Muse Ember 上架 Meta Model API：價目、上下文與 11 月 9 日評測註腳

Meta 在 2026 年 11 月 9 日把 Muse Ember 放到 Meta Model API。@AIatMeta 的貼文時間是 18:04 UTC，正文用一句話寫下標價：每百萬輸入 token 0.10 美元，每百萬輸出 token 0.50 美元，並連到 https://go.meta.me/muse-ember。研究部落格的日期也是這一天。頁面寫出模型識別碼 muse-ember-1.0，並多印了一張貼文沒有的價目：快取輸入每百萬 token 0.004 美元、上下文 100 萬 token、輸出上限 51.2 萬 token，以及提示詞超過 20 萬 token 之後的較高費率。

代理程式的帳單若提示詞很長，打到的是第二張價目，不是貼文那一行。標題費率適用於 20 萬 token 以內。超過這條線，同一頁寫的是輸入每百萬 0.30 美元、快取輸入每百萬 0.012 美元、輸出每百萬 1.50 美元。把整個程式庫塞進 100 萬 token 視窗，付的不是貼文上的數字，而是長提示詞那一列，輸入與回覆都算。

這篇只使用這兩頁、部落格所連的評測報告，以及那則官方貼文。合作夥伴的引述不當成實驗室分數。頁面沒寫的規格，這裡不補。

頁面說這個模型做什麼

部落格開頭把 Muse Ember 寫成目前 Muse 產品線裡最小、也最省的模型，用來做複雜推理的執行，以及代理每天重複的工作：工具呼叫、程式子任務、路由、抽取、長文件解析。它是託管模型，放在 Muse Code 與 Meta Model API。可用性一節寫它支援 Responses API，並寫 Muse Ember、Muse Spark、Muse Wonder 已可在 Google Cloud 與 Oracle Cloud 使用。

對已經買過 Muse 型號的人，有用的是產品線那句話。Muse Wonder 被寫成處理最難問題的模型。Muse Spark 被寫成程式與代理工作流的模型。Muse Ember 被寫成可大量重複執行的程式與代理任務，大約每個 Artificial Analysis 任務 0.14 美元。同一頁的對照表把 Muse Spark 1.3 的智力指數寫成 37，每個智力指數任務 2.39 美元；Ember 是 36 與 0.14 美元。表上 Spark 1.3 的 token 價格是輸入每百萬 1.25 美元、輸出每百萬 4.25 美元。

本站 9 月那篇記過 Muse Spark 1.3 與 Claude Fable 5.1、Gemini 3.8 Flash 同一週出現：同一週的三家模型。Ember 不取代那篇。它補上一個更便宜的同系列型號，以及公開的 token 價格和長提示詞加價。9 月那篇處理的是訂閱頁上的版本號。這篇處理的是子代理整天跑下來，發票上哪一列會變。

7 月那篇 Muse Image寫的是另一個產品。Ember 的部落格沒有把圖像生成寫成輸出。它寫的是模型能讀文字、圖像、音訊與影片，代理可以處理截圖、圖表、掃描文件、語音備忘、會議錄音與影片，不必另接一個模型。輸入欄位不是繪圖工具。

部落格還寫，Ember 是第一個用 Muse Wonder Full 訓練出來的模型，後面還有更省的模型在訓練。那是路線圖。它不是今天能呼叫的規格。11 月 9 日能呼叫的是 muse-ember-1.0，以及下面兩張價目。

兩張價目，各自乘一次

貼文與部落格在短提示詞上一致：輸入每百萬 0.10 美元，輸出每百萬 0.50 美元。部落格補上快取費率與長提示詞費率。註腳寫明，0.10 / 0.50 這張卡適用於 20 萬 token 以內。更長的提示詞改走 0.30 / 0.012 / 1.50。

這些是頁面上的牌價，不是某一家客戶的實測帳單。還是值得乘一次，因為 100 萬 token 的視窗很容易在沒注意時跨過界線。

短呼叫：5 萬輸入 token、2,000 輸出 token，未過 20 萬，沒有快取。輸入是 0.05 乘 0.10 美元，等於 0.005 美元。輸出是 0.002 乘 0.50 美元，等於 0.001 美元。合計 0.006 美元。若下一輪重複使用同一段 5 萬 token 前綴，快取輸入是 0.05 乘 0.004 美元，等於 0.0002 美元，2,000 輸出 token 仍是 0.001 美元。這一輪合計 0.0012 美元。省下來的前提是前綴會重複。一份新的程式庫不會重複。

