假设一条智能体流水线一个月要跑 1 万次 Artificial Analysis 智能指数那种量级的任务。按 AA 公布的单题成本算，Muse Ember 是 1400 美元，GPT-6 Luna 是 1520 美元，Claude Haiku 5.5 是 4110 美元。
而按 AA 的说法，三家的输入、输出标价是一样的：每百万输入 token 0.10 美元，输出 0.50 美元。
同一张价目表，月底账单差了快三倍。
差价藏在两个地方
第一处是缓存。Ember 的缓存输入每百万 token 只要 0.004 美元，AA 算下来比 Haiku 5.5 的缓存价便宜六成。智能体任务的特点是同一段系统提示、同一份工具定义、同一个代码库上下文被反复喂进去，缓存命中率很高，这六成差价会落到每一次调用上。
第二处是话多不多。按 AA 的统计，做同样的题，Ember 的输出 token 大约只有 Haiku 5.5 的三分之一。输出单价是输入的五倍，少说三分之二的话，账单自然下来。
Luna 是反过来的情况。它单题 0.152 美元，和 Ember 只差一分多钱，可智能指数只有 28 分，比另外两家低 8 分。便宜是便宜，买到的东西少一截。
三个模型的来头
Muse Ember 是 Meta AI 在 11 月 9 日刚发布的，模型 ID 叫 muse-ember-1.0，Meta 管它叫自家“最小、最高效”的一款。上面还有 Muse Spark 1.3 和最大的 Muse Wonder，官方说 Ember 是第一个用 Muse Wonder Full 训练出来的模型。参数量和权重都没公开。上下文 100 万 token，单次最多输出 51.2 万 token，文本、图像、音频、视频都能吃。首批合作方有 Box、Cline、Oracle、Cloudflare 和 You.com。
Claude Haiku 5.5 是 Anthropic 小模型这一档的现役型号，Claude 家族里最便宜、最快的那个。
GPT-6 Luna 是 OpenAI GPT-6 家族里最轻的一档，定位和前两位一样。
一张表能说清的部分
| 项目 | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AA 智能指数 | 36 | 36 | 28 |
| AA 单题成本 | 0.14 美元 | 0.41 美元 | 0.152 美元 |
| Terminal-Bench 4.0 | 40.9% | 39.2%（Meta 表）/ 32.8%（AA 实测） | 16.4% |
| FrontierCode 2.0 | 27.2% | 34.9% | 25.2% |
| Coding Agent Index | 46 | 37 | 31 |
| OSWorld 2.1（部分得分） | 69.5% | 68.9% | 50.5% |
| GDP.pdf | 22.8% | 20.8% | 22.8% |
| AA-Omniscience 准确率 | 21.1% | 34.7% | 未披露 |
Coding Agent Index 这一行要留个心眼：三家各用各的框架测，Ember 跑在 Muse Code 里，Haiku 跑在 Claude Code 里，Luna 跑在 Codex 里。比的是模型加自家工具这一整套，不完全是模型本身。
两个对不上的数
AutomationBench-AA 是个端到端业务流程测试。Meta 发布时的表格里，Ember 37.8%，Haiku 13.9%，Luna 20.2%，很多中文报道直接引的就是这组，于是有了“业务流程领先两倍多”的说法。可 Artificial Analysis 自己发的帖子里，Ember 这一项写的是 68.1%。
两边差了 30 个百分点。
比较可能的原因是测试版本或计分口径不同，但到现在两边都没出来解释。拿这一项去论证 Ember 在业务流程上碾压对手，地基并不稳。
Terminal-Bench 4.0 也有类似的事。Meta 表里 Haiku 5.5 是 39.2%，标注为“已公布的最佳框架”成绩；AA 用自己的统一框架测，Haiku 只有 32.8%。Ember 在两边都是 40.9%。同一个模型换个测试环境掉了 6 个多点，说明终端类任务对框架非常敏感，选型时最好拿自己的工具链复测一遍，别只看榜。
Ember 的毛病：不知道就不说
AA-Omniscience 考的是知识面。Ember 的准确率只有 21.1%，Haiku 5.5 是 34.7%，在同一智能档位的模型里 Ember 垫底。
它的幻觉率是 17.4%，大约是 Haiku 的一半。听上去是优点，拆开看有点微妙：Ember 对 64% 的知识类问题选择直接拒答。
它很少编，是因为它很少答。
放进实际场景，这个脾气好坏参半。做工具调用、信息抽取、代码子任务，答案就在上下文里，用不着模型自带的知识，拒答率高反而安全。要是拿它直接回答用户的开放问题，十个里六个多回一句“不确定”，体验会很差。
Haiku 5.5 贵在哪，又值在哪
三倍的单题成本是 Haiku 最明显的短板。而且在标价相同的前提下，这个差距来自它输出多、缓存贵，用户自己几乎没有优化空间，除非手动压输出长度。
它守住的是写代码的质量。FrontierCode 2.0 上 Haiku 34.9%，Ember 27.2%，Luna 25.2%，领先将近 8 个点；文档办公类的 AA-Briefcase，Haiku 是 1574 Elo，Ember 是 1521。知识面那一项更是领先 13 个百分点以上。
如果子任务是“读懂一段陌生代码再改对”，而不是“按固定格式调一次工具”，Haiku 多出来的钱是对得上账的。
Luna 的位置有点尴尬
Luna 单题比 Ember 还贵一点，智能指数却低 8 分。Terminal-Bench 4.0 只有 16.4%，不到 Ember 的一半；OSWorld 2.1 是 50.5%，另外两家都在 69% 上下。
唯一打平的是 GDP.pdf，22.8%。
选它的理由主要在生态。已经整套押在 OpenAI API 和 Codex 上的团队，换模型意味着换计费、换监控、换审计流程，这些迁移成本，每题一分钱的差价覆盖不了。可要是从零搭新流水线，很难找到选 Luna 的技术理由。
落到流水线里
路由、分类、从长文档里抽字段、按 schema 调工具，这类活答案都在上下文里。Ember 便宜三分之二，拒答多也不碍事，值得先切一小部分流量过去试。Cline 创始人公开说过它很擅长子智能体这类工作，算是一个早期旁证。
要读懂陌生代码、改出能过评审的补丁，或者需要模型自带常识的环节，Haiku 5.5 还是更稳。
Luna 留给离不开 OpenAI 生态的团队。
还有一件事：Ember 发布才一天，Meta 的模型 API 没经过大规模生产流量的检验，限流、稳定性、地区可用性都得自己试。开头那 1 万次任务省下的 2700 多美元，先别急着写进预算。
相关对比：《Kimi K3.1 Pro 和 DeepSeek V4.1 Flash 1017：每题差了八倍，多付的钱只买到终端编程这一项》、《GPT-6.1 Terra 和 Claude Sonnet 5.5：medium 档以下 Terra 便宜五倍还略胜，拧到 high 分数就被反超》、《LongCat-2.5、GLM-5.3、DeepSeek V4.1 Flash：美团那张 31 行的成绩单，自家一列全是自测分》
© 版权声明
文章版权归作者所有，未经允许请勿转载。
Muse Ember、Claude Haiku 5.5、GPT-6 Luna：标价一样，每道题的账差了快三倍