Wonder 出计划，Ember 跑量：agent 执行层的去旗舰化
Meta 用 0.10 美元的 Muse Ember 把『规划脑/执行脑』分层写进价目表；同周两篇 arXiv 论文走得更远——27B 并行小队等成本击败 GPT-5.6-sol，CPU 推理缓存把重复执行的成本再降 16–291 倍。下放依据、缓存校准与 verifier 成本，三笔账还留在账外。
引言：分层写进了价目表
11 月 9 日，Meta 超级智能实验室发布 Muse 家族第四款模型 Muse Ember（继 4 月 Spark、8 月开源的 Glimmer、10 月旗舰 Wonder 之后），是家族里最轻、最便宜的一款：输入 0.10 美元/百万 token，比 Anthropic Haiku、OpenAI Luna 便宜，与 DeepSeek V4.1 Flash、GLM 5.3 Flash 同档。发布语对它的定位说得直白——为「复杂推理的执行，以及 agent 整天重复的工作：工具调用、编码子任务、路由、抽取、长文档解析」而生。官方还给了更短的一句：「Muse Wonder 负责规划，Muse Ember 负责跑量。」执行脑的输入面也不止文本：官方强调 Ember 原生处理文本、图像、音频与视频，读截图、图表、扫描文档，或直接从语音备忘、会议录音与视频开工，不需要为多模态单挂一个模型——这对「跑量」场景是隐性降本。
这句话把 agent 的成本问题改写成了结构问题：贵的模型出场一次定规则，便宜的模型把规则套到几万个案例上。Meta 交出了分层的产品形态与价目表；执行脑究竟能便宜到哪一步，本周两篇 arXiv 论文给出了比产品发布更激进的答案。
小模型的正确用法是组队
《Test-Time Compute Scales Better with Parallel Agent Teams》（arXiv:2611.09798）回答的是「执行脑要多大才够」。论文用 12 个长程优化任务做考场——GPU kernel 优化、形式化证明、漏洞利用开发、结构设计。固定预算 100 个 agent，三种花法：100 个独立 agent 各做各的取最好（best-of-N）、1 个 100 人大队协作、10 个十人小队并行取最好。结果：十人小队在 12 个任务中赢下 10 个（对独立 agent），并在全部 4 个跑过大型队的任务上胜出，领先幅度 8%–30%。
关键在经济账。27B 模型（Qwen3.8-27B）的小队按 GPU 时间计价、前沿模型 GPT-5.6-sol 按 token 计价，等美元成本下对比 8 个任务，小队赢下 4 个；而一个十人小队的全部开销，约等于一两个 GPT-5.6-sol agent。计价口径本身就是个变量：GPU 时间计价对小队一方是保守口径（论文自持 H200 引擎按平摊计费），若改按 token 牌价给 Qwen3.8-27B 计价，赢面从 4/8 升到 6/8——「等成本击败前沿模型」的结论对账本怎么记敏感，这本身就是账外项之一。论文给出的统计模型解释了原因：独立 agent 输在样本均值低，单个大部队只采样一次、吃不到方差增益，多个小队并行才能把高均值与方差增益一并收入囊中。
前提也写在方法里：得有一个能给每次尝试打分的 verifier——kernel 要测延迟、证明要过检查器。在这套经济学中，verifier 本身不出现在成本栏。
再往下一级：执行连 GPU 都可以不要
CPU-ARC（arXiv:2611.09891）把执行层再往下拆。核心观察是：任务一旦被推理过一次，把解法套到新实例上几乎不需要语言模型——把 LLM 的推理轨迹编译成 CPU 可执行的「推理缓存」（agentic reasoning cache），命中就在本地跑，未命中回落源模型。
在 MATH-500、AIME 2024–2026、GPQA Diamond 等基准上，缓存的准确率与源模型打平甚至反超（AIME 2025：缓存 93.3，源模型 83.3），单样本调用成本 0.0004 美元对 0.1203 美元（AIME 2025 口径），各基准省钱 16–291 倍。这里被缓存的是 Claude Opus 4.5（扩展思考预算 4096 token）的推理轨迹——缓存打平的是当期前沿，而非某个便宜基线，这让「16–291 倍」的含金量更足。构建一份缓存要花掉原推理 12–84 倍的成本，换来的是可解释（缓存就是代码）、可持续训练、抗输入扰动；抽取器角色用一个微调过的 Llama 3.2 1B 就够，整套东西可以部署到边缘设备。
分层进了价目表，依据还留在账外
三级阶梯就此成型：旗舰模型做规划、小模型组队做批量执行、CPU 缓存做重复执行。产业侧把前两级写进了产品页，论文侧把后两级做成了可复算的实验。没进账本的有三笔：
一是下放依据。Ember 的便宜建立在综合基准分上，而「哪些任务可以安全交给执行脑」需要的是逐任务的失败率清单，不是均值——一个 0.10 美元的模型在 95% 的任务上够用，剩下 5% 的错误会按调用量放大。
二是缓存校准。命中阈值定得松，错命中就以 16–291 倍的省钱速度复制错误；构建成本 12–84 倍意味着缓存是资产，资产要有折旧与审计科目。
三是 verifier 的账。并行小队的经济学成立的前提，是每次尝试都能被便宜且可靠地打分；verifier 的成本与自身的错误率，决定「等成本击败前沿模型」这句话在多少任务上仍然成立。
执行层的去旗舰化已经在发生。三笔账外项，目前没人报价。