У понеділок Meta представила Muse Ember, найменшу та найефективнішу модель у своєму сімействі Muse, спрямовану прямо на рутинну роботу, яку агенти штучного інтелекту виконують цілий день: виклики інструментів, кодування підзавдань, маршрутизація, вилучення та аналіз довгих документів. Модель була запущена в API Meta Model за 0,10 доларів США за мільйон вхідних токенів і 0,50 доларів США за мільйон вихідних токенів.

Згідно з оголошенням Meta, Muse Ember забезпечує більше інтелекту за долар, ніж Claude Haiku 5.5 або GPT-6 Luna за будь-яких умов міркування. Компанія каже, що модель відповідає найкращому результату Haiku 5.5 приблизно на третину вартості та перевершує всі параметри Luna, помістивши її на межу ефективності в таблиці лідерів штучного аналізу, де жодна модель не має вищого результату за менші гроші за завдання. For more context on this story, see our ongoing latest AI developments.

Модель, створена для підзавдань агента

Пропозиція Meta полягає в тому, що сучасні агенти витрачають основну частину своїх токенів на безліч маленьких, структурованих кроків, а не на одну гігантську відповідь, і що Muse Ember розроблено саме для такого навантаження. Компанія описує модель, яка може здійснювати бізнес-процеси від кінця до кінця, витягуючи записи, послідовно викликаючи інструменти та оновлюючи системи в різних програмах.

Контекстне вікно надзвичайно велике для цього класу моделей. Muse Ember приймає до 1 мільйона вхідних токенів і може створювати до 512 000 вихідних токенів за один виклик, цього достатньо, щоб отримати повну кодову базу або великий набір документів одночасно.

Контрольні показники: сильні результати, одна помітна прогалина

Заголовні цифри взяті з даних Artificial Analysis від 9 листопада 2026 року, відтворених в повідомленні Meta. За індексом штучного аналізу інтелекту Muse Ember отримав 33,9 бала при 0,116 долара за завдання та 35,8 при 0,136 долара за завдання за найвищих параметрів міркування. Найкращий результат Claude Haiku 5.5 був 36,2, але це коштувало 0,411 доларів за завдання, приблизно втричі більше. GPT-6 Luna перевищив 27,8. За загальним індексом із максимальним міркуванням Muse Ember і Haiku 5.5 порівняли 36, а Luna — 28.

Результати на рівні завдання показують ту саму закономірність:

  • На Terminal-Bench 4.0, який вимірює термінальне кодування агентів, Muse Ember набрала 40,9 балів за максимального міркування, випереджаючи Клода Хайку 5,5 з 39,2 і значно відриваючись від GPT-6 Luna з 16,4.
  • У AutomationBench-AA, тесті наскрізного бізнес-процесу, оцінка якого склала strict pass@1, Muse Ember досягла 37,8 проти 20,2 для GPT-6 Luna та 13,9 для Claude Haiku 5.5.
  • На Останньому іспиті агентів, внутрішньому мета-оцінці наскрізних завдань агента на підмножині Linux, Muse Ember набрала 61,6, випереджаючи Luna з 57,1 і Haiku 5,5 з 57,0.
  • За Індексом особистого суперінтелекту компанії Meta, внутрішньою сукупністю особистої роботи та роботи зі знаннями, Muse Ember отримала 46,8 балів проти 37,0 для Luna та 36,1 для Haiku 5,5.
  • У OSWorld 2.1, контрольному тесті використання комп’ютера в настільних програмах, Muse Ember набрала 69,5 балів за частковим збігом і 27,8 за двійковими балами.
  • У PerceptionBench with tools, детальному тесті візуального сприйняття, Muse Ember лідирувала з 80,6 проти 78,6 для Haiku 5.5 і 62,8 для Luna.

Є одна прогалина, яку варто позначити. У FrontierCode 2.0-AA, який оцінює реальні інженерні завдання щодо того, чи можна об’єднати отриманий код, Claude Haiku 5.5 лідирував із 34,9, Muse Ember – 27,2, а GPT-6 Luna – 25,2. Це нагадування про те, що тести відрізняються, і що командам слід узгоджувати моделі зі своїми фактичними навантаженнями, а не єдину таблицю лідерів.

Що означають показники ефективності

Фрейминг із ціною за завдання — це те, де Meta створює найрізкіший контраст. Haiku 5.5 потрібно було витратити до 0,411 дол. США на завдання при найвищому налаштуванні міркування, щоб досягти найкращого результату 36,2, тоді як Muse Ember опублікувала 35,8 при 0,136 дол. Найкращий результат Luna — 27,8 — $0,152 за завдання, що вище ціни Muse Ember і значно нижче її результатів. Для пакетів агентів, які виконують сотні підзавдань за сеанс, витрати на кожне завдання швидко зростають, а це саме той сегмент, на який орієнтується Meta.

Про що повідомляють перші партнери

Оголошення Meta включає попередні результати від п’яти партнерів: Box, Cline, Oracle, Cloudflare і You.com.

Дейн Кнехт, технічний директор Cloudflare, сказав, що Muse Ember працює «на 30% швидше, ніж аналогічна модель, яку ми тестували», і добре справляється з широкими завданнями дослідження кількох репо, назвавши його добре придатним для високопродуктивних агентських навантажень.

На сайті You.com керівник висновків Чак Потіна повідомив, що Muse Ember виконала кожен квест кодування під час тестування компанії з найнижчою затримкою серед усіх випробуваних моделей, p95 2,2 секунди. Це, за словами Потіни, приблизно в 4-13 разів швидше, ніж провідні відкриті моделі, з меншою кількістю вихідних токенів на 36-48%.

Віце-президент Box із продуктів штучного інтелекту Яшодха Бхавнані сказав, що на Box's AI Complex Work Eval модель може порівнювати контракт із статтею переговорів компанії за пунктом за пунктом і отримати правильний загальний рейтинг ризику. Засновник Cline Сауд Різван назвав Muse Ember «спеціально створеним» для субагентської роботи, як кодування та аналіз документів, а старший віце-президент Oracle Константінос Папамільтіадіс назвав великий потенціал інженерних команд.

Важливі моменти щодо наявності та ваги

Muse Ember доступний через Meta Model API з понеділка. В оголошенні не згадується доступність відкритої ваги, тому команди, які самостійно розміщують, повинні розглядати це як випуск лише для API. Meta Superintelligence Labs приписують роботу в партнерських цитатах.

Для розробників, які збирають джгути агентів, поява дешевої, швидкої субагентної моделі додає третю важливу опцію поряд із Claude Haiku 5.5 і GPT-6 Luna, обидва з яких Muse Ember тепер нижчі за ціною за порівнянної якості на тестах, які цитує Meta. Наступним, на що слід звернути увагу, чи збережеться ця перевага під час незалежного тестування, будуть зовнішні мета-дані, відтворені зі штучного аналізу.

---

Stay Ahead of AI

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

Read more AI news →