Meta wprowadziła w poniedziałek Muse Ember, najmniejszy i najbardziej wydajny model w rodzinie Muse, ukierunkowany bezpośrednio na rutynową pracę, którą agenci AI wykonują przez cały dzień: wywoływanie narzędzi, kodowanie podzadań, routing, ekstrakcja i analizowanie długich dokumentów. Model został udostępniony w Meta Model API po cenie 0,10 USD za milion tokenów wejściowych i 0,50 USD za milion tokenów wyjściowych.

Zgodnie z zapowiedzią Meta, Muse Ember zapewnia więcej inteligencji na dolara niż Claude Haiku 5.5 lub GPT-6 Luna przy dowolnym ustawieniu rozumowania. Firma twierdzi, że model ten dorównuje najlepszemu wynikowi Haiku 5.5 za mniej więcej jedną trzecią ceny i pobija wszystkie ustawienia Luny, plasując go na granicy wydajności w tabeli liderów sztucznej analizy, gdzie żaden model nie uzyskał wyższego wyniku za mniej pieniędzy za zadanie. Więcej kontekstu na ten temat znajdziesz w naszych trendy AI.

Model stworzony dla podzadań agenta

Meta twierdzi, że współcześni agenci wydają większość swoich tokenów na wiele małych, ustrukturyzowanych kroków, a nie na jedną gigantyczną odpowiedź, i że Muse Ember został zaprojektowany dokładnie pod kątem takiego obciążenia. Firma opisuje model, który umożliwia kompleksową realizację biznesowego przepływu pracy, pobieranie rekordów, wywoływanie narzędzi po kolei i aktualizowanie systemów w różnych aplikacjach.

Okno kontekstowe jest niezwykle obszerne jak na tę klasę modelu. Muse Ember akceptuje do 1 miliona tokenów wejściowych i może wygenerować do 512 000 tokenów wyjściowych w jednym wywołaniu, co wystarczy do jednoczesnego przyjęcia pełnej bazy kodu lub dużego zestawu dokumentów.

Testy porównawcze: dobre wyniki, jedna zauważalna luka

Liczby nagłówkowe pochodzą z danych sztucznej analizy z dnia 9 listopada 2026 r., zamieszczonych w ogłoszeniu Meta. W indeksie sztucznej inteligencji Muse Ember uzyskała wynik 33,9 przy 0,116 USD za zadanie i 35,8 przy 0,136 USD za zadanie w najwyższych ustawieniach rozumowania. Najlepszy wynik Claude Haiku 5.5 wyniósł 36,2, ale koszt zadania wynosił 0,411 dolara, czyli mniej więcej trzy razy więcej. GPT-6 Luna osiągnęła szczyt na poziomie 27,8. W ogólnym indeksie przy maksymalnym rozumowaniu Muse Ember i Haiku 5.5 zremisowały na poziomie 36, a Luna na poziomie 28.

Wyniki na poziomie zadań pokazują ten sam wzorzec:

  • W Terminal-Bench 4.0, który mierzy agentyczne kodowanie terminala, Muse Ember uzyskała 40,9 przy maksymalnym rozumowaniu, wyprzedzając Claude'a Haiku 5,5 z wynikiem 39,2 i znacznie wyprzedzając GPT-6 Luna z wynikiem 16,4.
  • W AutomationBench-AA, kompleksowym teście przepływu pracy w biznesie, który uzyskał rygorystyczny wynik @ 1, Muse Ember osiągnął 37,8 w porównaniu z 20,2 dla GPT-6 Luna i 13,9 dla Claude Haiku 5.5.
  • W Agents' Last Exam, wewnętrznej ocenie Meta obejmującej kompleksowe zadania agentów w podzbiorze systemu Linux, Muse Ember uzyskała wynik 61,6, wyprzedzając Lunę z wynikiem 57,1 i Haiku 5,5 z wynikiem 57,0.
  • W Indeksie superinteligencji osobistej Meta, będącym wewnętrznym połączeniem pracy osobistej i wiedzy, Muse Ember uzyskała wynik 46,8 w porównaniu z 37,0 w przypadku Luny i 36,1 w przypadku Haiku 5.5.
  • W OSWorld 2.1, teście porównawczym użycia komputera w aplikacjach komputerowych, Muse Ember uzyskał 69,5 w punktacji częściowego dopasowania i 27,8 w punktacji binarnej.
  • W PerceptionBench with Tools, szczegółowym teście percepcji wzrokowej, Muse Ember prowadziła z wynikiem 80,6 w porównaniu z 78,6 w przypadku Haiku 5,5 i 62,8 w przypadku Luny.

