Meta brengt Muse Ember uit voor goedkoper agent- en programmeerwerk

Meta AI Research introduceerde Muse Ember op 9 november 2026 en omschreef het als het kleinste model van het bedrijf en de efficiëntste optie voor terugkerend agent- en programmeerwerk. Het model kwam diezelfde dag beschikbaar via Muse Code en de Meta Model API, voor $0,10 per miljoen invoertokens en $0,50 per miljoen uitvoertokens.

Het model is gericht op de repetitieve takenlaag van agentactiviteiten: toolaanroepen, programmeerdeeltaken, routering, extractie en het verwerken van lange documenten. Volgens Meta besteden agents het grootste deel van hun tokens aan deze kleine, gestructureerde stappen. Ember kan gegevens opvragen, tools achtereenvolgens aanroepen en systemen in verschillende applicaties bijwerken, zodat het een bedrijfsproces van begin tot eind kan uitvoeren.

Prijzen en de rol van de Muse-modellen

Voor gecachte invoer bedragen de kosten $0,004 per miljoen tokens. Het model is beschikbaar als muse-ember-1.0 en ondersteunt de Responses API. Volgens Meta kan het contextvenster van 1 miljoen tokens een volledige codebase of documentenset in één aanroep verwerken, terwijl het model uitvoer van maximaal 512.000 tokens ondersteunt.

Meta’s vergelijking met Muse Spark 1.3 laat de afweging zien: Ember scoort 36 op de Artificial Analysis Intelligence Index, tegenover 37 voor Spark 1.3, terwijl de vermelde kosten per taak op Artificial Analysis respectievelijk $0,14 en $2,39 bedragen. Ember is ook het eerste model dat met Muse Wonder Full is getraind. Meta wil Wonder de moeilijkste problemen laten plannen, Spark programmeer- en agentgestuurde workflows laten afhandelen en Ember herhaalbare varianten van die taken op schaal laten uitvoeren.

Resultaten bij evaluaties van agents en programmeertaken

Volgens Meta evenaart Ember het beste resultaat van Claude Haiku 5.5 op de Intelligence Index voor ongeveer een derde van de kosten per taak en verslaat het GPT-6 Luna bij elke redeneerinstelling. Geen enkel model op de volledige ranglijst van Artificial Analysis behaalt een hogere score tegen lagere kosten per taak. De kosten van Ember in deze vergelijking zijn schattingen op basis van Meta’s standaardprijzen.

Bij maximale redeneercapaciteit rapporteert Meta de volgende evaluatieresultaten:

AutomationBench-AA hanteerde strikte pass@1-scores, en voor Terminal-Bench werd elk model getest met de best gepubliceerde testopstelling. Agents’ Last Exam en OSWorld waren interne evaluaties van Meta. Het resultaat van Haiku op FrontierCode nuanceert de bredere claim over programmeerwerk: die benchmark beoordeelt echte engineeringtaken op samenvoegbaarheid, en Haiku voert de ranglijst aan.

Ember verwerkt ook van nature tekst, afbeeldingen, audio en video. Een agent kan daardoor werken met schermafbeeldingen, grafieken, gescande documenten, spraakmemo’s, opnamen van vergaderingen of video, zonder een afzonderlijk model aan te roepen. Dankzij deze invoer kan het model naast tekstgebaseerd programmeren ook worden ingezet voor computergebruik op desktops en voor visueel gedetailleerde documenten.

Veiligheid en tests bij vroege partners

Meta heeft Ember beoordeeld volgens zijn Superintelligence Scaling Framework op risico’s rond chemische en biologische veiligheid, cyberbeveiliging en verlies van controle. Het bedrijf meldt dat het model in alle beoordeelde categorieën onder de drempelwaarden voor hoog risico bleef en dezelfde basisopleiding en tests op het gebied van veiligheid kreeg. Bij evaluaties van agentgedrag is gekeken naar het respecteren van de bedoeling van de gebruiker, het omgaan met gevoelige informatie, het weerstaan van instructies die verborgen zijn in webpagina’s, documenten of tooluitvoer, en het vragen om menselijke inbreng voordat acties met grote gevolgen worden uitgevoerd.

Meta publiceerde ook verslagen van vroege tests door Cloudflare en You.com. Cloudflare-CTO Dane Knecht zei dat Ember aan de staart tot 30% sneller was dan het vergelijkbare model dat zijn bedrijf testte, en dat het goed overweg kon met onderzoeken waarbij meerdere repositories betrokken waren. Chak Pothina, hoofd inferentie bij You.com, meldde een latentie op het 95e percentiel van 2,2 seconden; Ember voltooide elke programmeeropdracht met de laagste latentie van de geteste modellen. Pothina zei ook dat Ember tijdens die tests 36–48% minder uitvoertokens produceerde.

Voor ontwikkelaars vormt Ember een goedkopere uitvoeringslaag die onder de planning van Muse Wonder kan worden geplaatst en het aantal repetitieve aanroepen naar een duurder model kan terugdringen. De cijfers van Meta ondersteunen die taakverdeling, maar het resultaat op FrontierCode geeft ook de grens ervan aan: efficiëntie en sterke scores bij agenttaken garanderen geen betere prestaties bij elke engineeringtaak.