Meta stellte am Montag Muse Ember vor, das kleinste und effizienteste Modell seiner Muse-Familie, das genau auf die Routinearbeit ausgerichtet ist, die KI-Agenten den ganzen Tag erledigen: Tool-Aufrufe, Codierungs-Unteraufgaben, Weiterleitung, Extraktion und Analyse langer Dokumente. Das Modell ging auf der Meta Model API für 0,10 $ pro Million Eingabe-Tokens und 0,50 $ pro Million Ausgabe-Tokens in Betrieb.

Laut Metas Ankündigung liefert Muse Ember in jeder Argumentationseinstellung mehr Intelligenz pro Dollar als Claude Haiku 5.5 oder GPT-6 Luna. Das Unternehmen gibt an, dass das Modell bei etwa einem Drittel der Kosten die beste Punktzahl von Haiku 5.5 erreicht und jede Luna-Einstellung übertrifft. Damit liegt es an der Effizienzgrenze der Bestenliste für künstliche Analyse, wo kein Modell für weniger Geld pro Aufgabe eine höhere Punktzahl erzielt. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Branchenberichterstattung.

Ein Modell, das für Agent-Unteraufgaben erstellt wurde

Meta behauptet, dass moderne Agenten den Großteil ihrer Token für viele kleine, strukturierte Schritte ausgeben und nicht für eine große Antwort, und dass Muse Ember genau für diese Arbeitsbelastung entwickelt wurde. Das Unternehmen beschreibt ein Modell, das einen Geschäftsworkflow durchgängig abwickeln kann, indem es Datensätze abruft, Tools nacheinander aufruft und Systeme anwendungsübergreifend aktualisiert.

Das Kontextfenster ist für diese Modellklasse ungewöhnlich großzügig. Muse Ember akzeptiert bis zu 1 Million Eingabe-Tokens und kann in einem einzigen Aufruf bis zu 512.000 Ausgabe-Tokens erzeugen, genug, um eine vollständige Codebasis oder einen großen Dokumentensatz auf einmal aufzunehmen.

Benchmarks: Starke Ergebnisse, eine bemerkenswerte Lücke

Die Schlagzeilen stammen aus Daten der künstlichen Analyse vom 9. November 2026, die in der Ankündigung von Meta wiedergegeben sind. Beim Artificial Analysis Intelligence Index erzielte Muse Ember in den höchsten Argumentationseinstellungen einen Wert von 33,9 bei 0,116 $ pro Aufgabe und 35,8 bei 0,136 $ pro Aufgabe. Das beste Ergebnis von Claude Haiku 5.5 war 36,2, aber es kostete 0,411 $ pro Aufgabe, etwa dreimal so viel. GPT-6 Luna erreichte mit 27,8 die Höchstnote. Im Gesamtindex bei maximaler Argumentation liegen Muse Ember und Haiku 5,5 gleichauf bei 36, Luna bei 28.

Die Ergebnisse auf Aufgabenebene zeigen dasselbe Muster:

  • Beim Terminal-Bench 4.0, der die Agenten-Terminalkodierung misst, erzielte Muse Ember bei maximaler Argumentation einen Wert von 40,9, vor Claude Haiku mit 5,5 bei 39,2 und weit vor GPT-6 Luna bei 16,4.
  • Bei AutomationBench-AA, einem End-to-End-Business-Workflow-Benchmark, der mit striktem Pass@1 bewertet wurde, erreichte Muse Ember 37,8 gegenüber 20,2 für GPT-6 Luna und 13,9 für Claude Haiku 5,5.
  • Bei Agents' Last Exam, einer Meta-internen Bewertung von End-to-End-Agentenaufgaben auf der Linux-Teilmenge, erzielte Muse Ember 61,6 Punkte, vor Luna mit 57,1 und Haiku 5,5 mit 57,0.
  • Auf Metas Personal Superintelligence Index, einem internen Verbund aus persönlicher und Wissensarbeit, erzielte Muse Ember 46,8 gegenüber 37,0 für Luna und 36,1 für Haiku 5,5.
  • Bei OSWorld 2.1, einem Benchmark zur Computernutzung für Desktop-Anwendungen, erzielte Muse Ember 69,5 Punkte bei der Partial-Match-Bewertung und 27,8 bei der Binär-Bewertung.
  • Beim PerceptionBench mit Tools, einem feinkörnigen visuellen Wahrnehmungstest, führte Muse Ember mit 80,6 gegenüber 78,6 für Haiku 5,5 und 62,8 für Luna.

