فهرست مطالب
متا در ۹ نوامبر ۲۰۲۶ از Muse Ember، مدل سبک خانواده Muse، رونمایی کرد. این مدل برای کارهای پرتکرار عاملهای هوش مصنوعی مانند فراخوانی ابزار، تحلیل سند و بخشهایی از برنامهنویسی طراحی شده و از طریق Meta Model API و Muse Code در دسترس است. قیمت پایه API برای درخواستهایی با حداکثر ۲۰۰ هزار توکن ورودی، به ازای هر یک میلیون توکن ورودی ۰٫۱۰ دلار و خروجی ۰٫۵۰ دلار است؛ درخواستهای بلندتر تعرفه متفاوتی دارند.
Muse Ember برای چه کارهایی ساخته شده است؟
عامل هوش مصنوعی معمولاً برای رسیدن به نتیجه، کار را به چند مرحله تقسیم میکند: خواندن پرونده، استخراج اطلاعات، بررسی داده یا استفاده از ابزار. متا میگوید Ember برای اجرای پرتعداد چنین مراحل ساختاریافتهای طراحی شده است. مثالهای شرکت شامل دستهبندی درخواست، بررسی سند و انجام تغییرهای محدود در کد است.
Ember میتواند متن، تصویر، صدا، ویدیو و PDF را بهعنوان ورودی دریافت کند و خروجی متنی بدهد. به گفته متا، پنجره زمینه آن یک میلیون توکن و سقف خروجی آن تا ۵۱۲ هزار توکن است. ظرفیت بزرگ لزوماً به معنی صحت کامل پاسخ درباره همه بخشهای یک سند طولانی نیست و خروجیهای مهم همچنان نیاز به بازبینی دارند.
برای شناخت محصول گستردهتر این خانواده میتوانید بررسی عامل شخصی Meta Muse را بخوانید. Ember نام یک مدل است؛ Muse و Muse Code محصولاتی هستند که مدلها را در اختیار کاربران و توسعهدهندگان قرار میدهند.
قیمت API و هزینه درخواستهای طولانی
طبق صفحه قیمتگذاری متا، مدل با شناسه muse-ember-1.0 در حالت استاندارد عرضه میشود. برای درخواستهایی که مجموع ورودی آنها حداکثر ۲۰۰ هزار توکن است، قیمت هر یک میلیون توکن ورودی ۰٫۱۰ دلار، خروجی ۰٫۵۰ دلار و ورودی کششده ۰٫۰۰۴ دلار است.
وقتی ورودی یک درخواست از ۲۰۰ هزار توکن عبور کند، تعرفه کل همان درخواست تغییر میکند: هر یک میلیون توکن ورودی ۰٫۳۰ دلار، خروجی ۱٫۵۰ دلار و ورودی کششده ۰٫۰۱۲ دلار. متا میگوید توکنهای کششده و سابقه گفتوگوی ذخیرهشده نیز در تعیین سطح ورودی حساب میشوند. بنابراین هزینه را باید با توجه به اندازه کل درخواست برآورد کرد، نه فقط متن تازهای که کاربر میفرستد.
نتایج آزمونها چه میگویند؟
در جدول منتشرشده همراه معرفی مدل، Ember در تنظیم بیشینه استدلال، در Terminal-Bench 4.0 امتیاز ۴۰٫۹ درصد و Claude Haiku 5.5 امتیاز ۳۹٫۲ درصد گرفتهاند. همان جدول در FrontierCode 2.0-AA نتیجه متفاوتی نشان میدهد: ۲۷٫۲ درصد برای Ember در برابر ۳۴٫۹ درصد برای Haiku. این اعداد به آزمونها و شرایط اجرای مشخص مربوطاند و ثابت نمیکنند یک مدل در همه پروژههای کدنویسی بهتر است.
متا همچنین با اتکا به دادههای Artificial Analysis میگوید Ember در یک مقایسه به سطح هوش Haiku با حدود یکسوم هزینه هر کار رسیده است. این تخمین به قیمت، میزان مصرف توکن و روش آزمون وابسته است. برای انتخاب مدل در پروژه، کیفیت خروجی و هزینه هر کار واقعی را در کنار تأخیر و میزان خطا بسنجید.
دسترسی و محدودیتهای مهم
متا شناسه API مدل را muse-ember-1.0 اعلام کرده و میگوید Ember در Muse Code هم در دسترس است. شرایط حساب، سهمیه و منطقه ارائه سرویس را باید هنگام ثبتنام بررسی کرد. در صفحه قیمتگذاری، Ember در API فقط در حالت استاندارد فهرست شده است؛ این صفحه برای Muse Code تنظیمات و شرایط جداگانهای درباره حالت Contributor توضیح میدهد.
متا میگوید در حالت استاندارد API محتوای ارسالی برای آموزش مدلهای متا استفاده نمیشود. با این حال، پیش از ارسال کد یا اسناد حساس، تنظیمات محصول انتخابی و سیاستهای جاری آن را بررسی کنید. معرفی Ember همچنین بهتنهایی نشانه انتشار وزنهای مدل برای اجرای محلی نیست؛ اطلاعیه بررسیشده دسترسی از طریق API و Muse Code را توضیح میدهد.
جمعبندی
Muse Ember گزینهای تازه برای توسعهدهندگانی است که به اجرای پرتعداد کارهای عاملها نیاز دارند. تعرفه پایه پایین و ورودی چندرسانهای جذاباند، اما افزایش قیمت برای درخواستهای بیش از ۲۰۰ هزار توکن و تفاوت نتایج بنچمارکها را باید هنگام ارزیابی هزینه و کیفیت در نظر گرفت.
منابع



