Meta introduceerde maandag Muse Ember, het kleinste en meest efficiënte model in zijn Muse-familie, volledig gericht op het routinewerk dat AI-agenten de hele dag uitvoeren: toolaanroepen, subtaken coderen, routering, extractie en het parseren van lange documenten. Het model ging live op de Meta Model API voor $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens.

Volgens de aankondiging van Meta levert Muse Ember meer intelligentie per dollar dan Claude Haiku 5.5 of GPT-6 Luna, ongeacht de redenering. Het bedrijf zegt dat het model overeenkomt met de beste score van Haiku 5.5 voor ongeveer een derde van de kosten en elke Luna-instelling verslaat, waardoor het op de efficiëntiegrens van het Artificial Analysis-klassement komt te staan, waar geen enkel model hoger scoort voor minder geld per taak. Voor meer context over dit verhaal, zie ons AI-trends.

Een model gebouwd voor subtaken van agenten

Meta's betoog is dat moderne agenten het grootste deel van hun tokens besteden aan veel kleine, gestructureerde stappen in plaats van aan één gigantisch antwoord, en dat Muse Ember is ontworpen voor precies die werklast. Het bedrijf beschrijft een model dat een bedrijfsworkflow van begin tot eind kan uitvoeren, waarbij records kunnen worden opgehaald, tools op volgorde kunnen worden opgeroepen en systemen in verschillende applicaties kunnen worden bijgewerkt.

Het contextvenster is ongebruikelijk genereus voor deze modelklasse. Muse Ember accepteert maximaal 1 miljoen invoertokens en kan in één enkele oproep tot 512.000 uitvoertokens produceren, genoeg om in één keer een volledige codebase of een grote documentenset op te nemen.

Benchmarks: sterke scores, één opmerkelijk verschil

De belangrijkste cijfers zijn afkomstig van gegevens uit kunstmatige analyse van 9 november 2026, weergegeven in de aankondiging van Meta. Op de Artificial Analysis Intelligence Index scoorde Muse Ember 33,9 voor $ 0,116 per taak en 35,8 voor $ 0,136 per taak op de hoogste redeneringsinstellingen. Het beste resultaat van Claude Haiku 5.5 was 36,2, maar het kostte $ 0,411 per taak, ongeveer drie keer zoveel. GPT-6 Luna kwam uit op 27,8. Op de algemene index bij maximale redenering stonden Muse Ember en Haiku 5,5 op 36, terwijl Luna op 28 stond.

Resultaten op taakniveau laten hetzelfde patroon zien:

  • Op Terminal-Bench 4.0, dat agentische terminalcodering meet, scoorde Muse Ember 40,9 op max. redenering, vóór Claude Haiku 5,5 op 39,2 en ver boven GPT-6 Luna op 16,4.
  • Op AutomationBench-AA, een end-to-end zakelijke workflowbenchmark die werd gescoord met een strikte pass@1, behaalde Muse Ember een 37,8 versus 20,2 voor GPT-6 Luna en 13,9 voor Claude Haiku 5.5.
  • Op Agents' Last Exam, een interne Meta-evaluatie van end-to-end agenttaken op de Linux-subset, scoorde Muse Ember 61,6, vóór Luna met 57,1 en Haiku 5,5 met 57,0.
  • Op Meta's Personal Superintelligence Index, een interne samenstelling van persoonlijk en kenniswerk, scoorde Muse Ember 46,8 versus 37,0 voor Luna en 36,1 voor Haiku 5.5.
  • Op OSWorld 2.1, een benchmark voor computergebruik voor desktopapplicaties, scoorde Muse Ember 69,5 in gedeeltelijke matchscores en 27,8 in binaire scores.
  • Op PerceptionBench met tools, een fijnmazige visuele perceptietest, leidde Muse Ember met 80,6 tegen 78,6 voor Haiku 5,5 en 62,8 voor Luna.

Er is één kloof die de moeite waard is om te signaleren. Op FrontierCode 2.0-AA, dat echte technische taken beoordeelt op basis van de vraag of de resulterende code kan worden samengevoegd, leidde Claude Haiku 5.5 op 34.9, met Muse Ember op 27.2 en GPT-6 Luna op 25.2. Het herinnert ons eraan dat benchmarks uiteenlopen en dat teams modellen moeten afstemmen op hun werkelijke werklast in plaats van op één scorebord.

Wat de efficiëntiecijfers betekenen

Bij het framen van de kosten per taak tekent Meta het scherpste contrast. Haiku 5.5 moest op de hoogste redeneringsinstelling tot $ 0,411 per taak uitgeven om de beste score van 36,2 te bereiken, terwijl Muse Ember 35,8 noteerde voor $ 0,136. Luna's beste score van 27,8 kwam uit op $ 0,152 per taak, boven de prijs van Muse Ember en ruim onder de scores. Voor agentharnassen die honderden subtaken per sessie uitvoeren, lopen de kosten per taak snel op, wat precies het segment is waar Meta zich op richt.

Wat vroege partners melden

Meta's aankondiging omvat vroege resultaten van vijf partners: Box, Cline, Oracle, Cloudflare en You.com.

Cloudflare CTO Dane Knecht zei dat Muse Ember "tot 30% sneller aan de staart werkte dan het vergelijkbare model dat we hebben getest" en brede, multi-repo onderzoekstaken goed afhandelde, en noemde het een goede oplossing voor agentische workloads met hoge doorvoer.

Bij You.com meldde inferentieleider Chak Pothina dat Muse Ember elke codeermissie in de tests van het bedrijf voltooide met de laagste latentie van elk geprobeerd model, een p95 van 2,2 seconden. Dat is volgens Pothina ongeveer 4x tot 13x sneller dan toonaangevende open-weight-modellen, met 36% tot 48% minder outputtokens.

Box VP van AI Products Yashodha Bhavnani zei dat het model op Box's AI Complex Work Eval clausule voor clausule een contract zou kunnen scoren op basis van het onderhandelingsplaybook van een bedrijf en op de juiste algemene risicobeoordeling zou kunnen terechtkomen. Cline-oprichter Saoud Rizwan noemde Muse Ember 'speciaal gebouwd' voor subagentwerk zoals coderen en documentanalyse, en Oracle SVP Konstantinos Papamiltiadis noemde een groot potentieel voor technische teams.

Opvallende punten over beschikbaarheid en gewichten

Muse Ember is vanaf maandag beschikbaar via de Meta Model API. De aankondiging maakt geen melding van de beschikbaarheid van open gewichten, dus teams die zelf hosten moeten dit voorlopig beschouwen als een API-only release. Meta Superintelligence Labs wordt gecrediteerd voor het werk in partnercitaten.

Voor ontwikkelaars die agentharnassen assembleren, voegt de komst van een goedkoop, snel subagentmodel een derde belangrijke optie toe naast Claude Haiku 5.5 en GPT-6 Luna, die beide Muse Ember nu ondermijnen qua prijs en vergelijkbare kwaliteit op de benchmarks die Meta aanhaalt. Of dat voordeel standhoudt bij onafhankelijke tests, buiten de metagegevens die zijn gereproduceerd uit kunstmatige analyse, zal het volgende zijn dat we moeten bekijken.

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →