Meta lance Muse Ember pour des tâches d’agent et de programmation à moindre coût

Meta AI Research a présenté Muse Ember le 9 novembre 2026, le décrivant comme le plus petit modèle de l’entreprise et son option la plus efficace pour les tâches répétitives liées aux agents et à la programmation. Il a été mis à disposition le même jour via Muse Code et l’API Meta Model, au prix de 0,10 $ par million de jetons d’entrée et de 0,50 $ par million de jetons de sortie.

Le modèle cible la couche répétitive de l’activité des agents : appels d’outils, sous-tâches de programmation, routage, extraction et analyse de documents longs. Selon Meta, les agents consacrent la majeure partie de leurs jetons à ces petites étapes structurées. Ember peut récupérer des dossiers, appeler des outils à la suite et mettre à jour des systèmes dans différentes applications, ce qui lui permet d’exécuter un processus métier de bout en bout.

Tarification et rôles des modèles de la famille Muse

Les jetons d’entrée mis en cache coûtent 0,004 $ par million. Le modèle est proposé sous la forme de muse-ember-1.0 et prend en charge l’API Responses. Selon Meta, sa fenêtre de contexte de 1 M de jetons peut accueillir une base de code complète ou un ensemble de documents en un seul appel, tandis que le modèle prend en charge des sorties allant jusqu’à 512 K jetons.

La comparaison de Meta avec Muse Spark 1.3 illustre le compromis : Ember obtient un score de 36 à l’Artificial Analysis Intelligence Index, contre 37 pour Spark 1.3, tandis que les coûts indiqués par tâche dans Artificial Analysis s’élèvent respectivement à 0,14 $ et 2,39 $. Ember est également le premier modèle entraîné à l’aide de Muse Wonder Full. Meta entend répartir les rôles ainsi : Wonder planifierait les problèmes les plus difficiles, Spark prendrait en charge la programmation et les processus agentiques, et Ember exécuterait à grande échelle des versions répétitives de ces tâches.

Résultats des évaluations des agents et de la programmation

Selon Meta, Ember égale le meilleur résultat de Claude Haiku 5.5 à l’Intelligence Index pour environ un tiers de son coût par tâche et surpasse GPT-6 Luna à tous les niveaux de raisonnement. Aucun modèle figurant dans le classement complet d’Artificial Analysis n’obtient un score supérieur pour un coût par tâche inférieur. Les coûts d’Ember dans cette comparaison sont des estimations fondées sur les tarifs publics de Meta.

Au niveau de raisonnement maximal, Meta communique les résultats d’évaluation suivants :

AutomationBench-AA a appliqué une notation stricte pass@1, et Terminal-Bench a évalué chaque modèle dans l’environnement de test publié où il obtenait ses meilleurs résultats. Agents’ Last Exam et OSWorld étaient des évaluations internes à Meta. Le résultat de Haiku à FrontierCode nuance les ambitions plus générales en matière de programmation : ce benchmark évalue des tâches d’ingénierie réelles en fonction de leur aptitude à être fusionnées, et Haiku y arrive en tête.

Ember traite également de manière native le texte, les images, l’audio et la vidéo. Un agent peut donc s’appuyer sur des captures d’écran, des graphiques, des documents numérisés, des mémos vocaux, des enregistrements de réunions ou des vidéos, sans faire appel à un modèle distinct. Ces entrées étendent le modèle d’exécution à l’utilisation d’un ordinateur de bureau et aux documents riches en éléments visuels, en plus de la programmation à partir de texte.

Sécurité et premiers essais menés par des partenaires

Meta a évalué Ember dans le cadre de son Superintelligence Scaling Framework, en examinant les risques chimiques et biologiques, les risques liés à la cybersécurité et ceux de perte de contrôle. L’entreprise indique que le modèle est resté sous les seuils de risque élevé du cadre dans toutes les catégories évaluées et qu’il a reçu la même formation et les mêmes tests fondamentaux en matière de sécurité. Les évaluations du comportement des agents ont porté sur le respect des intentions de l’utilisateur, le traitement des informations sensibles, la résistance aux instructions dissimulées dans des pages Web, des documents ou des sorties d’outils, ainsi que la sollicitation d’une intervention humaine avant des actions à fort impact.

Meta a également publié des témoignages issus des premiers essais menés par Cloudflare et You.com. Dane Knecht, directeur technique de Cloudflare, a déclaré qu’Ember affichait une latence de queue jusqu’à 30 % plus faible que le modèle comparable testé par son entreprise et qu’il gérait bien les investigations portant sur plusieurs dépôts. Chak Pothina, responsable de l’inférence chez You.com, a indiqué une latence au 95e centile de 2,2 secondes et précisé qu’Ember avait réalisé chaque défi de programmation avec la latence la plus faible parmi les modèles testés. Pothina a également déclaré qu’Ember avait généré de 36 à 48 % moins de jetons de sortie lors de ces essais.

Pour les développeurs, Ember constitue une couche d’exécution moins coûteuse qui peut se placer sous la planification de Muse Wonder et réduire le nombre d’appels répétitifs adressés à un modèle plus onéreux. Les chiffres de Meta étayent cette répartition du travail, tandis que le résultat à FrontierCode en marque les limites : une grande efficacité et de bons résultats dans les évaluations d’agents ne garantissent pas une supériorité pour toutes les tâches d’ingénierie.