Felo API PlatformFelo API Platform
返回模型列表
Metamessages

Muse Ember API

Meta 推出的轻量高效模型,主打高并发智能体执行,支持多模态输入与百万级上下文窗口。

Muse Ember 是 Meta 于 2026 年 11 月 9 日发布的轻量模型,也是 Meta Muse 系列中体积最小、效率最高的成员。它支持文本、图像、音频和视频输入,仅输出文本,上下文窗口达 100 万 tokens,单次输出上限为 512,000 tokens。模型具备图像理解、工具调用、结构化输出和搜索 grounding 等能力,可作为执行器在规划器-执行器架构中与 Muse Wonder 配合,Meta 对此的概括是「Muse Wonder 负责规划,Muse Ember 负责处理海量任务」。

它面向高并发场景设计,适合大规模智能体工作流执行、工具调用、编码子任务、路由、信息抽取、长文档解析,以及结合检索增强生成的聊天机器人,也适用于规模化部署 AI 功能。在分析和数据质量检查等边界清晰的任务上表现较强;但在开放式问题上容易消耗过多 tokens,对隐藏模式的检测能力偏弱。

模型可通过 Meta Model API 和 Muse Code 使用,模型 ID 为 muse-ember-1.0。其权重未公开,参数规模也未披露。在 Artificial Analysis智能指数上得分为 36 分,与 Claude Haiku 5.5 持平,而成本约为后者的三分之一。

更新时间:

模型 ID

muse-ember
上下文
1.049M
最大输出
943.718K
推荐 API
messages
输入
text / image / video / file / audio
输出
text

核心要点

  • Muse 系列最小、最高效的模型
  • 支持文本、图像、音频、视频输入
  • 100 万 tokens 上下文窗口
  • 可作规划器-执行器架构中的执行器
  • 与 Claude Haiku 5.5 智能指数持平但成本更低

供应商

1 个供应商

比较不同供应商的调用价格,点击供应商可查看完整费用和适用条件。

供应商 · 计费明细
可用率
$0.1$0.5$0.004

10 美元能买多少 token

输入
1亿 tokens
输出
2000万 tokens

按当前输入与输出单价估算,未计入折扣。

基准测试

  • Artificial Analysis 智能指数

    分

    36
  • Vals指数

    百分比;在 36 个模型中排名第 13

    60.48
  • PlotlyDataAnalyticsBench

    百分比;43 道题中通过 38 道

    88

分数来自模型厂商公布的数据,未独立验证。

推理能力

默认推理强度
max
始终启用
是
可选推理强度
max / xhigh / high / medium / low / minimal

快速开始

直接复制代码,通过 Felo API Platform 兼容 API 调用该模型。写代码前可先在 Playground 测试提示词。

1

填入 API key

从 Felo API Platform 账户创建 key,并设置为环境变量。

export FELO_API_KEY="YOUR_API_KEY"
2

发起第一次请求

使用该模型 ID 调用 Felo API Platform endpoint。可选请求头如 X-Request-Id 能帮助排查问题。

muse-ember

该模型支持推理。如果所选协议和模型路由暴露推理控制,请在继续对话时保留返回的推理元数据。

const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
  method: 'POST',
  headers: {
    Authorization: `Bearer ${process.env.FELO_API_KEY}`,
    'Content-Type': 'application/json',
  },
  body: JSON.stringify({
  "model": "muse-ember",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());

使用第三方 SDK

兼容 SDK 只需把 baseURL 设置为 https://openapi.felo.ai/api/v1. Claude 风格客户端使用 Anthropic-compatible base URL。 https://openapi.felo.ai/api.

3

启用流式输出

加入 stream: true,即可以 server-sent events 接收响应。

curl -N https://openapi.felo.ai/api/v1/messages \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "muse-ember",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "stream": true
}'

Endpoint

Felo API Platform 提供兼容的模型调用入口。选择你的应用或 Agent 客户端已经支持的接口即可。

SurfaceMethodURL

Messages

Anthropic-compatible messages for Claude-style clients.

POST

https://openapi.felo.ai/api/v1/messages

参数

名称类型默认值说明
modelstringmuse-emberPublic model ID to call.
max_tokensinteger—Maximum generated tokens.
messagesarray—Conversation messages for Chat Completions.
toolsarray—Tool calling definitions following compatible schema.
top_k———
top_p———
reasoning———
temperaturenumber—Controls response variety when supported.
tool_choicestring or object—Controls whether a tool should be called.
response_formatobject—Request structured output when supported.
reasoning_effort———
include_reasoning———
repetition_penalty———
structured_outputs———

常见问题

什么是 Muse Ember?

Muse Ember 是 Meta 于 2026 年 11 月 9 日发布的轻量模型,也是 Meta Muse 系列中体积最小、效率最高的成员。它支持文本、图像、音频和视频输入,仅输出文本,上下文窗口达 100 万 tokens,单次输出上限为 512,000 tokens。模型具备图像理解、工具调用、结构化输出和搜索 grounding 等能力,可作为执行器在规划器-执行器架构中与 Muse Wonder 配合,Meta 对此的概括是「Muse Wonder 负责规划,Muse Ember 负责处理海量任务」。 它面向高并发场景设计,适合大规模智能体工作流执行、工具调用、编码子任务、路由、信息抽取、长文档解析,以及结合检索增强生成的聊天机器人,也适用于规模化部署 AI 功能。在分析和数据质量检查等边界清晰的任务上表现较强;但在开放式问题上容易消耗过多 tokens,对隐藏模式的检测能力偏弱。 模型可通过 Meta Model API 和 Muse Code 使用,模型 ID 为 muse-ember-1.0。其权重未公开,参数规模也未披露。在 Artificial Analysis智能指数上得分为 36 分,与 Claude Haiku 5.5 持平,而成本约为后者的三分之一。

如何计算调用费用?

费用取决于你使用的供应商、对应价格和实际用量。长文本输入等情况可能适用不同价格,详见计费明细。

Muse Ember 支持哪些输入和输出类型?

支持文本、图像、音频和视频输入,仅输出文本。

Muse Ember 的上下文和输出长度是多少?

上下文窗口为 100 万 tokens,单次输出上限为 512,000 tokens。

Muse Ember 适合哪些任务?

适合高并发智能体工作流执行、工具调用、编码子任务、路由、信息抽取、长文档解析,以及结合检索增强生成的聊天机器人和规模化部署 AI 功能。

Muse Ember 和 Muse Wonder 有什么区别?

Muse Ember 是 Muse 系列中体积最小、效率最高的执行模型,与负责规划的 Muse Wonder 构成规划器-执行器分工。

Muse Ember 有哪些局限?

在开放式问题上容易消耗过多 tokens,对隐藏模式的检测能力较弱,且权重未公开、参数规模未披露。

相关模型