長呼叫：25 萬輸入 token、2,000 輸出 token。輸入已過 20 萬，改走長價目。輸入是 0.25 乘 0.30 美元，等於 0.075 美元。輸出是 0.002 乘 1.50 美元，等於 0.003 美元。合計 0.078 美元。輸出長度和短例子一樣。帳單在輸入那一側。每一輪都把 25 萬 token 的目錄原樣重送、又不走快取，就每一輪付這列輸入。長價目的快取是每百萬 0.012 美元，是短價目快取的三倍，仍遠低於未快取的長輸入費率。頁面沒有寫快取如何計次，也沒有寫：一段已快取的前綴加上新的後綴，總長一旦超過 20 萬，整筆請求是否都按長價目計。這個計費細節不在頁上。兩張已公布的價目在。

Spark 對照表裡的 0.14 美元是另一個單位。它是牌價下、每個 Artificial Analysis 智力指數任務的成本，表上做了四捨五入。它不是貼文上的 token 價格。把 token 費率跟任務成本混在同一張發票上，會算出沒有意義的數字。問題是「這一次呼叫多少錢」時，用 0.10 與 0.50，或長價目。問題是「Meta 說 11 月 9 日這組評測大概多少錢」時，用 0.14 美元。

效率那句話，以及它下面的圖

部落格稱，不論哪一檔推理強度，Muse Ember 的單位美元智力都高於 Claude Haiku 5.5 與 GPT-6 Luna。具體比較是：它以大約三分之一的成本對上 Haiku 的最高分，並且勝過 Luna 的每一檔。頁面還寫，在整份 Artificial Analysis 排行榜上，沒有模型能以更低的單任務成本拿到更高分。圖說寫明，Muse Ember 的成本是依擬議價格估算。註腳寫，Artificial Analysis 的結果來自 2026 年 11 月 9 日公布的智力指數 v5，單任務成本使用各模型牌價。

圖上印出來的點，足夠核對「大約三分之一」，不必先接受口號。

Muse Ember 的兩個點是每任務 0.116 美元、分數 33.9，以及 0.136 美元、分數 35.8。Claude Haiku 5.5 是 0.092 美元對 24.6、0.159 美元對 29.6、0.248 美元對 34.3、0.411 美元對 36.2。GPT-6 Luna 是 0.073 美元對 21.4、0.104 美元對 23.3、0.152 美元對 27.8。

Haiku 印出來的最高分是 36.2，成本 0.411 美元。Ember 較高的那個點是 35.8，成本 0.136 美元。0.136 除以 0.411，比值約 0.33。0.411 的三分之一是 0.137 美元，挨著 0.136 這個點。這就是「大約三分之一」的算術。它比較的是這兩個點。它不是說 35.8 等於 36.2，也不是說 Ember 每一檔都勝過 Haiku 每一檔。Haiku 最便宜的點是 24.6 分、0.092 美元，比 Ember 兩個點都便宜，分數也更低。只需要那個較低區間的人，看的不是 Meta 標出來的那句。

圖旁表格裡，Luna 印出來的點最高到 27.8。正文說 Ember 勝過 Luna 的每一檔。正文比圖旁那三列更寬。讀者可以把「每一檔」當成 Meta 對 Artificial Analysis 圖的摘要，把三列印出來的數字當成這篇可以複述、不必猜測第四個點的部分。

圖說裡的「依擬議價格估算」，也限制了 0.116 與 0.136 能走多遠。貼文和部落格都把 0.10 與 0.50 寫成當前牌價。它們沒有附一份修訂記錄，把 token 費率對回圖上的任務成本。若畫圖時用的擬議價格和貼文價格不同，這些點需要重算，頁面沒有提供。合約引用 token 價目。任務成本圖當成 11 月 9 日的快照，並保留 Meta 自己寫的「估算」。

最高檔分數，以及誰在跑測試套件

評測表標的是最高推理檔。註腳寫，表上所有模型都跑在最高推理強度。這一點要先看，因為上面的圖有多個強度，下面的表沒有。打算用較便宜檔位跑 Ember 的團隊，不能把這張表當成預期分數。部落格沒有公布中檔或高檔的分數表。它公布的是上面的圖，以及下面這張最高檔表。

最高檔上，部落格列出 Muse Ember、Claude Haiku 5.5、GPT-6 Luna 的結果如下。

AutomationBench-AA，端到端業務流程：37.8、13.9、20.2。評測報告寫，這是 Artificial Analysis 跑 Zapier 的私有集，657 個業務流程任務，模擬 Gmail、Salesforce、Slack 等 SaaS。代理透過應用程式的 API 完成流程，確定性檢查看系統最終狀態。指標是 pass@1，Artificial Analysis 稱為 Tasks Completed：每個目標都達成，且沒有違反護欄。來源註明是 Artificial Analysis，2026 年 11 月 9 日，嚴格 pass@1。37.8 對 13.9 與 20.2，在私有集上差距很大。私有集無法只靠部落格重跑。數字可以引用。題目本身沒有附上。

Agents’ Last Exam：61.6、57.0、57.1。部落格註腳稱這是 Meta 內部評測的 Linux 子集。報告寫，實驗室用 ALE v1.0 的 Linux 任務切分，105 題裡每種模型都拿掉 5 題，原因是輸入資料超過評測環境的儲存上限，或腳本沒有回傳分數。其餘題目用各自的原生腳本評分，部分分數介於 0 與 1。少數由模型評判的檢查使用 GPT-5.5。每種模型都跑在同一個內部代理迴圈。報告寫，官方排行榜比較的是 Codex、Claude Code 這類代理產品，不是這個共用迴圈。主指標是任務平均分。這不是公開的產品排行榜。61.6 對 57.0 與 57.1，差距比 AutomationBench 小得多。共用內部迴圈裡的小差距，和外部私有集上的大差距，不是同一種結果。

Personal Superintelligence Index：46.8、36.1、37.0。報告寫，PSI 是八項評測的內部綜合：Agents’ Last Exam、AutomationBench、FocusBench、JobBench、OfficeQA Pro、GDP.pdf、GDP.xlsx、VBT。內部綜合對建造它的實驗室有用。它不是第二家實驗室在這頁上重印過的數字。組成項目也不全是外部成績。AutomationBench-AA 與 GDP.pdf 歸給 Artificial Analysis。FocusBench 與 VBT 被寫成內部項目。把它們平均成 46.8，不會讓內部那一部分變成外部成績。

Terminal-Bench 4.0：40.9、39.2、16.4。部落格註腳是排名之前該讀的那一行。Ember 用 mini-swe-agent。Haiku 用 Claude Code。Luna 用 Codex。報告補充，題組有 66 個較難的終端任務，在隔離環境裡用可執行驗證器檢查容器最終狀態。Ember 的數字是 Artificial Analysis 在 mini-swe-agent 裡的跑分。Haiku 的數字是 Anthropic 在 Claude Haiku 5.5 系統卡裡自行申報的 Claude Code 結果。Luna 的數字是 Terminal-Bench 排行榜上的 Codex 結果。40.9 與 39.2 相差 1.7 分，來自三套不同的測試套件，其中一個分數是被比較廠商自己申報的。這不是乾淨的模型排名。它是一份「已公布測試套件」的快照。差距小於方法差異。Luna 的 16.4 低很多，那也是另一套套件。報告沒有說這三個數字來自同一個代理迴圈。

Coding Agent Index-AA：46、37、31。報告寫，Artificial Analysis Coding Agent Index v2.0 合併 Terminal-Bench 4.0、SWE-Atlas-QnA 與 FrontierCode v1.1，各自跑在程式代理裡：Ember 用 Muse Code，Haiku 用 Claude Code，Luna 用 Codex。來源是 Artificial Analysis。模式與 Terminal-Bench 相同。代理產品是分數的一部分。要比的是權重而不是「模型加廠商代理」的人，不能把 46 對 37 當成純權重結果。

