大模型的价格战正在往一个反直觉的方向走：不是把旗舰做便宜，而是把「够用的模型」做得极便宜。Meta Superintelligence Labs 11 月 9 日发布的 Muse Ember 就是这个思路的产物——该实验室最轻、成本最低的一款模型，定价每百万输入 token 10 美分。
Muse 是 Meta 的模型品牌，产品线已经铺得比较完整：4 月的中量级 Spark，8 月 Spark 的开源孪生版 Glimmer，10 月的前沿模型 Wonder，以及 9 月面向消费者的 Muse Agent（上线两周就成了美国 App Store 第二名）。Ember 是第四款，填的是最底下那一格。
官方对它的定位写得很具体：为「Agent 全天重复的工作」设计——工具调用、编码子任务、路由分发、信息抽取、长文档解析，以及复杂推理的执行环节。注意这里的措辞不是「复杂推理」，而是「复杂推理的执行」：思考交给大模型，执行交给它。
定价是这次的核心卖点。10 美分/百万输入 token 的水平，Meta 说比 Anthropic 的 Haiku 和 OpenAI 的 Luna 更便宜也更聪明，同时与 DeepSeek V4.1 Flash、GLM 5.3 Flash 这些开源竞品在成本上正面可比。它用来论证的指标不是单点跑分，而是 Artificial Analysis 综合基准下的「每任务成本」——这个选择本身说明竞争口径变了：不再是每百万 token 多少钱，而是一件活干完要花多少钱。
使用范式是搭配而非替代。「Muse Wonder 负责规划，Muse Ember 负责吞吐」是官方原话。举个具体例子：客服 agent 里，重模型先把某类问题的处理规则定下来，轻模型再把规则套用到几万个案例上。这种分工在工程上很自然——长尾判断需要强推理，海量执行需要低单价，两者用同一个模型做必然有一头浪费。
多模态输入是另一个容易被低估的设计。Ember 在训练时覆盖了文本、图像与音频，官方说法是 agent 可以直接读截图、图表、扫描件，或从语音备忘、会议录音、视频中作业，不需要另外挂一个模型。对做文档处理、票据识别、会议纪要类产品的团队，这意味着流水线里少一个环节、少一次格式转换、少一份延迟。
从产品策略看，Meta 走的是「全栈铺价格带」：前沿模型 Wonder 打能力天花板，Spark 打中端，Ember 打海量执行，开源版 Glimmer 打生态。这套组合拳的意图很清楚——不让开发者在「贵但强」和「便宜但弱」之间二选一，而是在同一个家族里按任务分配。
对开发者，几个实操层面的提醒。一是低价模型的隐性成本在错误率：执行类任务的错误往往不会立刻暴露，而会在下游放大，因此选型时要把重试与校验的成本算进去。二是「每任务成本」这个指标依赖任务分布，厂商的基准任务集未必等于你的任务集，最好自己跑一轮小规模对照。三是注意模型版本迭代节奏——轻量模型通常更新更频繁，价格与能力都可能在下个季度变化。
对产业，Ember 这类模型的密集出现说明 Agent 的商业模式正在成型：当一个 agent 每天要跑几十万次工具调用时，模型成本会从「研发费用」变成「运营成本」，而运营成本对单价极度敏感。谁能把执行层的价格压到接近传统软件调用的水平，谁就能吃到 agent 规模化的红利。这也是为什么过去一个月里，降价的主角从旗舰模型换成了轻量模型。