Meta a présenté lundi Muse Ember, le modèle le plus petit et le plus efficace de sa famille Muse, destiné directement au travail de routine que les agents d'IA effectuent toute la journée : appels d'outils, sous-tâches de codage, routage, extraction et analyse de longs documents. Le modèle a été mis en ligne sur l'API Meta Model à 0,10 $ par million de jetons d'entrée et 0,50 $ par million de jetons de sortie.

Selon l'annonce de Meta, Muse Ember offre plus d'intelligence par dollar que Claude Haiku 5.5 ou GPT-6 Luna, quel que soit le paramètre de raisonnement. La société affirme que le modèle correspond au meilleur score de Haiku 5.5 à environ un tiers du coût et bat tous les paramètres de Luna, le plaçant à la frontière d'efficacité du classement de l'analyse artificielle, où aucun modèle n'obtient un score plus élevé pour moins d'argent par tâche. Pour plus de contexte sur cette histoire, consultez notre tendances IA.

Un modèle conçu pour les sous-tâches des agents

L'argument de Meta est que les agents modernes dépensent la majeure partie de leurs jetons sur de nombreuses petites étapes structurées plutôt que sur une réponse géante, et que Muse Ember est conçu exactement pour cette charge de travail. La société décrit un modèle capable de gérer un flux de travail commercial de bout en bout, en extrayant des enregistrements, en appelant des outils en séquence et en mettant à jour les systèmes entre les applications.

La fenêtre contextuelle est exceptionnellement généreuse pour cette classe de modèle. Muse Ember accepte jusqu'à 1 million de jetons d'entrée et peut produire jusqu'à 512 000 jetons de sortie en un seul appel, suffisamment pour ingérer une base de code complète ou un ensemble de documents volumineux à la fois.

Benchmarks : des scores solides, un écart notable

Les chiffres principaux proviennent de données d'analyse artificielle datées du 9 novembre 2026, reproduites dans l'annonce de Meta. Sur l'indice d'intelligence d'analyse artificielle, Muse Ember a obtenu un score de 33,9 à 0,116 $ par tâche et de 35,8 à 0,136 $ par tâche dans ses paramètres de raisonnement les plus élevés. Le meilleur résultat de Claude Haiku 5,5 était de 36,2, mais il coûtait 0,411 $ par tâche, soit environ trois fois plus. GPT-6 Luna a culminé à 27,8. Sur l'indice global au raisonnement maximum, Muse Ember et Haiku 5,5 sont à égalité à 36, avec Luna à 28.

Les résultats au niveau des tâches affichent le même schéma :

  • Sur Terminal-Bench 4.0, qui mesure le codage de terminal agent, Muse Ember a obtenu un score de 40,9 au raisonnement maximum, devant Claude Haiku 5,5 à 39,2 et loin devant GPT-6 Luna à 16,4.
  • Sur AutomationBench-AA, une référence de flux de travail d'entreprise de bout en bout avec la note stricte pass@1, Muse Ember a atteint 37,8 contre 20,2 pour GPT-6 Luna et 13,9 pour Claude Haiku 5.5.
  • Lors du Agents' Last Exam, une évaluation interne Meta des tâches d'agent de bout en bout sur le sous-ensemble Linux, Muse Ember a obtenu un score de 61,6, devant Luna à 57,1 et Haiku 5,5 à 57,0.
  • Sur le Personal Superintelligence Index de Meta, un composite interne de travail personnel et de connaissances, Muse Ember a obtenu un score de 46,8 contre 37,0 pour Luna et 36,1 pour Haiku 5,5.
  • Sur OSWorld 2.1, une référence d'utilisation informatique pour les applications de bureau, Muse Ember a obtenu un score de 69,5 en correspondance partielle et de 27,8 en notation binaire.
  • Sur PerceptionBench with tools, un test de perception visuelle fine, Muse Ember est en tête avec 80,6 contre 78,6 pour Haiku 5.5 et 62,8 pour Luna.

Il y a une lacune qui mérite d’être signalée. Sur FrontierCode 2.0-AA, qui évalue de véritables tâches d'ingénierie selon si le code résultant peut fusionner, Claude Haiku 5,5 est en tête avec 34,9, avec Muse Ember à 27,2 et GPT-6 Luna à 25,2. Cela rappelle que les références divergent et que les équipes doivent faire correspondre les modèles à leurs charges de travail réelles plutôt qu'à un seul classement.

Que signifient les chiffres d'efficacité

Le cadrage du coût par tâche est celui où Meta crée le contraste le plus marqué. Haiku 5.5 devait dépenser jusqu'à 0,411 $ par tâche à son paramètre de raisonnement le plus élevé pour atteindre son meilleur score de 36,2, tandis que Muse Ember affichait 35,8 à 0,136 $. Le meilleur score de Luna, de 27,8, s'élève à 0,152 $ par tâche, soit au-dessus du prix de Muse Ember et bien en dessous de ses scores. Pour les groupes d'agents qui exécutent des centaines de sous-tâches par session, le coût par tâche augmente rapidement, ce qui est exactement le segment ciblé par Meta.

Ce que rapportent les premiers partenaires

L'annonce de Meta inclut les premiers résultats de cinq partenaires : Box, Cline, Oracle, Cloudflare et You.com.

Dane Knecht, directeur technique de Cloudflare, a déclaré que Muse Ember fonctionnait « jusqu'à 30 % plus rapidement que le modèle comparable que nous avons testé » et gérait bien les tâches d'enquête étendues et multi-dépôts, le qualifiant de parfaitement adapté aux charges de travail agentiques à haut débit.

Sur You.com, Chak Pothina, responsable de l'inférence, a rapporté que Muse Ember avait terminé chaque quête de codage lors des tests de l'entreprise avec la latence la plus faible de tous les modèles essayés, un p95 de 2,2 secondes. C'est, selon Pothina, environ 4 à 13 fois plus rapide que les principaux modèles à poids ouvert, avec 36 à 48 % de jetons de sortie en moins.

Yashodha Bhavnani, vice-président des produits IA de Box, a déclaré que lors de l'évaluation des travaux complexes d'IA de Box, le modèle pourrait obtenir un contrat en fonction du manuel de négociation d'une entreprise, clause par clause, et aboutir à la bonne évaluation du risque global. Le fondateur de Cline, Saoud Rizwan, a qualifié Muse Ember de « spécialement conçu » pour le travail de sous-agents comme le codage et l'analyse de documents, et le vice-président senior d'Oracle, Konstantinos Papamiltiadis, a cité un fort potentiel pour les équipes d'ingénierie.

Points notables sur la disponibilité et les poids

Muse Ember est disponible via l'API Meta Model à partir de lundi. L'annonce ne mentionne pas la disponibilité du poids ouvert, les équipes qui s'auto-hébergent doivent donc traiter cela comme une version API uniquement pour le moment. Meta Superintelligence Labs est crédité du travail dans les citations des partenaires.

Pour les développeurs qui assemblent des harnais d'agents, l'arrivée d'un modèle de sous-agent rapide et bon marché ajoute une troisième option majeure aux côtés de Claude Haiku 5.5 et GPT-6 Luna, dont Muse Ember réduit désormais le prix à une qualité comparable sur les références citées par Meta. La prochaine chose à surveiller sera de savoir si cet avantage se maintiendra lors de tests indépendants, en dehors des données méta reproduites à partir de l'analyse artificielle.

---

Restez à la Pointe de l'IA

Les dernières actualités, analyses et percées en IA — au même endroit.

Lire plus d'actualités IA →