TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
Muse Ember 發表：代理重複工作的量販價，長請求費率變三倍
Meta 於 2026 年 11 月 9 日發表 Muse Ember，每百萬輸入 token 0.10 美元、輸出 0.50 美元，但單次請求超過 20 萬輸入 token 後，整個請求改用三倍費率的長上下文計價。本文對照官方發布文、API 文件與計費頁，拆解費率門檻的計算方式、評測的贏面與輸面，以及想試行的團隊該先換哪些環節。
用 AI 摘要這篇文章：
Meta 在 2026 年 11 月 9 日發表 Muse Ember，Muse 家族裡最小的模型，專門承接代理每天重複的工作：工具呼叫、程式子任務、請求分類與文件欄位擷取。宣傳句很直白：每百萬輸入 token 0.10 美元、輸出 0.50 美元，Meta 自估相當於每項 Artificial Analysis 任務約 0.14 美元，「低到可以放進每一個產品」。對已經在跑代理工作流的團隊來說，這個數字值得停下來算一遍，因為它只對一半的使用情境成立。
真正的價格表有第二列。依官方計費文件，單次請求超過 20 萬輸入 token 時，整個請求改用長上下文費率，輸入、輸出與快取三種單價同時變三倍，而不是只有超出 20 萬的部分加價。換句話說，把整包對話歷史或整個資料夾塞進單次請求的代理用法，會直接被逐出低價區。費率結構、官方評測的贏面與輸面、規格限制，以下逐項攤開，並給想試行的團隊一個切入順序。牌價以美元公布，台灣團隊的成本試算直接按牌價換算即可。
Muse 家族的分工：規劃留給大模型，量留給 Ember
Meta 給 Muse 家族的分工是三層：Muse Wonder 處理最難的問題，Muse Spark 負責程式與代理工作流，Muse Ember 接下大量、可重複的執行工作。官方文件的建議配置一句話講完：主迴圈跑 Wonder 或 Spark 做規劃，重複子任務交給 Ember。Wonder 之前介紹過，走的是頂規路線，模型標準牌價每百萬輸入 4.00 美元、輸出 20.00 美元。同一個 Muse 品牌下，Meta 也把個人 AI 代理當產品線在美國先行推行，模型與產品是兩件事。Ember 的定位明顯不同，賣的是量。
有個背景細節值得知道：Ember 是首個用 Muse Wonder Full 訓練出來的模型。這句話交代的是能力來源；官方文件也明講最難的單次程式、知識與視覺工作仍該留給 Spark 或 Wonder。把「大模型訓練小模型」讀成「小模型繼承大模型全部能力」，會誤判它的適用範圍。
工程上的切換成本很低。Ember 與 Spark 接受相同的請求內容，多數範例換掉 model ID 就能切換，開發者可以在同一套代理框架裡逐段替換。文件裡的組合方式是把 Wonder 或 Spark 放在主迴圈，每個子請求用 model 欄位指定 Ember，等於在同一個代理框架裡做混合調度。這也呼應官方的設計意圖：分工只須把每一個請求指派給對的模型，不必重新架構。
0.10 美元的但書：20 萬輸入 token 是費率分水嶺
先把兩段費率並排看。單位是每百萬 token 的美元單價，資料取自官方模型頁與計費文件。
| 請求範圍 | 快取輸入 | 輸入 | 輸出 |
|---|---|---|---|
| 不超過 20 萬輸入 token | 0.004 美元 | 0.10 美元 | 0.50 美元 |
| 超過 20 萬輸入 token | 0.012 美元 | 0.30 美元 | 1.50 美元 |
計費文件對門檻的定義比發布文更嚴格，有三個細節直接影響帳單。門檻看的是請求裡的輸入 token 總量，快取命中的 token 也計入；用 previous_response_id 續接先前的對話時，那段對話歷史算進本次輸入；跨過 20 萬之後，20 萬以內的部分同樣照長上下文費率計。帳單與用量面板會把兩段費率分開列，導入後可以逐月對帳。
快取欄位的作用對象也要分清楚。快取輸入 0.004 美元的單價，付給的是跨請求重複出現的前綴，官方在回應裡提供 cached_tokens 欄位，讓開發者核對有多少 token 真的從快取送出。它省的是重複背景的成本，但快取命中的 token 仍然計入 20 萬門檻，快取救不了已經跨過門檻的長請求。
用一組按牌價的試算感受差距。同樣讀入一百萬 token、輸出二十萬 token 的量，拆成多次短請求，每筆都在 20 萬輸入以內，標準費率約 0.20 美元；全部塞進單一次長請求，輸入與輸出都落在三倍區，約 0.60 美元。同樣的量，三倍的價差。這個試算只反映 token 費用，代理的重試、搜尋與外部工具呼叫各自計費，實際帳單會再疊上這些項目。代理工作流最常見的成本陷阱就在這裡：快取與對話續接本來是省錢機制，但累積的歷史一旦把單次請求推過門檻，省下的錢會連本帶利退回去。
還有一項對照讓 Ember 的處境更清楚：整個 Muse 推理模型線上，長上下文加價只有 Ember 有。Wonder 與 Spark 不管上下文視窗裝幾成，單價不變；只有 Ember 對超過 20 萬輸入的請求收三倍。這是 Ember 獨有的計費設計，比較模型成本時不能只看每百萬單價，還要看請求長度落在哪一段。牌價之外還有另一層計費的設計，Grok 4.7 發布時也出現過，讀法相同：先問自己的請求長什麼樣子，再談單價。
訂閱用戶另有一層影響。在 Muse Code 訂閱方案（每月 5、15、50、200 美元四級）之下，超過 20 萬輸入 token 的請求會更快消耗方案額度，同一個門檻在兩種付款方式上都生效。以入門的 Everyday Usage 為例，方案定義是每 5 小時可送 10 到 50 則提示，更高方案按倍數放大用量，最高一級是入門的 80 倍；訂閱額度同樣按請求消耗，長請求會更快吃掉同一桶額度。另外，推理模型的網頁搜尋工具每千次查詢 2.50 美元，這筆費用三款模型一樣，代理若大量呼叫搜尋，成本結構要另外算。
評測戰報分兩套讀：執行贏面大，最難的程式工程仍輸
官方公布的評測表值得整份看完，因為它同時包含贏面與輸面，而兩邊都標了計分來源。
綜合面：Meta 引用 2026 年 11 月 9 日發布的 Artificial Analysis 智能指數，Ember 最高強度拿到 35.8 分、每任務約 0.136 美元，Claude Haiku 5.5 同強度 36.2 分、約 0.411 美元。分數接近，價格差約三倍，這是 Meta「每美元智能更高」宣稱的依據，數字來自 Meta 引用的測試結果，成本按牌價自估。對採購來說，0.4 分的差距可以放掉；重點在相近的綜合表現下，成本區間確實不同。
同一張成本圖還有個細節：Ember 畫出的兩個點分別是約 0.116 美元對 33.9 分、0.136 美元對 35.8 分，對應不同推理強度下的成本階梯；GPT-6 Luna 所有設定最高只到 27.8 分。Meta 據此宣稱 Ember 在任何推理設定下的每美元智能都高於兩個對手，這是原廠按牌價自估的說法，真實帳單仍取決於任務分布。
執行面的贏面很大。AutomationBench-AA（端到端商業工作流，外部機構評測、嚴格 pass@1）Ember 拿 37.8 分，Haiku 13.9 分，GPT-6 Luna 20.2 分。代理任務的 Agents’ Last Exam 是 Meta 內部評測的 Linux 子集，Ember 61.6 分小勝兩個對手。這兩項對應的正是 Ember 的商品定位：重複、有明確完成條件的工作流程。
程式工程則出現明確反例。FrontierCode 2.0-AA（以可合併性判分的真實工程任務）Ember 27.2 分，落後 Haiku 的 34.9 分。Terminal-Bench 4.0 終端程式測試 Ember 40.9 分高於 Haiku 39.2 分，但這項採各模型各自的最佳已發布框架（Ember 用 mini-swe-agent，Haiku 用 Claude Code，Luna 用 Codex），成績反映的是模型加周邊系統的組合，閱讀時要連框架一起看。把這幾項放在一起，結論不是誰全面勝出，而是分工得到驗證：可驗收的執行類任務有贏面，最難的工程題仍是大模型的工作。
多模態兩項的讀法：長文件工作 GDP.pdf-AA 三方分別為 22.8、20.8、22.8 分，Ember 與 Luna 並列最高；細粒度視覺的 PerceptionBench（開工具計分）Ember 80.6 分，高於 Haiku 的 78.6 分。這兩項支持文件與截圖密集的代理工作，但同樣是測試集合的結果，換成自己的文件格式與語言，排序可能不同。
兩個閱讀細節避免誤讀。OSWorld 2.1 電腦操作測試官方同時公布兩種計分，計入部分完成進度的給分制下 Ember 69.5 分，完全成功的二元制下 33.8 分，兩種百分比不能混著比。部分給分制會計入完成一部分的進度，二元制只認整題完成，Ember 在兩種制度間相差約 35.7 個百分點，這個落差本身就是電腦操作任務難度的訊號；Personal Superintelligence Index 的 46.8 分是 Meta 內部複合指標（八項評測組成），與外部機構的 AA 指數是兩套系統，官方表格有標示來源，引用時要照抄標示。