FrontierCode 2.0-AA：27.2、34.9、25.2，Haiku 被標成最佳。報告寫，FrontierCode 2.0 來自 Cognition，評的是維護者會不會合併這次改動，Artificial Analysis 跑的是私有的 132 題。指標是準確率。這一列讓這次發布不能被說成橫掃。在 Meta 選擇印出來的可合併性題組上，Haiku 領先 7.7 分。Ember 仍領先 Luna，27.2 對 25.2。若因為智力指數打平，就把每份難補丁都送給 Ember，等於沒看這一列外部程式題：較便宜的模型在這裡落後，落差大於 Terminal-Bench 的差距。

GDP.pdf-AA：Ember 22.8，Luna 22.8，Haiku 20.8，Ember 與 Luna 並列印出來的最佳。報告寫，GDP.pdf 來自 Surge，評的是依給定 PDF 做專業工作。Artificial Analysis 跑自己的版本：模型收到抽出的文字加上頁面圖像，答題時不使用工具，評判者逐條檢查量規。指標是 all-pass，也就是每一條都通過的答案占比。絕對分數偏低。22.8 的平手是難文件題組上的平手，不是任一模型已經做完這份工作的證據。Haiku 的 20.8 很近。2 分的差距不足以單獨決定一套文件流程。

OSWorld 2.1：Ember 部分分 69.5、二分 33.8；Haiku 部分分 68.9、二分 27.8；Luna 部分分 50.5、二分 17.0。部落格正文的圖畫的是部分分。表上兩種都印了。註腳寫，OSWorld 2.1 使用部分分獎勵，這次是 Meta 內部評測。報告寫，題組是 108 個長程電腦操作流程，在即時的 Ubuntu 桌面上，透過截圖與滑鼠鍵盤操作。每題的評分器依機器最終狀態給部分分。由模型判斷的檢查，評判者是 Claude Sonnet 4.6。每種模型都跑在共用的內部框架，而不是各家自己的電腦操作產品。二分，也就是拿到滿分的題目占比，三種模型都遠低於部分分。只引 69.5、不引 33.8，引的是較寬的那一種指標。Ember 與 Haiku 的部分分差距是 0.6。二分差距是 6.0，33.8 對 27.8。引哪一個差距，故事就不一樣。頁面兩個都印了。公平的摘要也該兩個都寫。

PerceptionBench，使用工具：80.6、78.6、62.8。報告把這項基準歸給 Moonshot AI：3,000 道已核對的題，答案短且唯一，涵蓋計數、定位、深度、OCR，以及與感知有關的幻覺。Meta 在共用內部框架裡跑完全部 3,000 題，模型可以在沙盒裡用檔案檢視器看圖。報告點名的官方評判者是 gpt-oss-120b。指標是 pass@1。部落格把這一列標成「使用工具」。這頁沒有 Ember 的無工具分數。Luna 的 62.8 是這一列的大差距。Ember 與 Haiku 差 2 分，80.6 對 78.6，而且是在 Meta 配置的、可用工具的沙盒裡。

Artificial Analysis 指數：36、36、28。Ember 與 Haiku 打平。Luna 在這一列低 8 分。報告寫，智力指數 v5.0 合併 AA-Briefcase、AutomationBench、GDP.pdf、FrontierCode 2.0、Terminal-Bench 4.0、Terminal-Bench-Science、CritPt、AA-Omniscience 與 HLE-Diamond。來源是 Artificial Analysis。指數打平，配上圖上的價格而不是貼文的 token 費率，才對得上「大約三分之一成本」那個故事。36 分的平手一碰到 FrontierCode 2.0 就不成立，那一列 Haiku 領先。指數是平均。落後的那一列仍然是一列。

方法註腳會限制分數能走多遠

報告的一般規則該跟表放在一起。代理任務的分數，即使標題看起來乾淨，也會被這些規則推動。

截斷的回應照現況評分。拒絕回答得 0 分，並留在分母裡，不剔除。因基礎設施或評分錯誤遺失的樣本不計分。長代理任務裡，截斷和拒絕很常見，這些規則會搬動平均分。頁面沒有公布 Ember 在各題組上截斷或拒絕的次數。缺的是表能走多遠的限度。缺數字本身不是一項被藏起來的失敗。被藏起來的失敗，會是頁面編出來的數字。這裡是頁面沒印的數字。

