှတ်တမ်းများဆွဲခြင်း၊ ဆင့်ခေါ်သည့်ကိရိယာများကို ခေါ်ဆိုခြင်းနှင့် အပလီကေးရှင်းများတစ်လျှောက် စနစ်များကို အဆင့်မြှင့်တင်ခြင်းတို့ကို လုပ်ဆောင်နိုင်သည့် မော်ဒယ်ကို ဖော်ပြသည်။

ဆက်စပ်ဝင်းဒိုးသည် ဤမော်ဒယ်အတန်းအတွက် ထူးထူးခြားခြား ရက်ရောသည်။ Muse Ember သည် input token 1 သန်းအထိလက်ခံပြီး ခေါ်ဆိုမှုတစ်ခုတွင် 512,000 output tokens အထိထုတ်လုပ်နိုင်ပြီး codebase အပြည့်အစုံ သို့မဟုတ် စာရွက်စာတမ်းကြီးတစ်ခုအား တစ်ကြိမ်တည်းထည့်သွင်းရန်လုံလောက်ပါသည်။

စံသတ်မှတ်ချက်များ- ခိုင်မာသောရမှတ်များ၊ ထင်ရှားသောကွာဟချက်တစ်ခု

ခေါင်းစဉ်နံပါတ်များသည် Meta ၏ ကြေငြာချက်တွင် ပြန်လည်ထုတ်ပေးသော နိုဝင်ဘာလ 9 ရက်၊ 2026 ရက်စွဲပါ Artificial Analysis data မှ လာပါသည်။ Artificial Analysis Intelligence Index တွင်၊ Muse Ember သည် လုပ်ငန်းတစ်ခုလျှင် $0.116 ဖြင့် 33.9 ရမှတ်ရရှိပြီး ၎င်း၏အမြင့်ဆုံးသော ကျိုးကြောင်းဆင်ခြင်မှုဆက်တင်များတစ်လျှောက် အလုပ်တစ်ခုလျှင် $0.136 ဖြင့် 35.8 ရခဲ့သည်။ Claude Haiku 5.5 ၏ အကောင်းဆုံးရလဒ်မှာ 36.2 ဖြစ်သော်လည်း အလုပ်တစ်ခုလျှင် $0.411 ကုန်ကျပြီး အကြမ်းအားဖြင့် သုံးဆဖြစ်သည်။ GPT-6 Luna သည် 27.8 ဖြင့် ထိပ်ဆုံးမှ ရပ်တည်ခဲ့သည်။ အများဆုံး ကျိုးကြောင်းဆင်ခြင်နိုင်သော အညွှန်းကိန်းတွင် မူဆယ် Ember နှင့် Haiku 5.5 သည် 36 နှင့် Luna တွင် 28 ဖြင့် ချိတ်ထားသည်။

Task-level ရလဒ်များသည် တူညီသောပုံစံကို ပြသသည်-

  • Agentic terminal coding ကိုတိုင်းတာသည့် Terminal-Bench 4.0 တွင်၊ Muse Ember သည် အမြင့်ဆုံးအကြောင်းပြချက်ဖြင့် 40.9 ရမှတ်ရရှိကာ Claude Haiku 5.5 တွင် 39.2 နှင့် 16.4 တွင် GPT-6 Luna တို့ကို ရှင်းရှင်းလင်းလင်းရရှိခဲ့သည်။
  • AutomationBench-AA တွင် တင်းကျပ်သော pass@1 ဖြင့် ရမှတ်ထားသော အဆုံးမှအဆုံး စီးပွားရေးလုပ်ငန်းအသွားအလာ စံသတ်မှတ်ချက်တွင် Muse Ember သည် GPT-6 Luna အတွက် 37.8 နှင့် 20.2 သို့ရောက်ရှိပြီး Claude Haiku 5.5 အတွက် 13.9 ရရှိခဲ့သည်။
  • Agents' Last Exam၊ Linux subset ရှိ end-to-end အေးဂျင့်လုပ်ငန်းဆောင်တာများ၏ Meta အတွင်းပိုင်းအကဲဖြတ်မှုတွင် Muse Ember က 61.6 ရမှတ်၊ Luna 57.1 နှင့် 57.0 တွင် Haiku 5.5 တို့ကို ကျော်တက်သွားသည်။
  • ကိုယ်ရေးကိုယ်တာနှင့် အသိပညာလုပ်ငန်း၏ အတွင်းပိုင်းပေါင်းစပ်ထားသည့် Meta ၏ ကိုယ်ရေးကိုယ်တာ ထောက်လှမ်းရေးအညွှန်း တွင် Muse Ember သည် Luna အတွက် 46.8 နှင့် 37.0 ရမှတ်နှင့် Haiku 5.5 အတွက် 36.1 ရခဲ့သည်။
  • desktop အက်ပ်လီကေးရှင်းများတစ်လျှောက် ကွန်ပျူတာအသုံးပြုမှုစံနှုန်းဖြစ်သော OSWorld 2.1 တွင် Muse Ember သည် တစ်စိတ်တစ်ပိုင်း-ပွဲစဉ်ရမှတ်တွင် 69.5 ရမှတ်နှင့် binary အမှတ်ပေးမှုတွင် 27.8 ရခဲ့သည်။
  • ကိရိယာများပါရှိသော PerceptionBench တွင် ကောင်းမွန်သောအမြင်အာရုံစမ်းသပ်မှုတစ်ခုတွင် Muse Ember သည် Haiku 5.5 နှင့် Luna အတွက် 62.8 အတွက် 80.6 နှင့် 78.6 ဖြင့် ဦးဆောင်ခဲ့သည်။

အလံတင်ထိုက်တဲ့ ကွာဟချက်တစ်ခုရှိတယ်။ ရလဒ်ကုဒ်ကို ပေါင်းစည်းနိုင်သည်ဆိုသည်ကို စစ်မှန်သော အင်ဂျင်နီယာလုပ်ငန်းတာဝန်များကို စီရင်ပေးသည့် FrontierCode 2.0-AA တွင်၊ Claude Haiku 5.5 သည် 34.9 ဖြင့် ဦးဆောင်ကာ Muse Ember 27.2 နှင့် GPT-6 Luna တွင် 25.2 ဖြင့် ဦးဆောင်ခဲ့သည်။ စံနှုန်းများ ကွဲပြားပြီး အသင်းများသည် ဦးဆောင်သူစာရင်း ဘုတ်တစ်ခုတည်းထက် ၎င်းတို့၏ အမှန်တကယ် အလုပ်တာဝန်များနှင့် စံနမူနာများ ကိုက်ညီသင့်သည်ဟု သတိပေးချက်ဖြစ်သည်။

Efficiency Numbers ဆိုသည်မှာ အဘယ်နည်း

လုပ်ငန်းတစ်ခုလျှင် ကုန်ကျစရိတ်ဘောင်သွင်းခြင်းသည် Meta သည် အပြတ်သားဆုံး ခြားနားမှုကို ဆွဲယူသည့်နေရာဖြစ်သည်။ Haiku 5.5 သည် ၎င်း၏အကောင်းဆုံးရမှတ် 36.2 သို့ရောက်ရှိရန် ၎င်း၏အမြင့်ဆုံးအကြောင်းပြချက်ဖြင့် လုပ်ငန်းတစ်ခုလျှင် $0.411 အထိသုံးစွဲရန် လိုအပ်ပြီး Muse Ember သည် 35.8 ဒေါ်လာဖြင့် 0.136 ဒေါ်လာဖြင့် တင်ထားသည်။ Luna ၏အကောင်းဆုံးရမှတ် 27.8 သည် လုပ်ငန်းတစ်ခုလျှင် $0.152 ဖြင့်ရရှိပြီး၊ မူဆယ် Ember ၏စျေးနှုန်းထက်၊ ၎င်း၏ရမှတ်များအောက်တွင်ရှိသည်။ စက်ရှင်တစ်ခုလျှင် အလုပ်ခွဲရာပေါင်းများစွာကို လုပ်ဆောင်သည့် အေးဂျင့်ကြိုးများအတွက်၊ Meta က သတ်မှတ်ထားသည့် အပိုင်းအတိအကျဖြစ်သည့် အလုပ်တစ်ခုလျှင် ကုန်ကျစရိတ် အမြန်ပေါင်းစပ်မှုများ။

အစောပိုင်း မိတ်ဖက်များ အစီရင်ခံစာကဘာလဲ

Meta ၏ကြေငြာချက်တွင် Box၊ Cline၊ Oracle၊ Cloudflare နှင့် You.com တို့မှ အစောပိုင်းရလဒ်များ ပါဝင်ပါသည်။

Cloudflare CTO Dane Knecht မှ Muse Ember သည် "ကျွန်ုပ်တို့စမ်းသပ်ထားသော နှိုင်းယှဉ်မော်ဒယ်ထက် 30% ပိုမြန်သည်" နှင့် ကျယ်ပြန့်ပြီး multi-repo စုံစမ်းခြင်းလုပ်ငန်းများကို ကောင်းမွန်စွာ ကိုင်တွယ်နိုင်ကာ ၎င်းသည် high-throughput agentic workloads များအတွက် ခိုင်ခံ့သော သင့်လျော်မှုဟု ဆိုပါသည်။

You.com တွင်၊ မူဆယ် Ember သည် ကုမ္ပဏီ၏စမ်းသပ်မှုတွင် မည်သည့်မော်ဒယ်၏ latency အနိမ့်ဆုံးဖြစ်သော p95 ဖြစ်သော 2.2 စက္ကန့်ဖြင့် စမ်းသပ်မှုတိုင်းကို ပြီးစီးခဲ့ကြောင်း You.com တွင် ကောက်ချက်ချသော Chak Pothina အစီရင်ခံတင်ပြခဲ့သည်။ ဆိုလိုသည်မှာ Pothina ၏အဆိုအရ၊ အဖွင့်ဝိတ်မော်ဒယ်များထက် 4x မှ 13x ခန့် ပိုမြန်ပြီး output tokens 36% မှ 48% နည်းပါးသည်။

AI Products ၏ Box VP မှ Yashodha Bhavnani က Box ၏ AI Complex Work Eval တွင်၊ Model သည် ကုမ္ပဏီ၏ညှိနှိုင်းမှုဆိုင်ရာစာအုပ်အပိုဒ်များနှင့် မှန်ကန်သော အလုံးစုံအန္တရာယ်အဆင့်သတ်မှတ်မှုအပေါ် အပိုဒ်အလိုက် စာချုပ်တစ်ခုရနိုင်သည်ဟု ဆိုသည်။ Cline တည်ထောင်သူ Saoud Rizwan က မူဆယ် Ember သည် ကုဒ်ရေးခြင်းနှင့် စာရွက်စာတမ်းခွဲခြမ်းစိတ်ဖြာခြင်းကဲ့သို့သော subagent အလုပ်အတွက် မူဆယ် Ember ဟုခေါ်ပြီး Oracle SVP Konstantinos Papamiltiadis က အင်ဂျင်နီယာအဖွဲ့များအတွက် ခိုင်မာသော အလားအလာကို ကိုးကားဖော်ပြခဲ့သည်။

ရရှိနိုင်မှုနှင့် အလေးချိန်များအကြောင်း ထင်ရှားသောအချက်များ

Muse Ember သည် တနင်္လာနေ့အထိ Meta Model API မှတဆင့် ရရှိနိုင်ပါသည်။ ကြေငြာချက်တွင် အလွတ်အလေးချိန်ရရှိနိုင်မှုအား မဖော်ပြထားသောကြောင့် ၎င်းကို ကိုယ်တိုင်လက်ခံကျင်းပသည့်အသင်းများသည် ယခုလောလောဆယ် API သီးသန့်ထုတ်ဝေမှုအဖြစ် သတ်မှတ်သင့်ပါသည်။ Meta Superintelligence Labs သည် ပါတနာကိုးကားချက်များတွင် အလုပ်ဖြင့် ဂုဏ်ပြုထားသည်။

အေးဂျင့်ကြိုးများကို တပ်ဆင်သည့် developer များအတွက်၊ စျေးပေါပြီး လျင်မြန်သော subagent မော်ဒယ်တစ်ခုရောက်ရှိလာခြင်းသည် Claude Haiku 5.5 နှင့် GPT-6 Luna တို့နှင့်အတူ တတိယမြောက်အဓိကရွေးချယ်မှုတစ်ခုကို ပေါင်းထည့်ထားပြီး နှစ်ခုစလုံးသည် ယခုအခါ Muse Ember ၏ စံညွှန်းများတွင် နှိုင်းယှဉ်ထားသော အရည်အသွေးဖြင့် စျေးနှုန်းကို လျှော့ချထားသည်။ ထိုအားသာချက်သည် သီးခြားစမ်းသပ်မှုအောက်တွင် ရှိနေသလား၊ Artificial Analysis မှ ပြန်လည်ထုတ်ပေးသည့် ပြင်ပဒေတာ Meta သည် စောင့်ကြည့်ရမည့်အရာဖြစ်သည်။

---

Stay Ahead of AI

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

Read more AI news →