Jest jedna luka, którą warto zasygnalizować. W teście FrontierCode 2.0-AA, który ocenia rzeczywiste zadania inżynieryjne pod kątem możliwości połączenia powstałego kodu, Claude Haiku 5.5 prowadził z wynikiem 34,9, Muse Ember z wynikiem 27,2 i GPT-6 Luna z wynikiem 25,2. Przypomina to, że benchmarki są rozbieżne i że zespoły powinny dopasowywać modele do rzeczywistego obciążenia pracą, a nie do jednej tabeli liderów.

Co oznaczają liczby dotyczące wydajności

W przypadku kadrowania opartego na koszcie zadania Meta rysuje najostrzejszy kontrast. Haiku 5.5 musiało wydać do 0,411 USD na zadanie przy najwyższym ustawieniu rozumowania, aby osiągnąć najlepszy wynik 36,2, podczas gdy Muse Ember uzyskało 35,8 przy 0,136 USD. Najlepszy wynik Luny wynoszący 27,8 wyniósł 0,152 dolara za zadanie, czyli więcej niż cena Muse Ember i znacznie poniżej jej wyników. W przypadku zestawów agentów, które wykonują setki podzadań na sesję, koszt zadania szybko się zwiększa, czyli jest to dokładnie segment docelowy Meta.

Co zgłaszają pierwsi partnerzy

Ogłoszenie Meta obejmuje wstępne wyniki od pięciu partnerów: Box, Cline, Oracle, Cloudflare i You.com.

CTO Cloudflare, Dane Knecht, powiedział, że Muse Ember działał „nawet 30% szybciej na końcu niż porównywalny model, który testowaliśmy” i dobrze radził sobie z szerokimi zadaniami badawczymi obejmującymi wiele repozytoriów, nazywając go dobrym rozwiązaniem w przypadku wysokoprzepustowych obciążeń agentowych.

Na You.com lider wnioskowań Chak Pothina poinformował, że Muse Ember ukończył wszystkie zadania związane z kodowaniem w testach firmy z najniższym opóźnieniem ze wszystkich wypróbowanych modeli, p95 wynoszącym 2,2 sekundy. Oznacza to, według Pothiny, około 4x do 13x szybciej niż wiodące modele o otwartej wadze, przy 36% do 48% mniej tokenów wyjściowych.

Wiceprezes Box ds. produktów AI, Yashodha Bhavnani, powiedziała, że ​​w ramach oceny złożonej pracy AI firmy Box model może uzyskać kontrakt w oparciu o podręcznik negocjacyjny firmy klauzula po klauzuli i uzyskać prawidłową ogólną ocenę ryzyka. Założyciel Cline, Saoud Rizwan, nazwał Muse Ember „skonstruowanym specjalnie” do pracy pod agentów, takiej jak kodowanie i analiza dokumentów, a wiceprezes Oracle Konstantinos Papamiltiadis wspomniał o dużym potencjale zespołów inżynieryjnych.

Godne uwagi uwagi dotyczące dostępności i wagi

Od poniedziałku aplikacja Muse Ember jest dostępna za pośrednictwem interfejsu Meta Model API. W ogłoszeniu nie wspomniano o dostępności wersji open, więc zespoły, które samodzielnie hostują, powinny na razie traktować tę wersję jako wersję wyłącznie API. Laboratorium Meta Superintelligence Labs przypisuje się pracę w wycenach partnerów.

Dla programistów zajmujących się montażem wiązek agentów pojawienie się taniego, szybkiego modelu subagenta dodaje trzecią główną opcję obok Claude Haiku 5.5 i GPT-6 Luna, z których oba Muse Ember obniża teraz cenę przy porównywalnej jakości w benchmarkach cytowanych przez Meta. Niezależnie od tego, czy ta przewaga zostanie utrzymana w niezależnych testach, następną rzeczą do obejrzenia będą dane zewnętrzne Meta odtworzone ze sztucznej analizy.

---

Bądź na Bieżąco z AI

Najnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.

Czytaj więcej wiadomości AI →