報告把內部生成的競爭對手跑分寫成盡力而為。提示詞、工具與執行環境未必針對專有模型調到最好。這句話蓋住內部列：Agents’ Last Exam、內部跑的 PSI 組成、OSWorld、PerceptionBench。它不抹掉歸給 Artificial Analysis 的列。它的意思是，內部列上 4 分的差距是重測的理由，不是發布當天下午就把另一家從候選名單刪掉的理由。

PSI 裡有幾項組成，方法寫在報告裡，部落格只印綜合分，容易漏。

報告裡的 JobBench 有 65 個專業任務、35 種白領職業。每題要求交出可用的工作產出，由 Grok 4.3 依題目量規評分，套件是官方排行榜使用的 OpenCode。指標是平均獎勵。評判者是分數的一部分。換一個評判者，即使代理輸出相同，獎勵也不會原樣重現。

OfficeQA Pro V2 來自 Databricks。報告寫成 90 題，語料是美國聯邦收支帳，1,435 份文件，時間從 1793 年到 2024 年，用官方評分器、容許誤差 0%。代理在 bash 沙盒裡工作，引用的文件以解析後的文字放好，另有瀏覽器工具，基準網站被擋住。指標是 pass@1。零容許誤差的評分器很嚴。接近正確仍是錯誤。

GDP.xlsx 來自 Surge。報告寫成 13 個領域、70 題，依專家量規評分。Gemini 3.8 Flash 對最終回應的每條量規打分，這與官方套件相同；Meta 的代理迴圈則取代了官方的 OpenHands 迴圈。評判模型與代理迴圈都是數字的一部分。兩者都不是 Ember 本身。

Verifiable Browsing Task 被寫成內部的網頁瀏覽評測：清單式問題，寫成真實請求，用瀏覽器的搜尋、打開與查找工具作答。FocusBench 被寫成內部的個人代理評測，範圍包括住房、旅行、資訊與財務，並包含多輪之間跨越阻礙。這兩項在這頁上都沒有外部排行榜連結。

這些組成細節不取代已公布的 PSI 分數 46.8、36.1、37.0。它們說明，第二個團隊不該指望呼叫一次 muse-ember-1.0、再憑眼看，就得到 46.8。

不該摺在一起的三件事

這次發布裡，有三個區分在起作用。摺掉任何一個，採購判斷就會變。

第一，外部列與內部列不是同一種證據。AutomationBench-AA、Artificial Analysis 指數、Coding Agent Index-AA、FrontierCode 2.0-AA、GDP.pdf-AA，以及 Ember 的 Terminal-Bench 跑分，歸給 Artificial Analysis；Haiku 與 Luna 的 Terminal-Bench 數字來自其他已公布的套件。Agents’ Last Exam、Personal Superintelligence Index、OSWorld 2.1、使用工具的 PerceptionBench，是 Meta 自己的跑分，即使底層基準有外部作者。報告把這點寫明白了。內部列上的差距，是 Meta 套件裡的差距。在外部實驗室重印這些內部數字之前，Artificial Analysis 的列權重應該更高。不要把兩欄平均成一個勝率。FrontierCode 的落後和 AutomationBench 的領先，在粗平均裡會互相抵消，兩件事實都會被蓋住。

第二，token 價格與任務價格回答的是不同的問題。0.10 與 0.50 是短提示詞的錶。0.30 與 1.50 是提示詞超過 20 萬 token 之後的錶。0.14 是 Meta 所說、牌價下 Artificial Analysis 任務組合的成本，圖說又寫 Ember 的圖上成本是擬議價格的估算。貼文和部落格在 0.10 與 0.50 上一致。它們沒有為圖上的估算附修訂記錄。合約該引 token 價目。評測備忘該引圖，並寫上日期。

第三，長提示詞加價不是一個配 100 萬 token 視窗、51.2 萬輸出上限的模型旁邊的邊註。部落格自己的說法是，Ember 可以在一次呼叫裡吃下整個程式庫或整組文件。這個說法指向的是超過 20 萬 token 的那張卡。0.004 美元的快取，或長價目上 0.012 美元的快取，只有前綴重複時才有用。一次性倒入新程式庫，不會重複。子代理每一輪都重送同一段系統提示與同一棵檔案樹，才會重複。發票取決於你實際跑的是哪一種迴圈。51.2 萬 token 的輸出上限是限度，不是目標。若一次補完打滿這個上限，長輸出費率下是 0.512 乘 1.50 美元，等於 0.768 美元，還沒算輸入。頁面沒有說這個長度是常態。它說上限存在。把每一次呼叫都當成會打滿上限，等於編造一張頁面沒有聲稱的帳單。

合作夥伴的句子，留在合作夥伴欄

部落格引了五家公司。沒有一句是 Artificial Analysis 的列。

Box 由 AI 產品副總裁 Yashodha Bhavnani 出面。引述說，在 Box AI Complex Work Eval 上，Muse Ember 可以依公司的談判手冊逐條給合約打分，並落到整體風險評級，或依詳細簡報篩選候選人、標出仍可作為備選的邊界個案。引述稱它是在企業內容上做實務的代理的快速、省成本基礎。引述裡沒有通過率。評測名稱是 Box 的，不是 Artificial Analysis 的。

Cline 由創辦人 Saoud Rizwan 出面。引述把 Ember 說成給想要快速、低成本模型的開發者，以及想把小模型放進套件裡當子代理來省成本的團隊。引述說它適合子代理工作，例如寫程式與文件分析。沒有附分數。

Oracle 由全球合作夥伴資深副總裁 Konstantinos Papamiltiadis 出面。引述說，早期測試顯示它處理複雜工程任務的能力值得注意，Oracle 認為它有機會成為工程團隊的工具。這句沒有點名基準、套件，也沒有給出發布貼文以外的日期範圍。

Cloudflare 由技術長 Dane Knecht 出面。引述說，Ember 在尾端延遲上比 Cloudflare 所測的對照模型快最多 30%，並能處理跨多個程式庫的廣泛調查。引述沒有寫出對照模型的名字。「最多 30%」是 Cloudflare 的比較，不是評測報告裡的數字。沒有點名基線、也沒有百分位的尾端延遲，是方向，不是規格。

You.com 由推論負責人 Chak Pothina 出面。引述說，Ember 在他們的測試裡完成了每一道程式題，延遲是所測模型中最低的：p95 為 2.2 秒，大約比領先的開放權重模型快 4 到 13 倍，輸出 token 少 36% 到 48%。這是頁上數字最多的一句合作夥伴引述。它仍然是合作夥伴的句子。開放權重模型沒有點名。題組沒有連結。採購筆記可以把它記成 You.com 的說法，日期跟著 11 月 9 日的貼文，然後追問 4 倍那一端和 13 倍那一端各是哪些模型。名字公開之前，這個區間無法從這頁核對。

這些引述都沒有說外部新聞編輯室跑過這個產品。這篇也不加上那種說法。合作夥伴的引述是發布頁上具名公司的部署訊號。它們放在表旁邊。它們不取代表。

安全段落寫了什麼、沒寫什麼

安全一節寫，發布前 Muse Ember 依 Meta Superintelligence Scaling Framework 接受評估，範圍包括化學與生物風險、網路安全風險，以及失控風險。在所評估的類別裡，結果低於該框架的高風險門檻。頁面寫，小模型接受了與所屬產品線相同的核心安全訓練與測試。實驗室也評估了模型代使用者行動時的行為：是否尊重使用者意圖、是否妥當處理敏感資訊、是否抵抗網頁、文件或工具輸出裡試圖改道的隱藏指令，以及在高影響行動之前是否尋求人的確認。

這一段點了類別。它沒有公布門檻數值、拒絕率或攻擊成功率。需要這些比率的安全審查，在這頁上找不到。有用的事實是範圍：實驗室說小模型走了同一套框架類別，包括抵抗工具輸出裡的隱藏指令，並說結果低於它的高風險線。缺的是測量。防禦規劃仍從採購方自己的軌跡、自己的工具開始，而不是從一個沒有印出來的門檻開始。

擴展框架裡的網路安全類別不是操作手冊。頁面沒有公布攻擊步驟，這篇也不補。對要把 Ember 接到瀏覽器或文件工具的團隊，可操作的是 Meta 印出來的那句：網頁、文件與工具輸出裡的隱藏指令在評估範圍內，高影響行動前的人為確認也在評估範圍內。這個行為在某一個連接器上是否成立，仍是採購方要跑的測試。發布頁不能代替那個測試。