跟自家 Spark 1.3 的對照最能看出量販定位：智能指數 37 對 36，幾乎同分，每任務成本 2.39 美元對 0.14 美元，差一個數量級。Meta 的算盤很清楚：執行量是新的計價單位。
規格與取得：Standard mode only，這次沒有開放權重
規格面：model ID 是 muse-ember-1.0，上下文視窗 1,048,576 tokens，最大輸出 524,288 tokens。三種 API 形式都支援：Responses、Chat Completions 與 Messages。官方快速入門給的範例很能說明定位，請求內容是把一張客服單分類成帳務、錯誤或功能請求並附一句理由，這正是路由分類工作的最小單元；文件也建議把大集合工作平行化，對上千張圖片或紀錄跑相同的標註、擷取與分類，讓多個 Ember 請求並行。輸入支援文字、圖片、音訊、影片與 PDF，輸出只有文字，看懂影片與生成影片是兩件事。推理強度可從 minimal 調到 max，預設 max，做比較時要把設定固定下來，否則速度與品質的數字不可比。
計價模式上有一個採購時容易踩的坑：Ember 只有 Standard mode。Muse 家族另有 Contributor mode，用「同意 Meta 用你送的內容訓練模型」換折扣，Spark 1.3 的 Contributor 輸入每百萬 0.10 美元、輸出 0.20 美元；Ember 沒有這個選項，它的牌價直接照「內容不用於訓練」計。與 Spark 標準模式相比（快取 0.15、輸入 1.25、輸出 4.25 美元），Ember 三項單價都低得多，而且這個價位不需要拿內容交換。採購文件裡別把其他 Muse 產品的模式或優惠當成 Ember 也有的選項。
對照的方式很簡單：如果團隊本來就排斥把提示與程式碼交給模型訓練，Ember 直接跳過了這個抉擇；如果願意用內容換折扣，Spark 的 Contributor 模式仍然存在，兩者可以在同一套框架裡並用。
取得途徑：Meta Model API 按用量付費，或隨 Muse Code 訂閱使用；三款 Muse 推理模型也上了 Google Cloud 與 Oracle Cloud，各平台的推出階段與細節要看該平台自己的文件。這次發布沒有提供可下載的權重，想要自架的團隊，Meta 的開放權重線另有 Muse Spark Open 與 Muse Glimmer，兩者的控制方式與 API 服務不同，不能因為同屬 Muse 就推定拿到一樣的東西。
安全敘述與切入順序：先換可驗收的重複環節
安全面的說法都屬於原廠自述。Meta 表示發布前依 Superintelligence Scaling Framework 評估了化學生物、網路安全與失控風險，各類別低於框架的高風險門檻；代表使用者行動時的行為也評估過，包括是否尊重使用者意圖、敏感資訊的處理、對藏在網頁或文件裡的惡意指示的抵抗力，以及高影響力行動前是否先找人確認。這些敘述停留在訓練與測試層面；代理能動什麼帳號、碰什麼資料，仍然由你的系統設計決定。
早期採用者的用法可以當參考，但要記得這些是廠商引述。Box 描述的場景是讓 Ember 逐條比對合約與公司的談判準則、給出整體風險評等，或按職缺說明篩選候選人並標出勉強過線者；Cline 把它當代理框架裡的子代理，跑程式與文件分析；Cloudflare 與 You.com 引述的重點都在速度。這些用法集中在 Ember 設計時就瞄準的工作類型，沒有人拿它做規劃。
想試行的團隊，切入順序比選模型重要。先挑高重複、結果容易驗收的環節：文件分類、欄位擷取、固定範圍的程式修補，這些工作有明確的對錯標準，換模型後的好壞量得出來。規劃與覆核留在原來的大模型上，對應官方自己的分工建議與 FrontierCode 的反例。導入後盯兩個數字：帳單上兩段費率的佔比變化，以及主代理把工作退回重做的頻率，若退回率上升，省下的單價會被重試吃掉。
截至 2026 年 11 月 10 日，還有幾件事沒有定論：Cloudflare 說 Ember 尾端延遲最多快上 30%，You.com 說 p95 延遲 2.2 秒、比領先的開放權重模型快約 4 到 13 倍，這些是夥伴廠商的早期測試宣稱，沒有獨立驗證；Artificial Analysis 的指數會持續更新；OpenRouter 上架與否、各雲端平台的實際進度，官方文件都還沒給 Ember 專屬的說明。回查時先看三件事：計費文件的門檻與費率有無調整、Artificial Analysis 指數的更新版、雲端平台的實際可用狀態，再決定要不要擴大使用。
