Meta 推出 Muse Ember：最輕量、每百萬 token 僅 10 美分的「代理執行」模型——專門扛下繁重的工具呼叫與大量任務

11 月 9 日，Meta Superintelligence Lab 發布其迄今最輕量、最具成本效益的 AI 模型 Muse Ember。Meta 在公告中指出，Ember「為複雜推理執行、以及代理每天重複做的工作而設計」——包括工具呼叫（tool calls）、程式碼子任務、路由、資訊擷取與長文件解析。更重要的是它的價格：輸入每百萬 token 僅約 0.10 美元，明顯比 Anthropic Haiku、OpenAI Luna 等前沿小模型便宜，也與 DeepSeek V4.1 Flash、GLM 5.3 Flash 等開源競品不相上下。對香港正在放大 AI 代理規模、同時把成本放在案頭的企業與開發者，這是「AI 放量終於降到可負擔」的實質訊號。

Ember 做什麼：把「代理重複做的工作」做得又便宜又好

Ember 的定位不是「更聰明」，而是「更划算地扛下大量例行執行」。Meta 以一句話點明其角色：「Muse Wonder plans, Muse Ember handles the volume」——Wonder 負責規劃與推理，Ember 負責把高重複、高流量的執行扛下來。具體而言：

• 為代理執行而生：工具呼叫、程式碼子任務、路由、資料擷取、長文件解析——這些正是企業導入 AI 代理後每天重複成千上萬次的底層操作；Ember 針對這類工作負載優化，讓代理在每個任務上的單位成本大幅下降；
• 真正的多模態：Ember 同時支援文字、圖片與音訊，因此代理可讀螢幕截圖、圖表、掃描文件，也能直接從語音備忘錄、會議錄音與影片工作，毋須為不同輸入種類另掛獨立模型；
• 成本殺手優勢：以「每任務成本」計算，Ember 在 Artificial Analysis 的綜合基準上比 Haiku、Luna 便宜且表現更好，並與開源小模型的價格戰持平——對按量計價、需要大規模並行代理的場景尤其划算。

趨勢：模型分工走向「前沿規劃＋便宜放量」的分層架構

Ember 的發布是**「模型分工（model specialization）」趨勢的最新一步。過去企業往往用同一個前沿模型處理所有工作——既用來做複雜推理，也拿來跑幾百萬次的例行工具呼叫，成本居高不下。如今主流做法變成分工**：

• 規劃層用強模型：需要推理、判斷與決策的環節，交給 Wonder、GPT、Claude 這類前沿模型，重質不重量；
• 執行層用便宜模型：大量、重複、可預期的執行工作，交給 Ember 這類**「放量」模型**，重量不重質，單位成本壓到最低；
• 代理經濟學成為主戰場：當「每任務成本」取代「每 token 成本」成為新指標，能不能用數十倍價差承接大量執行，將直接決定企業 AI 代理能否從 Demo 走向可規模化營運。

對香港企業與在職人士的啟示

• 重新評估「代理放量」的成本結構：如果你的團隊在做資料擷取、長文件解析、表單填寫、重複的程式碼修改等高重複工作，正是適合導入 Ember 這類低成本執行模型的場景；把「規劃」留給強模型，把「放量」交給便宜模型，是控制 AI 支出的實務捷徑；
• 用「每任務成本」而非「每 token 成本」做決策：代理架構下的真正成本在於每完成一個任務要花多少。比較模型時，應先跑自己的真實工作負載、量出每任務成本與成功率，再看單價——便宜但成功率低，往往是隱性虧損；
• 多模態執行是省工利器：Ember 能直接讀截圖、圖表、掃描文件與會議錄音，意味著把文件、錄音當輸入的流程可以整段交給代理，而不必先做 OCR 或轉寫——這對香港大量依賴中英文文件與會議錄音的工作環境特別實用；
• 先小規模跑通，再放量：低成本模型最適合先驗證自動化流程的可靠性。建議先在單一高重複流程上試行、量出省下的人工時數與錯誤率，確認「以量換價」真的成立後，再擴到更多代理——把它當成可測量的自動化投資，而非追新功能。

Meta Muse Ember 再次印證：生成式 AI 的成本曲線正快速下行，而「用對模型做對的事」——規劃與放量分層、單位任務成本導向——將成為企業規模化採用 AI 代理的核心能力。對香港講求效率與成本管控的團隊，現在正是檢視自身工作負載、把高重複執行切給便宜模型的好時機：省下來的每一分錢，都是 AI 放量的空間。