Meta lancerer Muse Ember til billigere agent- og kodningsarbejde

Meta AI Research lancerede Muse Ember den 9. november 2026 og beskrev modellen som virksomhedens mindste model og mest effektive løsning til gentagne agent- og kodningsopgaver. Den blev tilgængelig samme dag via Muse Code og Meta Model API til en pris på 0,10 $ pr. million inputtokens og 0,50 $ pr. million outputtokens.

Modellen er rettet mod de gentagne opgaver, som udgør en del af agenters arbejde: værktøjskald, kodningsdelopgaver, routing, dataudtræk og gennemgang af lange dokumenter. Meta siger, at agenter bruger de fleste af deres tokens på disse små, strukturerede trin. Ember kan hente data, kalde værktøjer i rækkefølge og opdatere systemer på tværs af applikationer, så den kan udføre en forretningsproces fra start til slut.

Priser og Muse-familiens roller

Cachede input koster 0,004 $ pr. million tokens. Modellen stilles til rådighed som muse-ember-1.0 og understøtter Responses API. Meta siger, at kontekstvinduet på 1 mio. tokens kan rumme en hel kodebase eller dokumentsamling i ét kald, mens modellen understøtter output på op til 512.000 tokens.

Metas sammenligning med Muse Spark 1.3 viser afvejningen: Ember får 36 på Artificial Analysis Intelligence Index mod Spark 1.3’s 37, mens de oplyste omkostninger pr. Artificial Analysis-opgave er henholdsvis 0,14 $ og 2,39 $. Ember er også den første model, der er trænet med Muse Wonder Full. Meta har tænkt sig, at Wonder skal planlægge de sværeste problemer, Spark skal håndtere kodning og agentbaserede arbejdsgange, og Ember skal udføre gentagne versioner af disse opgaver i stor skala.

Resultater fra evaluering af agent- og kodningsopgaver

Meta siger, at Ember matcher Claude Haiku 5.5’s bedste resultat på Intelligence Index til cirka en tredjedel af omkostningen pr. opgave og slår GPT-6 Luna ved alle ræsonneringsindstillinger. Ingen model på den fulde Artificial Analysis-rangliste opnår en højere score til en lavere pris pr. opgave. Embers omkostninger i denne sammenligning er estimater baseret på Metas listepriser.

Ved maksimal ræsonnering rapporterer Meta følgende evalueringsresultater:

AutomationBench-AA brugte en streng pass@1-bedømmelse, og på Terminal-Bench blev hver model testet med den bedste offentliggjorte testopsætning. Agents’ Last Exam og OSWorld var interne evalueringer hos Meta. Haikus resultat på FrontierCode sætter den bredere påstand om kodning i perspektiv: Benchmarken evaluerer reelle udviklingsopgaver ud fra, om ændringer kan flettes ind, og Haiku fører an.

Ember behandler også tekst, billeder, lyd og video direkte. En agent kan derfor arbejde ud fra skærmbilleder, diagrammer, scannede dokumenter, talebeskeder, mødeoptagelser eller video uden at kalde en separat model. Disse input udvider udførelsesmodellen til brug af computere på skrivebordet og visuelt detaljerede dokumenter ud over tekstbaseret kodning.

Sikkerhed og tidlige tests hos partnere

Meta evaluerede Ember inden for rammerne af virksomhedens Superintelligence Scaling Framework for kemiske og biologiske risici, cybersikkerhedsrisici og risici for tab af kontrol. Virksomheden oplyser, at modellen holdt sig under rammeværkets tærskler for høj risiko i alle de vurderede kategorier og fik den samme grundlæggende sikkerhedstræning og -testning. Evalueringerne af agentadfærd omfattede respekt for brugerens hensigt, håndtering af følsomme oplysninger, modstandsdygtighed over for instruktioner skjult på websider, i dokumenter eller i værktøjsoutput samt indhentning af menneskelig vejledning før handlinger med stor indvirkning.

Meta offentliggjorde også beretninger fra tidlige tests hos Cloudflare og You.com. Cloudflares teknologidirektør Dane Knecht sagde, at Ember var op til 30 % hurtigere målt på halelatenstiden end den sammenlignelige model, som virksomheden testede, og at den håndterede undersøgelser på tværs af flere kodearkiver godt. You.coms ansvarlige for inferens, Chak Pothina, rapporterede en latenstid ved 95-percentilen på 2,2 sekunder, og Ember gennemførte alle kodningsopgaver med den laveste latenstid blandt de testede modeller. Pothina sagde også, at Ember genererede 36–48 % færre outputtokens under testene.

For udviklere skaber Ember et billigere udførelseslag, der kan placeres under Muse Wonders planlægning og reducere antallet af gentagne kald til en dyrere model. Metas tal understøtter denne arbejdsdeling, mens resultatet på FrontierCode viser dens begrænsning: høj effektivitet og gode resultater på agentopgaver garanterer ikke, at modellen er bedst til alle udviklingsopgaver.