Es gibt eine Lücke, die es wert ist, hervorgehoben zu werden. Beim FrontierCode 2.0-AA, der echte technische Aufgaben danach beurteilt, ob der resultierende Code zusammengeführt werden kann, lag Claude Haiku 5,5 mit 34,9 an der Spitze, gefolgt von Muse Ember mit 27,2 und GPT-6 Luna mit 25,2. Es ist eine Erinnerung daran, dass Benchmarks unterschiedlich sind und dass Teams Modelle an ihre tatsächlichen Arbeitslasten anpassen sollten und nicht an einer einzigen Bestenliste.

Was die Effizienzzahlen bedeuten

Beim Kosten-pro-Aufgabe-Rahmen zieht Meta den schärfsten Kontrast. Haiku 5.5 musste bei der höchsten Argumentationseinstellung bis zu 0,411 US-Dollar pro Aufgabe ausgeben, um die beste Punktzahl von 36,2 zu erreichen, während Muse Ember 35,8 US-Dollar bei 0,136 US-Dollar erzielte. Lunas beste Punktzahl von 27,8 lag bei 0,152 $ pro Aufgabe, was über dem Preis von Muse Ember und deutlich unter seinen Punktzahlen liegt. Bei Agentensystemen, die Hunderte von Unteraufgaben pro Sitzung ausführen, erhöhen sich die Kosten pro Aufgabe schnell, und das ist genau das Segment, auf das Meta abzielt.

Was frühe Partner berichten

Die Ankündigung von Meta umfasst erste Ergebnisse von fünf Partnern: Box, Cline, Oracle, Cloudflare und You.com.

Dane Knecht, CTO von Cloudflare, sagte, dass Muse Ember „am Ende bis zu 30 % schneller lief als das vergleichbare Modell, das wir getestet haben“ und umfangreiche Multi-Repo-Untersuchungsaufgaben gut bewältigte, und nannte es eine gute Eignung für Agenten-Workloads mit hohem Durchsatz.

Bei You.com berichtete Inferenzleiter Chak Pothina, dass Muse Ember jede Codierungsaufgabe in den Tests des Unternehmens mit der niedrigsten Latenz aller getesteten Modelle abgeschlossen habe, einem p95 von 2,2 Sekunden. Das ist laut Pothina etwa 4x bis 13x schneller als führende Open-Weight-Modelle, mit 36 ​​% bis 48 % weniger Ausgabetokens.

Yashodha Bhavnani, Vizepräsident von AI Products bei Box, sagte, dass das Modell bei der AI Complex Work Eval von Box einen Vertrag Klausel für Klausel anhand des Verhandlungsleitfadens eines Unternehmens bewerten und so die korrekte Gesamtrisikobewertung erzielen könne. Cline-Gründer Saoud Rizwan bezeichnete Muse Ember als „speziell entwickelt“ für Subagentenarbeiten wie Codierung und Dokumentenanalyse, und Oracle SVP Konstantinos Papamiltiadis verwies auf großes Potenzial für Engineering-Teams.

Wichtige Punkte zu Verfügbarkeit und Gewichten

Muse Ember ist ab Montag über die Meta Model API verfügbar. In der Ankündigung wird die Open-Weight-Verfügbarkeit nicht erwähnt, daher sollten Teams, die selbst hosten, dies vorerst als reine API-Version behandeln. Meta Superintelligence Labs wird die Arbeit in Partnerzitaten gutgeschrieben.

Für Entwickler, die Agentenbündel zusammenstellen, bietet die Einführung eines günstigen, schnellen Subagentenmodells neben Claude Haiku 5.5 und GPT-6 Luna eine dritte große Option, die Muse Ember nun in den von Meta zitierten Benchmarks preislich bei vergleichbarer Qualität unterbietet. Ob dieser Vorteil bei unabhängigen Tests, externen Metadaten, die aus künstlicher Analyse reproduziert wurden, bestehen bleibt, wird als nächstes zu beobachten sein.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →