مِتا روز دوشنبه نهم نوامبر ۲۰۲۶ مدل موز امبر را رونمایی کرد. این کوچک‌ترین مدل عامل‌محور شرکت، نمره هوش ۳۵.۸ را با هزینه ۰.۱۴ دلار در هر وظیفه تحویل می‌دهد — تقریباً یک‌سوم هزینه رقیب کلود هایکو ۵.۵. این نتایج در حوزهٔ عامل‌محور، تکمیل‌کننده‌ی تلاش‌های اخیر برای حل بن‌بست‌های عامل‌محور در معماری جدید است.
بنچمارک‌های کلیدی: هوش در برابر هزینه
داده‌های ارتیفیشل آنالیسیس منتشرشده در ۹ نوامبر ۲۰۲۶ نشان می‌دهد موز امبر در هر تنظیم استدلال، هوش بیشتری در هر دلار نسبت به کلود هایکو ۵.۵ و جی‌پی‌تی-۶ لونا می‌دهد.
موز امبر روی مرز کارایی
- موز امبر: نمره ۳۵.۸ با ۰.۱۳۶ دلار در وظیفه (تنظیم ماکسیمم استدلال)
- کلود هایکو ۵.۵: نمره ۳۶.۲ با ۰.۴۱۱ دلار (سه‌برابر هزینه)
- جی‌پی‌تی-۶ لونا: نمره ۲۷.۸ با ۰.۱۵۲ دلار
- هیچ مدلی برای هزینه کمتر نمره بالاتری ندارد؛ امبر روی مرز کارایی نشسته است.
اتومیشن‌بنچ و آزمون‌های عامل
در اتومیشن‌بنچ-ای‌اے (AutomationBench-AA) که pass@1 سخت‌گیرانه روی گردش‌های کار چندمرحله می‌سنجد، موز امبر ۳۷.۸٪ کسب کرد. این نمره تقریباً دو برابر لونا (۲۰.۲٪) و سه برابر هایکو (۱۳.۹٪) است.
- آزمون آخر عامل‌ها (Agents' Last Exam): امبر ۶۱.۶٪، لونا ۵۷.۱٪، هایکو ۵۷.۰٪
- شاخص هوش مصنوعی فراخود (Personal Superintelligence Index): امبر ۴۶.۸٪، لونا ۳۷.۰٪، هایکو ۳۶.۱٪
کدنویسی: روتین در برابر چالش‌های سخت
برای زیروظایف کدنویسی روتین، امبر برتری دارد. در ترمینال‌بنچ ۴.۰ (Terminal-Bench 4.0) نمره ۴۰.۹٪ در برابر ۳۹.۲٪ هایکو و ۱۶.۴٪ لونا. در شاخص عامل کدنویسی (Coding Agent Index-AA) هم ۴۶ در برابر ۳۷ و ۳۱.
اما در فرانتیر کد ۲.۰ (FrontierCode 2.0-AA) که چالش‌های مهندسی پیچیده‌تر است، هایکو با ۳۴.۹٪ پیشرو است، امبر ۲۷.۲٪ و لونا ۲۵.۲٪.
چندوجهی بومی و پنجره متنی بزرگ
موز امبر به‌صورت بومی متن، تصویر، صدا و ویدیو را درک می‌کند، بدون نیاز به مدل جداگانه.
- GDP.pdf-AA (تجزیه سند طولانی): امبر و لونا ۲۲.۸٪، هایکو ۲۰.۸٪
- OSWorld 2.1 (کنترل کامپیوتر از اسکرین‌شات): امبر ۶۹.۵٪، هایکو ۶۸.۹٪، لونا ۵۰.۵٪
- پرسپشن‌بنچ (PerceptionBench) با ابزار: امبر ۸۰.۶٪، هایکو ۷۸.۶٪، لونا ۶۲.۸٪
- پنجره زمینه ۱ میلیون توکن و خروجی تا ۵۱۲ هزار توکن، اجازه می‌دهد کل کدبیس یا مجموعه سندها در یک فراخوانی خوانده شود.
شریک اولیه باکس و کاربردهای واقعی
باکس (Box) به عنوان شریک اولیه، نتایج قوی در ارزیابی کار پیچیده (Complex Work Eval) گزارش داد. نائب‌رئیس محصولات هوش مصنوعی باکس گفت: «در ارزیابی کار پیچیده باکس، موز امبر صحت، سرعت و کارایی توکن شگفت‌انگیزی تحویل می‌دهد. می‌تواند قرارداد را در برابر کتابچه مذاکره بند بند امتیازدهی کند و امتیاز ریسک کلی درست را بدهد، یا کاندیداها را در برابر بریف مفصل غربال کند و مرزی‌ها را پرچم‌دار کند. موز امبر یک پایه سریع و کارا برای عامل‌هایی است که کار واقعی روی محتوای سازمانی انجام می‌دهند.»
قیمت‌گذاری و در دسترس بودن
موز امبر از امروز در موز کد (Muse Code) و API مدل مِتا به‌نام muse-ember-1.0 در دسترس است.
- ورودی: ۰.۱۰ دلار در میلیون توکن
- ورودی کش‌شده: ۰.۰۰۴ دلار در میلیون توکن
- خروجی: ۰.۵۰ دلار در میلیون توکن
- از Responses API پشتیبانی می‌کند.
ایمنی و چارچوب مقیاس‌پذیری
ارزیابی ایمنی بر اساس چارچوب مقیاس‌پذیری فراهوش (Superintelligence Scaling Framework) انجام شد، شامل ریسک‌های شیمیایی، بیولوژیکی، سایبری و از دست دادن کنترل. امبر در تمام دسته‌ها زیر آستانه‌های ریسک بالا ماند. با وجود اندازه کوچک، همان آموزش ایمنی هسته‌ای مدل‌های بزرگتر را دریافت کرده است. تست‌های رفتار عامل‌محور نشان داد امبر قصد کاربر را محترم می‌نگارد، اطلاعات حساس را مدیریت می‌کند، در برابر دستورهای پنهان در صفحات وب یا خروجی ابزارها مقاومت می‌کند، و پیش از اقدامات با اثر بالا تأیید انسانی می‌خواهد.
گفتگو