同一天下午，另一家實驗室，一則較短的貼文

Meta 的價格貼文時間是 11 月 9 日 18:04:17 UTC。53 分 43 秒後，@claudeai在 18:58:00 UTC 發文，回覆自己較早的一則狀態。正文說，Fable 5.2 與 Mythos 5.2 在 Anthropic 所評估的幾乎所有能力上，都比 Opus 5.5 高一階；測試者發現它們比過去的 Fable 與 Mythos 模型表達更清楚；輸出比 Fable 5.1 與 Mythos 5.1 快最多 30%。

那則狀態沒有價格、沒有模型識別碼、沒有上下文長度、沒有快取費率，也沒有規格頁連結。這篇不從同一週其他帳號引進 Fable 5.2 的價格。這裡用到的 Fable 5.2 句子，只有那則官方貼文裡的句子。相對 5.1 的速度不是 token 費率。「在我們評估的幾乎所有能力上高於 Opus 5.5」不是一張表。能力項目沒有列在那則狀態裡。

和 Ember 的對照是操作上的。Meta 被引用的貼文和部落格，給採購方一隻錶、一張長提示詞加價、一個模型識別碼、一個上下文視窗、一個輸出上限，以及誰跑了哪一套測試的註腳。Anthropic 被引用的貼文，給的是相對 Opus 5.5 的說法，以及相對 5.1 的速度說法。這是兩種證據。同一週要更新兩家供應商的團隊，不該把它們放進試算表的同一欄。一欄可以放價格。另一欄，就這裡引用的證據而言，放不進價格。

這一週評測表上該寫什麼

11 月 9 日這幾頁，讀出來像一張表，不是一段勝者宣言。

記下 API 識別碼 muse-ember-1.0，不要只寫「Muse Ember」這個以後可能指向另一個檢查點的暱稱。記下兩張價目，不是一張：20 萬 token 以內，輸入 0.10 美元、快取輸入 0.004 美元、輸出 0.50 美元；超過這條線，輸入 0.30 美元、快取輸入 0.012 美元、輸出 1.50 美元。把 100 萬 token 輸入視窗和 51.2 萬 token 輸出上限記成限度，不是記成該把它們填滿的建議。限度不是預設。頁面點名的 API 介面是 Responses API，位置在 Muse Code 與 Meta Model API，並寫明 Google Cloud 與 Oracle Cloud 也可使用。

分數表拆成 Artificial Analysis 列與 Meta 內部列。外部側記下：與 Haiku 的指數平手 36；FrontierCode 27.2，對 Haiku 34.9、Luna 25.2；AutomationBench 的 pass@1 為 37.8，對 13.9 與 20.2；GDP.pdf 與 Luna 同為 22.8；Coding Agent Index 46，對 37 與 31，並附上套件名稱。內部側記下：Agents’ Last Exam 61.6，PSI 46.8，OSWorld 部分分 69.5 與二分 33.8，使用工具的 PerceptionBench 80.6。把 40.9 抄進簡報之前，先標上 Terminal-Bench 的套件註腳。不要把這些欄平均。

若工作負載是在穩定前綴上重複工具呼叫的子代理，相關的 Meta 說法是快取費率，以及 0.14 美元的任務成本快照。它們該用你自己一週的軌跡來核對，而且是你實際會付費的那個推理檔。除非你選了最高檔，否則最高檔的表不是那個檔位。若工作負載是一次倒入超過 20 萬 token 的大型程式庫，從長價目開始，也從 FrontierCode 那一列開始，較便宜的模型在那一列沒有領先。若工作負載是電腦操作，OSWorld 的 69.5 和 33.8 要一起引，否則都不要引。若工作負載是逐條文件審查，Box 的引述點出了任務形狀，沒有點出通過率。把它留在合作夥伴欄。

部落格結尾希望的是，個人超級智能以一種可以擴展的價格到來。那是目標句。能核對的物件更小，也更有用：一個識別碼、兩張價目、一個日期、一行寫著「估算」的圖說，以及一條點名測試套件的註腳。這就是 11 月 9 日實際放上頁面的東西。