मेटा ने सोमवार को म्यूज़ एम्बर पेश किया, जो अपने म्यूज़ परिवार में सबसे छोटा और सबसे कुशल मॉडल है, जिसका उद्देश्य एआई एजेंटों द्वारा पूरे दिन किए जाने वाले नियमित काम पर केंद्रित है: टूल कॉल, कोडिंग सबटास्क, रूटिंग, निष्कर्षण और लंबे दस्तावेज़ों को पार्स करना। मॉडल मेटा मॉडल एपीआई पर $0.10 प्रति मिलियन इनपुट टोकन और $0.50 प्रति मिलियन आउटपुट टोकन पर लाइव हुआ।
मेटा की घोषणा के अनुसार, म्यूज़ एम्बर किसी भी तर्क सेटिंग पर क्लाउड हाइकु 5.5 या जीपीटी-6 लूना की तुलना में प्रति डॉलर अधिक बुद्धिमत्ता प्रदान करता है। कंपनी का कहना है कि मॉडल लगभग एक तिहाई लागत पर हाइकू 5.5 के सर्वश्रेष्ठ स्कोर से मेल खाता है और हर लूना सेटिंग को मात देता है, इसे कृत्रिम विश्लेषण लीडरबोर्ड की दक्षता सीमा पर रखता है, जहां कोई भी मॉडल प्रति कार्य कम पैसे के लिए उच्च स्कोर नहीं करता है। For more context on this story, see our ongoing AI news.
एजेंट उपकार्यों के लिए निर्मित एक मॉडल
मेटा की बात यह है कि आधुनिक एजेंट अपने टोकन का बड़ा हिस्सा एक विशाल उत्तर के बजाय कई छोटे, संरचित चरणों पर खर्च करते हैं, और म्यूज़ एम्बर को ठीक उसी कार्यभार के लिए इंजीनियर किया गया है। कंपनी एक ऐसे मॉडल का वर्णन करती है जो व्यवसाय वर्कफ़्लो को शुरू से अंत तक ले जा सकता है, रिकॉर्ड खींच सकता है, अनुक्रम में टूल को कॉल कर सकता है, और सभी एप्लिकेशन में सिस्टम को अपडेट कर सकता है।
मॉडल के इस वर्ग के लिए संदर्भ विंडो असामान्य रूप से उदार है। म्यूज़ एम्बर 1 मिलियन तक इनपुट टोकन स्वीकार करता है और एक कॉल में 512,000 आउटपुट टोकन तक का उत्पादन कर सकता है, जो एक बार में पूर्ण कोडबेस या बड़े दस्तावेज़ सेट को निगलने के लिए पर्याप्त है।
बेंचमार्क: मजबूत स्कोर, एक उल्लेखनीय अंतर
हेडलाइन नंबर 9 नवंबर, 2026 के कृत्रिम विश्लेषण डेटा से आते हैं, जिसे मेटा की घोषणा में पुन: प्रस्तुत किया गया है। आर्टिफिशियल एनालिसिस इंटेलिजेंस इंडेक्स पर, म्यूज़ एम्बर ने अपनी उच्चतम तर्क सेटिंग्स में $0.116 प्रति कार्य पर 33.9 और $0.136 प्रति कार्य पर 35.8 स्कोर किया। क्लाउड हाइकु 5.5 का सर्वोत्तम परिणाम 36.2 था, लेकिन इसकी लागत प्रति कार्य $0.411 थी, जो लगभग तीन गुना अधिक थी। GPT-6 लूना 27.8 पर शीर्ष पर रहा। अधिकतम तर्क पर समग्र सूचकांक पर, म्यूज़ एम्बर और हाइकु 5.5 36 पर, लूना 28 पर बराबरी पर रहे।
कार्य-स्तर के परिणाम समान पैटर्न दिखाते हैं:
- टर्मिनल-बेंच 4.0 पर, जो एजेंटिक टर्मिनल कोडिंग को मापता है, म्यूज़ एम्बर ने अधिकतम रीजनिंग में 40.9 स्कोर किया, 39.2 पर क्लाउड हाइकु 5.5 से आगे और 16.4 पर जीपीटी-6 लूना से काफी आगे।
- ऑटोमेशनबेंच-एए पर, सख्त पास@1 के साथ स्कोर किए गए एंड-टू-एंड बिजनेस वर्कफ़्लो बेंचमार्क, म्यूज़ एम्बर जीपीटी-6 लूना के लिए 37.8 बनाम 20.2 और क्लाउड हाइकु 5.5 के लिए 13.9 तक पहुंच गया।
- एजेंट्स लास्ट एग्जाम में, लिनक्स सबसेट पर एंड-टू-एंड एजेंट कार्यों का एक मेटा आंतरिक मूल्यांकन, म्यूज़ एम्बर ने 61.6 स्कोर किया, लूना से 57.1 और हाइकु 5.5 से 57.0 से आगे रहा।
- मेटा के पर्सनल सुपरइंटेलिजेंस इंडेक्स पर, जो व्यक्तिगत और ज्ञान कार्यों का एक आंतरिक संयोजन है, म्यूज़ एम्बर ने लूना के लिए 46.8 बनाम 37.0 और हाइकु 5.5 के लिए 36.1 स्कोर किया।
- डेस्कटॉप अनुप्रयोगों में कंप्यूटर-उपयोग बेंचमार्क OSWorld 2.1 पर, म्यूज़ एम्बर ने आंशिक-मैच स्कोरिंग में 69.5 और बाइनरी स्कोरिंग में 27.8 स्कोर किया।
- उपकरणों के साथ परसेप्शनबेंच पर, एक बारीक दृश्य धारणा परीक्षण, म्यूज़ एम्बर हाइकु 5.5 के लिए 78.6 के मुकाबले 80.6 और लूना के लिए 62.8 के साथ आगे रहा।
वहाँ एक कमी है जो चिन्हित करने लायक है। फ्रंटियरकोड 2.0-एए पर, जो वास्तविक इंजीनियरिंग कार्यों का मूल्यांकन करता है कि परिणामी कोड मर्ज हो सकता है या नहीं, क्लाउड हाइकु 5.5 34.9 पर आगे है, म्यूज़ एम्बर 27.2 पर और जीपीटी-6 लूना 25.2 पर है। यह एक अनुस्मारक है कि बेंचमार्क अलग-अलग होते हैं और टीमों को एकल लीडरबोर्ड के बजाय अपने वास्तविक कार्यभार के अनुसार मॉडल का मिलान करना चाहिए।
दक्षता संख्याओं का क्या मतलब है
लागत-प्रति-कार्य निर्धारण वह जगह है जहां मेटा सबसे तीव्र विरोधाभास चित्रित कर रहा है। हाइकु 5.5 को 36.2 के अपने सर्वोत्तम स्कोर तक पहुंचने के लिए उच्चतम तर्क सेटिंग पर प्रति कार्य $0.411 तक खर्च करने की आवश्यकता थी, जबकि म्यूज़ एम्बर ने $0.136 पर 35.8 पोस्ट किया था। लूना का 27.8 का सर्वश्रेष्ठ स्कोर $0.152 प्रति कार्य पर आया, जो म्यूज़ एम्बर की कीमत से अधिक और उसके स्कोर से काफी नीचे है। प्रति सत्र सैकड़ों उप-कार्य चलाने वाले एजेंट हार्नेस के लिए, प्रति-कार्य लागत तेजी से बढ़ती है, जो बिल्कुल वही खंड है जिसे मेटा लक्षित कर रहा है।
शुरुआती साझेदार क्या रिपोर्ट करते हैं
मेटा की घोषणा में पांच साझेदारों के शुरुआती परिणाम शामिल हैं: बॉक्स, क्लाइन, ओरेकल, क्लाउडफ्लेयर और You.com।
क्लाउडफ्लेयर सीटीओ डेन कनेच ने कहा कि म्यूज़ एम्बर "हमारे द्वारा परीक्षण किए गए तुलनीय मॉडल की तुलना में 30% अधिक तेजी से चला" और व्यापक, मल्टी-रेपो जांच कार्यों को अच्छी तरह से संभाला, इसे उच्च-थ्रूपुट एजेंटिक वर्कलोड के लिए एक मजबूत फिट बताया।
You.com पर, अनुमान प्रमुख चक पोथिना ने बताया कि म्यूज़ एम्बर ने कंपनी के परीक्षण में प्रत्येक कोडिंग खोज को आजमाए गए किसी भी मॉडल की सबसे कम विलंबता, 2.2 सेकंड के p95 के साथ पूरा किया। यानी, पोथिना के अनुसार, अग्रणी ओपन-वेट मॉडल की तुलना में लगभग 4x से 13x तेज, 36% से 48% कम आउटपुट टोकन के साथ।
एआई प्रोडक्ट्स की बॉक्स वीपी यशोदा भवनानी ने कहा कि बॉक्स के एआई कॉम्प्लेक्स वर्क इवल पर, मॉडल कंपनी के नेगोशिएशन प्लेबुक क्लॉज के खिलाफ एक अनुबंध हासिल कर सकता है और सही समग्र जोखिम रेटिंग पर पहुंच सकता है। क्लाइन के संस्थापक सऊद रिज़वान ने कोडिंग और दस्तावेज़ विश्लेषण जैसे सबएजेंट कार्यों के लिए म्यूज़ एम्बर को "उद्देश्य-निर्मित" कहा, और ओरेकल एसवीपी कॉन्स्टेंटिनो पापामिल्टिआडिस ने इंजीनियरिंग टीमों के लिए मजबूत क्षमता का हवाला दिया।
उपलब्धता और वज़न के बारे में उल्लेखनीय बिंदु
म्यूज़ियम एम्बर सोमवार से मेटा मॉडल एपीआई के माध्यम से उपलब्ध है। घोषणा में ओपन-वेट उपलब्धता का उल्लेख नहीं है, इसलिए स्वयं-मेज़बान टीमों को इसे अभी केवल एपीआई रिलीज़ के रूप में मानना चाहिए। पार्टनर कोट्स में मेटा सुपरइंटेलिजेंस लैब्स को काम का श्रेय दिया जाता है।
एजेंट हार्नेस को असेंबल करने वाले डेवलपर्स के लिए, एक सस्ते, तेज़ सबएजेंट मॉडल का आगमन क्लाउड हाइकू 5.5 और जीपीटी -6 लूना के साथ एक तीसरा प्रमुख विकल्प जोड़ता है, दोनों म्यूज़ एम्बर अब मेटा द्वारा उद्धृत बेंचमार्क पर तुलनीय गुणवत्ता पर कीमत में कटौती करते हैं। क्या वह लाभ स्वतंत्र परीक्षण के अंतर्गत रहता है, कृत्रिम विश्लेषण से पुनरुत्पादित बाहरी डेटा मेटा, देखने वाली अगली बात होगी।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
