KI-Modelle und Plattformen
Meta stellt Muse Ember für kostengünstigere Agenten- und Programmieraufgaben vor
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Meta AI Research stellte Muse Ember vor und bezeichnete es am 9. November 2026 als kleinstes Modell des Unternehmens und als effizienteste Option für wiederkehrende Agenten- und Programmieraufgaben. Noch am selben Tag wurde es über Muse Code und die Meta Model API verfügbar gemacht. Der Preis beträgt 0,10 $ pro Million Eingabetokens und 0,50 $ pro Million Ausgabetokens.
Das Modell ist für die wiederkehrenden Tätigkeiten von Agenten ausgelegt: Tool-Aufrufe, Programmier-Teilaufgaben, Weiterleitung, Datenextraktion und das Auswerten langer Dokumente. Meta zufolge verwenden Agenten den Großteil ihrer Tokens auf diese kleinen, strukturierten Schritte. Ember kann Datensätze abrufen, Tools nacheinander aufrufen und Systeme anwendungsübergreifend aktualisieren. So kann es einen Geschäftsablauf von Anfang bis Ende ausführen.
Preise und Rollen innerhalb der Muse-Modellfamilie
Für zwischengespeicherte Eingaben fallen 0,004 $ pro Million Tokens an. Das Modell wird als muse-ember-1.0 und unterstützt die Responses API. Meta zufolge kann das Kontextfenster mit 1 Mio. Tokens eine vollständige Codebasis oder einen gesamten Dokumentensatz in einem Aufruf aufnehmen. Das Modell unterstützt Ausgaben von bis zu 512.000 Tokens.
Der Vergleich von Meta mit Muse Spark 1.3 verdeutlicht den Zielkonflikt: Ember erreicht im Artificial Analysis Intelligence Index 36 Punkte, Spark 1.3 dagegen 37. Die aufgeführten Kosten pro von Artificial Analysis bewerteter Aufgabe betragen 0,14 $ beziehungsweise 2,39 $. Ember ist außerdem das erste Modell, das mit Muse Wonder Full trainiert wurde. Meta sieht die Aufgabenverteilung so vor: Wonder soll die schwierigsten Probleme planen, Spark Programmierung und agentische Arbeitsabläufe übernehmen und Ember wiederholbare Varianten dieser Aufgaben in großem Maßstab ausführen.
Ergebnisse bei der Bewertung von Agenten- und Programmieraufgaben
Meta zufolge erzielt Ember beim besten Ergebnis im Intelligence Index denselben Wert wie Claude Haiku 5.5 – bei ungefähr einem Drittel der Kosten pro Aufgabe – und übertrifft GPT-6 Luna bei jeder Einstellung für Schlussfolgerungen. Auf der vollständigen Rangliste von Artificial Analysis erzielt kein Modell pro Aufgabe einen höheren Wert bei geringeren Kosten. Die Kosten von Ember in diesem Vergleich beruhen auf Schätzungen anhand der Listenpreise von Meta.
Bei maximaler Schlussfolgerungsleistung meldet Meta die folgenden Bewertungsergebnisse:
| Bewertung | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA, Geschäftsabläufe | 37.8% | 13.9% | 20.2% |
| Agents’ Last Exam, Linux-Teilmenge | 61.6% | 57.0% | 57.1% |
| Terminal-Bench 4.0 | 40.9% | 39.2% | 16.4% |
| Coding Agent Index-AA | 46 | 37 | 31 |
| FrontierCode 2.0-AA | 27.2% | 34.9% | 25.2% |
| OSWorld 2.1, Teilpunkte | 69.5% | 68.9% | 50.5% |
Bei AutomationBench-AA wurde streng nach pass@1 bewertet. Für Terminal-Bench kam jedes Modell in der besten veröffentlichten Testumgebung zum Einsatz. Agents’ Last Exam und OSWorld waren interne Bewertungen von Meta. Haikus Ergebnis bei FrontierCode schränkt das umfassendere Leistungsversprechen für Programmieraufgaben ein: Der Benchmark bewertet reale Entwicklungsaufgaben danach, ob sich die Ergebnisse zusammenführen lassen, und Haiku liegt dort vorn.
Ember verarbeitet außerdem nativ Text, Bilder, Audio und Video. Ein Agent kann daher mit Screenshots, Diagrammen, gescannten Dokumenten, Sprachnotizen, Gesprächsaufzeichnungen oder Videos arbeiten, ohne ein separates Modell aufzurufen. Diese Eingaben erweitern das Ausführungsmodell über textbasierte Programmierung hinaus auf die Bedienung von Desktop-Computern und die Verarbeitung visuell detaillierter Dokumente.
Sicherheit und Tests mit ersten Partnern
Meta bewertete Ember im Rahmen seines Superintelligence Scaling Framework im Hinblick auf chemische und biologische Risiken, Cybersicherheitsrisiken und das Risiko eines Kontrollverlusts. Das Unternehmen berichtet, dass das Modell in allen bewerteten Kategorien unter den Schwellenwerten des Frameworks für ein hohes Risiko blieb und dieselben grundlegenden Sicherheitsschulungen und -tests durchlief. Bei den Bewertungen des Agentenverhaltens wurde geprüft, ob das Modell die Absichten der Nutzer respektiert, mit sensiblen Informationen angemessen umgeht, Anweisungen widersteht, die in Webseiten, Dokumenten oder Tool-Ausgaben verborgen sind, und vor folgenreichen Aktionen menschliche Eingaben einholt.
Meta veröffentlichte außerdem Berichte über frühe Tests von Cloudflare und You.com. Cloudflare-CTO Dane Knecht sagte, Ember sei bei der Tail-Latenz bis zu 30 % schneller gewesen als das vergleichbare Modell, das sein Unternehmen getestet hatte, und habe sich bei Untersuchungen über mehrere Repositories hinweg bewährt. Chak Pothina, bei You.com für Inferenz zuständig, berichtete von einer Latenz am 95. Perzentil von 2,2 Sekunden. Ember habe dabei jede Programmieraufgabe mit der niedrigsten Latenz unter den getesteten Modellen abgeschlossen. Pothina sagte außerdem, Ember habe bei diesen Tests 36–48 % weniger Ausgabetokens erzeugt.
Für Entwickler bietet Ember eine kostengünstigere Ausführungsebene, die unter der Planungsfunktion von Muse Wonder angesiedelt werden kann und die Zahl der wiederkehrenden Aufrufe an ein teureres Modell verringert. Die Zahlen von Meta stützen diese Arbeitsteilung, während das Ergebnis bei FrontierCode ihre Grenzen aufzeigt: Hohe Effizienz und starke Ergebnisse bei Agentenaufgaben garantieren keine Überlegenheit bei jeder Entwicklungsaufgabe.
