A Meta apresentou o Muse Ember na segunda-feira, o menor e mais eficiente modelo de sua família Muse, voltado diretamente para o trabalho rotineiro que os agentes de IA realizam o dia todo: chamadas de ferramentas, subtarefas de codificação, roteamento, extração e análise de documentos longos. O modelo foi lançado na API Meta Model a US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída.

De acordo com o anúncio da Meta, o Muse Ember oferece mais inteligência por dólar do que Claude Haiku 5.5 ou GPT-6 Luna em qualquer configuração de raciocínio. A empresa diz que o modelo corresponde à melhor pontuação do Haiku 5.5 por cerca de um terço do custo e supera todas as configurações do Luna, colocando-o na fronteira de eficiência da tabela de classificação de Análise Artificial, onde nenhum modelo tem pontuação mais alta por menos dinheiro por tarefa. Para mais contexto sobre esta história, confira nossa atualizações de inteligência artificial.

Um modelo criado para subtarefas de agente

A proposta da Meta é que os agentes modernos gastam a maior parte de seus tokens em muitas etapas pequenas e estruturadas, em vez de uma resposta gigante, e que o Muse Ember foi projetado exatamente para essa carga de trabalho. A empresa descreve um modelo que pode levar um fluxo de trabalho de negócios de ponta a ponta, extraindo registros, chamando ferramentas em sequência e atualizando sistemas entre aplicativos.

A janela de contexto é extraordinariamente generosa para esta classe de modelo. Muse Ember aceita até 1 milhão de tokens de entrada e pode produzir até 512.000 tokens de saída em uma única chamada, o suficiente para ingerir uma base de código completa ou um grande conjunto de documentos de uma só vez.

Benchmarks: pontuações fortes, uma lacuna notável

Os números principais vêm de dados de Análise Artificial datados de 9 de novembro de 2026, reproduzidos no anúncio da Meta. No Índice de Inteligência de Análise Artificial, Muse Ember obteve pontuação de 33,9 com US$ 0,116 por tarefa e 35,8 com US$ 0,136 por tarefa em suas configurações de raciocínio mais altas. O melhor resultado do Claude Haiku 5.5 foi 36,2, mas custou US$ 0,411 por tarefa, cerca de três vezes mais. GPT-6 Luna atingiu o máximo em 27,8. No índice geral de raciocínio máximo, Muse Ember e Haiku 5.5 empataram em 36, com Luna em 28.

Os resultados no nível da tarefa mostram o mesmo padrão:

  • No Terminal-Bench 4.0, que mede a codificação de terminal de agente, Muse Ember obteve 40,9 no raciocínio máximo, à frente de Claude Haiku 5,5 com 39,2 e muito à frente de GPT-6 Luna com 16,4.
  • No AutomationBench-AA, um benchmark de fluxo de trabalho de negócios de ponta a ponta com pontuação estrita pass@1, Muse Ember atingiu 37,8 contra 20,2 para GPT-6 Luna e 13,9 para Claude Haiku 5,5.
  • No Agents' Last Exam, uma avaliação interna Meta das tarefas completas do agente no subconjunto Linux, Muse Ember obteve pontuação de 61,6, à frente de Luna com 57,1 e Haiku 5,5 com 57,0.
  • No Índice de Superinteligência Pessoal da Meta, um composto interno de trabalho pessoal e de conhecimento, Muse Ember obteve pontuação de 46,8 contra 37,0 para Luna e 36,1 para Haiku 5,5.
  • No OSWorld 2.1, um benchmark de uso de computador em aplicativos de desktop, o Muse Ember obteve 69,5 na pontuação de correspondência parcial e 27,8 na pontuação binária.
  • No PerceptionBench with Tools, um teste de percepção visual refinado, Muse Ember liderou com 80,6 contra 78,6 para Haiku 5,5 e 62,8 para Luna.

Há uma lacuna que vale a pena assinalar. No FrontierCode 2.0-AA, que avalia tarefas reais de engenharia sobre se o código resultante pode ser mesclado, Claude Haiku 5.5 liderou com 34,9, com Muse Ember com 27,2 e GPT-6 Luna com 25,2. É um lembrete de que os benchmarks divergem e que as equipes devem combinar os modelos com suas cargas de trabalho reais, em vez de criar um único placar.

O que significam os números de eficiência

O enquadramento do custo por tarefa é onde Meta está traçando o contraste mais nítido. O Haiku 5.5 precisou gastar até US$ 0,411 por tarefa em sua configuração de raciocínio mais alta para atingir sua melhor pontuação de 36,2, enquanto o Muse Ember postou 35,8 a US$ 0,136. A melhor pontuação de Luna de 27,8 foi de US$ 0,152 por tarefa, acima do preço de Muse Ember e bem abaixo de sua pontuação. Para grupos de agentes que executam centenas de subtarefas por sessão, o custo por tarefa aumenta rapidamente, que é exatamente o segmento que a Meta está almejando.

O que os primeiros parceiros relatam

O anúncio da Meta inclui resultados iniciais de cinco parceiros: Box, Cline, Oracle, Cloudflare e You.com.

O CTO da Cloudflare, Dane Knecht, disse que o Muse Ember funcionou “até 30% mais rápido na cauda do que o modelo comparável que testamos” e lidou bem com tarefas amplas de investigação de vários repositórios, considerando-o uma excelente opção para cargas de trabalho de agentes de alto rendimento.

No You.com, o líder de inferência Chak Pothina relatou que Muse Ember completou todas as missões de codificação nos testes da empresa com a latência mais baixa de qualquer modelo tentado, um p95 de 2,2 segundos. Isto é, de acordo com Pothina, cerca de 4x a 13x mais rápido do que os principais modelos de peso aberto, com 36% a 48% menos tokens de saída.

O vice-presidente de produtos de IA da Box, Yashodha Bhavnani, disse que na avaliação de trabalho complexo de IA da Box, o modelo poderia marcar um contrato de acordo com o manual de negociação de uma empresa, cláusula por cláusula, e chegar à classificação de risco geral correta. O fundador da Cline, Saoud Rizwan, chamou o Muse Ember de "construído especificamente" para trabalhos de subagentes, como codificação e análise de documentos, e o vice-presidente sênior da Oracle, Konstantinos Papamiltiadis, citou um forte potencial para equipes de engenharia.

Pontos notáveis sobre disponibilidade e pesos

Muse Ember está disponível através da API Meta Model a partir de segunda-feira. O anúncio não menciona a disponibilidade de peso aberto, portanto, as equipes que auto-hospedam devem tratar isso como uma versão apenas de API por enquanto. Meta Superinteligência Labs é creditado pelo trabalho em cotações de parceiros.

Para desenvolvedores que montam chicotes de agentes, a chegada de um modelo de subagente rápido e barato adiciona uma terceira opção principal ao lado de Claude Haiku 5.5 e GPT-6 Luna, ambos os quais Muse Ember agora reduz o preço e qualidade comparável nos benchmarks que Meta cita. Se essa vantagem se mantém sob testes independentes, fora dos dados Meta reproduzidos da Análise Artificial, será a próxima coisa a observar.

---

Fique à Frente da IA

As últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.

Ler mais notícias de IA →