Meta ने सोमवारी Muse Ember सादर केले, हे त्याच्या Muse कुटुंबातील सर्वात लहान आणि सर्वात कार्यक्षम मॉडेल आहे, ज्याचे उद्दिष्ट एआय एजंट दिवसभर करत असलेल्या नित्य कामावर होते: टूल कॉल, कोडिंग सबटास्क, राउटिंग, एक्स्ट्रॅक्शन आणि लांब दस्तऐवज पार्स करणे. मॉडेल मेटा मॉडेल API वर $0.10 प्रति दशलक्ष इनपुट टोकन आणि $0.50 प्रति दशलक्ष आउटपुट टोकनवर लाइव्ह झाले.

मेटाच्या घोषणेनुसार, म्यूज एम्बर कोणत्याही तर्कसंगत सेटिंगमध्ये क्लॉड हायकू 5.5 किंवा GPT-6 लुना पेक्षा प्रति डॉलर अधिक बुद्धिमत्ता प्रदान करते. कंपनीचे म्हणणे आहे की मॉडेल हायकू 5.5 च्या सर्वोत्तम स्कोअरशी अंदाजे एक तृतीयांश किंमतीत जुळते आणि प्रत्येक लुना सेटिंगला मागे टाकते, ते कृत्रिम विश्लेषण लीडरबोर्डच्या कार्यक्षमतेच्या सीमारेषेवर ठेवते, जेथे प्रति कार्य कमी पैशात कोणतेही मॉडेल जास्त गुण मिळवत नाही. For more context on this story, see our ongoing latest AI developments.

एजंट सबटास्कसाठी तयार केलेले मॉडेल

मेटाची खेळपट्टी अशी आहे की आधुनिक एजंट त्यांच्या टोकन्सचा मोठा हिस्सा एका मोठ्या उत्तराऐवजी अनेक लहान, संरचित पायऱ्यांवर खर्च करतात आणि म्यूज एम्बर नेमक्या त्याच वर्कलोडसाठी तयार केले आहे. कंपनी अशा मॉडेलचे वर्णन करते जे व्यवसाय वर्कफ्लो शेवटपर्यंत घेऊन जाऊ शकते, रेकॉर्ड खेचणे, कॉलिंग टूल्स क्रमाने आणि सर्व अनुप्रयोगांमध्ये सिस्टम अपडेट करणे.

या वर्गाच्या मॉडेलसाठी संदर्भ विंडो असामान्यपणे उदार आहे. म्यूज एम्बर 1 दशलक्ष इनपुट टोकन स्वीकारते आणि एकाच कॉलमध्ये 512,000 आउटपुट टोकन तयार करू शकते, पूर्ण कोडबेस किंवा एक मोठा दस्तऐवज एकाच वेळी सेट करण्यासाठी पुरेसे आहे.

बेंचमार्क: मजबूत स्कोअर, एक लक्षणीय अंतर

मेटा च्या घोषणेमध्ये पुनरुत्पादित 9 नोव्हेंबर 2026 च्या आर्टिफिशियल ॲनालिसिस डेटावरून हेडलाइन नंबर आले आहेत. आर्टिफिशियल ॲनालिसिस इंटेलिजन्स इंडेक्सवर, म्युज एम्बरने प्रति टास्क $0.116 दराने 33.9 आणि त्याच्या सर्वोच्च तर्क सेटिंग्जमध्ये प्रति टास्क $0.136 वर 35.8 गुण मिळवले. क्लॉड हायकू 5.5 चा सर्वोत्कृष्ट परिणाम 36.2 होता, परंतु त्याची किंमत प्रति कार्य $0.411 होती, अंदाजे तिप्पट. GPT-6 Luna 27.8 वर टॉप आउट झाले. कमाल तर्कानुसार एकूण निर्देशांकावर, म्यूज एम्बर आणि हायकू 5.5 36 वर, लुना 28 वर बरोबरीत आहेत.

कार्य-स्तरीय परिणाम समान नमुना दर्शवतात:

  • टर्मिनल-बेंच 4.0 वर, जे एजंटिक टर्मिनल कोडिंगचे मोजमाप करते, म्यूज एम्बरने कमाल तर्कानुसार 40.9 गुण मिळवले, क्लॉड हायकू 5.5 च्या पुढे 39.2 वर आणि GPT-6 लुना 16.4 वर खूप स्पष्ट आहे.
  • AutomationBench-AA वर, एक एंड-टू-एंड बिझनेस वर्कफ्लो बेंचमार्क कठोर pass@1 सह स्कोअर केले, Muse Ember ने GPT-6 Luna साठी 20.2 विरुद्ध 37.8 आणि Claude Haiku 5.5 साठी 13.9 गाठले.
  • एजंट्सच्या शेवटच्या परीक्षेत, लिनक्स सबसेटवर एजंटच्या एंड-टू-एंड कार्यांचे मेटा अंतर्गत मूल्यमापन, म्यूज एम्बरने 57.1 वर लूना आणि 57.0 वर हायकू 5.5 च्या पुढे, 61.6 गुण मिळवले.
  • Meta च्या Personal Superintelligence Index वर, वैयक्तिक आणि ज्ञान कार्याचे अंतर्गत मिश्रण, Muse Ember ने Luna साठी 37.0 विरुद्ध 46.8 आणि Haiku 5.5 साठी 36.1 गुण मिळवले.
  • OSWorld 2.1 वर, डेस्कटॉप ऍप्लिकेशन्सवर संगणक-वापराचा बेंचमार्क, Muse Ember ने आंशिक-सामन्यातील स्कोअरिंगमध्ये 69.5 आणि बायनरी स्कोअरिंगमध्ये 27.8 गुण मिळवले.
  • पर्सेप्शनबेंच विथ टूल्स वर, एक बारीकसारीक व्हिज्युअल पर्सेप्शन चाचणी, म्यूज एम्बरने हायकू ५.५ साठी ७८.६ आणि लुनासाठी ६२.८ विरुद्ध ८०.६ मिळवले.

ध्वजांकित करण्यासारखे एक अंतर आहे. FrontierCode 2.0-AA वर, जो परिणामी कोड विलीन होऊ शकतो की नाही यावरील वास्तविक अभियांत्रिकी कार्यांचे न्याय करतो, क्लॉड हायकू 5.5 ने 34.9 वर, म्यूज एम्बर 27.2 वर आणि GPT-6 लुना 25.2 वर. हे एक स्मरणपत्र आहे की बेंचमार्क वेगळे होतात आणि संघांनी एकल लीडरबोर्डऐवजी मॉडेल्स त्यांच्या वास्तविक वर्कलोडशी जुळले पाहिजेत.

कार्यक्षमता संख्या म्हणजे काय

मेटा सर्वात तीव्र कॉन्ट्रास्ट रेखाटत आहे तेथे प्रत्येक कार्याची किंमत फ्रेमिंग आहे. हायकू 5.5 ला 36.2 च्या सर्वोत्तम स्कोअरपर्यंत पोहोचण्यासाठी त्याच्या सर्वोच्च तर्क सेटिंगमध्ये प्रति कार्य $0.411 पर्यंत खर्च करणे आवश्यक आहे, तर Muse Ember ने $0.136 वर 35.8 पोस्ट केले. Luna चा 27.8 चा सर्वोत्कृष्ट स्कोअर प्रति टास्क $0.152 वर आला, म्युज एम्बरच्या किमतीपेक्षा जास्त आणि त्याच्या स्कोअरपेक्षा खूपच कमी. प्रति सत्र शेकडो सबटास्क चालवणाऱ्या एजंट हार्नेससाठी, प्रति-कार्य खर्च त्वरीत वाढतो, जो मेटा लक्ष्य करत आहे.

काय प्रारंभिक भागीदार अहवाल

Meta च्या घोषणेमध्ये पाच भागीदारांचे प्रारंभिक परिणाम समाविष्ट आहेत: Box, Cline, Oracle, Cloudflare आणि You.com.

क्लाउडफ्लेअर सीटीओ डेन नेच्ट म्हणाले की म्यूज एम्बर "आम्ही चाचणी केलेल्या तुलनात्मक मॉडेलपेक्षा शेपटीवर 30% पर्यंत वेगाने धावले" आणि विस्तृत, मल्टी-रेपो तपास कार्ये चांगल्या प्रकारे हाताळली, उच्च-थ्रूपुट एजंटिक वर्कलोड्ससाठी ते एक मजबूत फिट आहे.

You.com वर, निष्कर्ष लीड चक पोथिनाने अहवाल दिला की म्युज एम्बरने कंपनीच्या चाचणीमधील प्रत्येक कोडिंग शोध पूर्ण केला, कोणत्याही मॉडेलच्या सर्वात कमी विलंबाने, p95 2.2 सेकंद. म्हणजेच, पोथिनाच्या मते, 36% ते 48% कमी आउटपुट टोकनसह, आघाडीच्या ओपन-वेट मॉडेल्सपेक्षा सुमारे 4x ते 13x वेगाने.

एआय प्रॉडक्ट्सच्या बॉक्स व्हीपी यशोधा भवनानी यांनी सांगितले की, बॉक्सच्या एआय कॉम्प्लेक्स वर्क इव्हलवर, मॉडेल कंपनीच्या निगोशिएशन प्लेबुक क्लॉज विरुद्ध क्लॉजनुसार करार करू शकते आणि योग्य एकूण जोखीम रेटिंगवर उतरू शकते. क्लाइनचे संस्थापक सऊद रिझवान यांनी कोडिंग आणि दस्तऐवज विश्लेषणासारख्या सबएजंट कामासाठी म्यूज एम्बरला "उद्देश-निर्मित" म्हटले आणि ओरॅकल एसव्हीपी कॉन्स्टँटिनोस पापामिल्टिआडिस यांनी अभियांत्रिकी संघांसाठी मजबूत संभाव्यतेचा उल्लेख केला.

उपलब्धता आणि वजनांबद्दल उल्लेखनीय मुद्दे

म्यूज एम्बर सोमवारपासून मेटा मॉडेल API द्वारे उपलब्ध आहे. घोषणेमध्ये ओपन-वेट उपलब्धतेचा उल्लेख नाही, त्यामुळे सेल्फ-होस्ट करणाऱ्या टीम्सनी हे सध्यासाठी केवळ API-रिलीझ मानले पाहिजे. मेटा सुपरइंटेलिजेन्स लॅब्सला भागीदार कोट्समधील कामाचे श्रेय दिले जाते.

एजंट हार्नेस असेंबल करणाऱ्या विकासकांसाठी, स्वस्त, जलद सबएजंट मॉडेलचे आगमन क्लॉड हायकू 5.5 आणि GPT-6 लूना सोबत तिसरा प्रमुख पर्याय जोडते, जे दोन्ही म्यूज एम्बर आता बेंचमार्कवर तुलनात्मक गुणवत्तेवर किंमत कमी करते. तो फायदा स्वतंत्र चाचणी अंतर्गत आहे की नाही, बाहेरील डेटा मेटा कृत्रिम विश्लेषणातून पुनरुत्पादित केला जातो, हे पाहणे पुढील गोष्ट असेल.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →