متا کوچکترین و مقرون به صرفه‌ترین مدل هوش مصنوعی خود به نام Muse Ember را معرفی کرد که برای انجام کارهای تکراری روزانه توسط عامل‌های هوش مصنوعی طراحی شده است. در ارزیابی Artificial Analysis، شاخص هوشمندی این مدل نزدیک به Muse Spark 1.3 است، در حالی که هزینه هر وظیفه آن تنها یک هفدهم مدل دیگر است.
معرفی Muse Ember
متا در وبلاگ رسمی خود از مدل هوش مصنوعی Muse Ember رونمایی کرد. این مدل به عنوان کوچکترین و مقرون به صرفه‌ترین مدل در آزمایشگاه‌های ابر هوش مصنوعی متا (Meta Superintelligence Labs) معرفی شده و به طور خاص برای انجام مراحل تکراری و حجیم در کارهای روزانه عامل‌های هوش مصنوعی (AI Agent) طراحی شده است. این مدل از طریق Meta Model API و Muse Code در دسترس توسعه‌دهندگان قرار گرفته است.
هدف و کاربرد Muse Ember
هدف اصلی این مدل جایگزینی مدل‌های پرچمدار نیست، بلکه کاهش هزینه‌های مربوط به فراخوانی ابزارها، زیروظایف توسعه نرم‌افزار، تقسیم وظایف، استخراج داده و تجزیه و تحلیل اسناد طولانی است. این امر به توسعه‌دهندگان اجازه می‌دهد تا برای هر مرحله کوچک از کار خود از مدل‌های گران‌قیمت و بزرگ استفاده نکنند.
نتایج ارزیابی هوشمندی
نتایج منتشر شده از شاخص هوش مصنوعی Artificial Analysis (v5) نشان می‌دهد که Muse Ember در بالاترین تنظیمات استدلال، امتیاز 36 را کسب کرده است، در حالی که Muse Spark 1.3 امتیاز 37 را به دست آورده است. هزینه هر وظیفه ارزیابی برای Ember حدود 0.14 دلار و برای Spark 1.3 حدود 2.39 دلار است که نشان‌دهنده اختلاف تقریبی 17 برابری است.
اظهارات الکساندر وانگ
الکساندر وانگ، مدیر هوش مصنوعی متا، رئیس آزمایشگاه‌های ابر هوش مصنوعی و بنیانگذار Scale AI، در پلتفرم X اعلام کرد که Ember با هزینه‌ای حدود یک هفدهم Spark 1.3، عملکرد هوشمندی نزدیک به بالاترین تنظیمات Spark 1.3 را ارائه می‌دهد. وی همچنین تاکید کرد که این اولین مدل منتشر شده است که با استفاده از Muse Wonder Full آموزش دیده است.
عملکرد در مقایسه با رقبا
متا همچنین اعلام کرده است که Ember در مقایسه با Claude Haiku 5.5 و GPT-6 Luna، عملکرد هوشمندی بهتری به ازای هر دلار در تنظیمات مختلف استدلال دارد و در رتبه‌بندی بهره‌وری Artificial Analysis در صدر قرار گرفته است. هیچ مدل دیگری نمی‌تواند با هزینه کمتر برای هر وظیفه، امتیاز بالاتری کسب کند.
جزئیات API و قابلیت‌ها
قیمت‌گذاری API برای این مدل به شرح زیر است: 0.10 دلار به ازای هر میلیون توکن ورودی، 0.004 دلار برای ورودی کش (cache) و 0.50 دلار برای خروجی. توسعه‌دهندگان می‌توانند با استفاده از شناسه مدل muse-ember-1.0 و با پشتیبانی از Responses API به این مدل دسترسی پیدا کنند.
Ember دارای پنجره زمینه (context window) یک میلیون توکنی و حداکثر خروجی 512 هزار توکن است که امکان پردازش کتابخانه‌های کد بزرگ یا مجموعه‌ای از اسناد را در یک فراخوانی واحد فراهم می‌کند. این مدل به طور بومی متن، تصویر، صدا و ویدئو را درک می‌کند و به عامل‌ها اجازه می‌دهد تا اسکرین‌شات‌ها، اسناد اسکن شده، یادداشت‌های صوتی و فیلم‌های جلسات را مستقیماً تجزیه و تحلیل کنند.
در فرآیندهای توسعه نرم‌افزار، وظایف آن شامل خواندن فایل‌ها، اجرای تست‌ها و اعمال اصلاحات هدفمند است. در فرآیندهای سازمانی، می‌تواند سوابق را به ترتیب بررسی کند، ابزارها را فراخوانی کند و سیستم‌ها را در سراسر برنامه‌های کاربردی به‌روزرسانی کند. این مراحل ممکن است به تنهایی دشوار نباشند، اما در یک وظیفه ممکن است صدها بار تکرار شوند و در مجموع حجم زیادی از مصرف را ایجاد کنند.
محدودیت‌ها و ارزیابی‌های امنیتی
مزیت هزینه Ember به معنای برتری در تمام قابلیت‌ها نیست. در ارزیابی وظایف مهندسی واقعی FrontierCode 2.0-AA که توسط متا منتشر شده، Ember همچنان از Claude Haiku 5.5 عقب‌تر است. این تست بر توانایی ادغام نتایج اصلاح شده در پروژه تمرکز دارد و با وظایف تجزیه و تحلیل فایل و فراخوانی ابزار متفاوت است.
در زمینه امنیت، متا اعلام کرده است که بر اساس چارچوب مقیاس‌پذیری ابر هوش مصنوعی متا (Meta Superintelligence Scaling Framework)، ریسک‌های مربوط به شیمی، زیست‌شناسی، امنیت سایبری و از کنترل خارج شدن را ارزیابی کرده است. نتایج همگی پایین‌تر از آستانه پرخطر این چارچوب بوده‌اند و مدل‌های کوچک نیز تحت همان آموزش‌ها و تست‌های امنیتی اصلی قرار گرفته‌اند.
برای سناریوهایی که عامل‌ها به جای کاربران عمل می‌کنند، ارزیابی‌ها شامل رعایت قصد کاربر، مدیریت صحیح اطلاعات حساس، مقاومت در برابر دستورات مخرب پنهان شده در خروجی وب‌سایت‌ها یا ابزارها، و درخواست تأیید از انسان قبل از انجام اقدامات مهم بوده است.
جایگاه Ember در خط تولید Muse
Ember لایه اجرای کم‌هزینه را به خط تولید Muse اضافه می‌کند. Wonder به حل مشکلات پیچیده می‌پردازد، Spark مسئول توسعه نرم‌افزار و گردش کار عامل‌ها است، و Ember وظایف تکراری و حجیم برنامه‌نویسی و عامل‌ها را بر عهده می‌گیرد. رویکرد متا این است که Wonder برنامه‌ریزی کند و Ember حجم زیادی از کارهای اجرایی را انجام دهد.
برای تیم‌های توسعه، این امر راهی برای تفکیک هزینه‌ها فراهم می‌کند: تصمیم‌گیری‌های پیچیده به مدل‌های قوی‌تر سپرده می‌شود و خواندن فایل‌ها، استخراج اطلاعات و اصلاحات جزئی به Ember واگذار می‌شود. عامل‌ها نیازی به اتصال دائمی به یک مدل ندارند، بلکه می‌توانند بودجه را بر اساس دشواری کار تخصیص دهند و هزینه‌های عملیاتی طولانی‌مدت را کاهش دهند.
