如果你想给重复调用的智能体子任务换个便宜模型,Muse Ember 可以进入试跑名单。“大模型测评记录”十一月逻辑榜的公开数据中,它比 Qwen3.8-Max 和 Step 5 Preview 的中位分数略高,测试成本与平均耗时也更低。但榜单里的测试成本,不是你接入后每次请求的报价。
已经能调用,支持 Responses API
Meta 在十一月九日的发布博客写明,Muse Ember 已在 Muse Code 和 Meta Model API 提供,模型标识为 muse-ember-1.0,支持 Responses API。提示词不超过 200K tokens 时,每百万输入 tokens 为 0.10 美元,输出为 0.50 美元,缓存输入为 0.004 美元。
超过这一提示词长度,输入、输出、缓存输入价格分别变成 0.30、1.50、0.012 美元。输入与输出不能合并成一个单价,榜单中的人民币测试费用也不能直接套到自己的业务量上。先确认请求长度,再看实际用量账单。
先看三款对照,再决定测什么
项目公开数据文件列出,Muse Ember(xhigh)的中位分数为 42.99,测试成本为 6.76 元,平均耗时为 131 秒。Qwen3.8-Max(xhigh)对应为 41.71、72.87 元、1655 秒;Step 5 Preview 则为 41.30、30.02 元、1307 秒。这里引用的是当前数据快照,不是十一月九日发布当天的榜单存档。
我们的建议是,把它放进已有任务的候选池,而不是立即替换主模型。优先挑输出容易验收的抽取、路由或局部代码修改,保留原模型作为对照。逻辑测试中的分数相近,并不意味着你的任务成功率相同。
评测仓库说明,题库是滚动更新的私有集合,规模维持在 28 题、270 个用例以内;测试优先通过中转服务指定官方供应商。试跑时应记录自己所用接口的延迟,并核对可用的推理参数,不要直接照搬榜单的 xhigh 标签。
比较时固定任务、验收条件与工具权限,同时记录完成质量、等待时间、总费用和重试次数。便宜但需要反复返工,未必省钱。若复杂规划仍依赖原来的模型,可以先只替换执行子任务;这比照着单张排名表整体迁移更容易验证收益。