متا از Muse Ember رونمایی کرد؛ کوچک‌ترین و بهینه‌ترین مدل برای اجرای ایجنت‌ها

آزمایشگاه هوش مصنوعی متا از جدیدترین مدل هوش مصنوعی خود با نام Muse Ember پرده برداشت؛ مدلی که به عنوان سبک‌ترین، بهینه‌ترین و مقرون‌به‌صرفه‌ترین مدل این شرکت تا به امروز شناخته می‌شود. طبق اعلام رسمی متا، مدل Muse Ember اختصاصاً برای اجرای استدلال‌های پیچیده و کارهای پرتکراری طراحی شده که ایجنت‌ها در طول روز بارها با آنها سروکار دارند. وظایفی مانند فراخوانی ابزارها (Tool calls)، انجام وظایف کدنویسی، مسیریابی و ارجاع درخواست‌ها، استخراج داده و پردازش متون و اسناد طولانی از جمله کاربردهای این مدل محسوب می‌شوند.

متا در بیانیه مربوط به معرفی این مدل، بر شاخص «هزینه به‌ازای هر تسک» تأکید ویژه‌ای داشته و با اتکا به بنچمارک‌های ترکیبی Artificial Analysis نشان داده که این مدل با هزینه‌ای به‌مراتب کمتر نسبت به رقبایی همچون Claude Haiku از آنتروپیک و Luna از OpenAI، عملکردی هوشمندانه‌تر و بهینه‌تر به نمایش می‌گذارد.

قیمت ورودی این مدل تنها ۱۰ سنت به‌ازای هر یک میلیون توکن است که باعث شده نه‌تنها از رقبای پیشتاز بازار به‌طور محسوسی ارزان‌تر باشد، بلکه در برابر مدل‌های متن‌باز محبوبی مانند DeepSeek V4.1 Flash و GLM 5.3 Flash نیز توان رقابتی بسیار بالایی پیدا کند.

Muse Ember؛ بازوی اجرایی ارزان‌قیمت برای ایجنت‌های هوشمند

باتوجه‌به تأکید فراوان بر پایین نگه‌داشتن هزینه‌ها و دقت بالا در مقیاس‌های کلان، Muse Ember به‌گونه‌ای مهندسی شده که در قالب یک زنجیره عملیاتی در کنار مدل‌های بزرگ‌تر و سنگین‌تری مانند Muse Wonder به کار گرفته شود. به‌عنوان‌مثال، در یک ایجنت پشتیبانی مشتریان، مدل سنگین‌تر می‌تواند قوانین، چارچوب‌ها و خط‌مشی‌های کلی حل یک مسئله را تعیین کند و سپس وظیفه پیاده‌سازی و اعمال این دستورالعمل‌ها روی ده‌ها هزار پرونده و پیام به مدل سبک‌تر سپرده شود.

متا نیز در بیانیه رسمی خود بر این استراتژی مهر تأیید زده و می‌گوید:

«Muse Wonder برنامه‌ریزی می‌کند، Muse Ember حجم بالای کارها را پیش می‌برد.»

متا برای پاسخگویی به این دست کاربردهای پرترافیک، این مدل را به‌صورت چندوجهی توسعه داده است تا با انواع محتوا شامل متن، تصویر، صدا، ویدیو و فایل‌های PDF سازگاری کامل داشته باشد. این رویکرد، انعطاف‌پذیری فوق‌العاده‌ای به مدل بخشیده؛ به‌طوری‌که ایجنت‌ها می‌توانند اسکرین‌شات‌ها، نمودارها و اسناد اسکن‌شده را مستقیماً تحلیل کنند یا بدون نیاز به ابزارها و مدل‌های واسط، ورودی‌های خود را از یادداشت‌های صوتی، مکالمات ضبط‌شده جلسات و ویدیوها استخراج نمایند.

در ارزیابی‌های مستقل انجام‌شده توسط مؤسسه Artificial Analysis، مدل Muse Ember در شاخص سنجش هوش با حداکثر تلاش استدلالی توانسته امتیاز ۳۶ را به دست آورد که تقریباً هم‌تراز با امتیاز مدل Claude Haiku 5.5 شرکت آنتروپیک است؛ با این تفاوت کلیدی که هزینه انجام هر وظیفه بنچمارک با Ember حدود ۱۴ سنت برآورد شده، درحالی‌که این رقم برای Haiku به ۴۱ سنت می‌رسد. داده‌های تکمیلی نیز نشان می‌دهند که امتیاز دقیق این دو مدل به ترتیب ۳۵.۸ و ۳۶.۲ بوده است.

در سوی دیگر، مدل GPT-6 Luna شرکت OpenAI در بالاترین سطح خود امتیاز ۲۷.۸ را با هزینه تقریبی ۱۵ سنت برای هر تسک به ثبت رسانده است. «مارک زاکربرگ»، مدیرعامل متا، در پستی در شبکه اجتماعی ایکس این مدل را «کوچک‌ترین مدل ما که هوش بیشتری به‌ازای هر دلار نسبت به سایر مدل‌های کلاس خود ارائه می‌دهد» توصیف کرد. «الکساندر ونگ»، مدیر ارشد هوش مصنوعی متا، نیز تأکید کرده که این مدل برای مدیریت حجم سنگین کارها ساخته شده است.

از نظر ساختار فنی، این مدل از پنجره متنی عظیمی معادل ۱٬۰۴۸٬۵۷۶ توکن (یک میلیون توکن) پشتیبانی می‌کند و حداکثر خروجی آن به ۵۲۴٬۲۸۸ توکن می‌رسد. در بخش قیمت‌گذاری API، متا برای درخواست‌های تا سقف ۲۰۰٬۰۰۰ توکن ورودی، هزینه ۰.۱۰ دلار به ازای هر یک میلیون توکن ورودی کش‌نشده، ۰.۰۰۴ دلار برای توکن‌های کش‌شده و ۰.۵۰ دلار به ازای هر یک میلیون توکن خروجی دریافت می‌کند. در صورت فراتر رفتن ورودی از مرز ۲۰۰٬۰۰۰ توکن، این نرخ‌ها به ترتیب به ۰.۳۰، ۰.۰۱۲ و ۱.۵۰ دلار افزایش می‌یابد.

مدل Muse Ember چهارمین عضو از خانواده مدل‌های هوش مصنوعی سری Muse محسوب می‌شود؛ پیش از این، مدل میان‌رده Spark در فروردین‌ماه، نسخه متن‌باز آن با نام Glimmer در مردادماه و مدل پرچمدار Wonder در مهرماه معرفی شده بودند.