Modele i platformy AI
Meta udostępnia Muse Ember do tańszej pracy agentowej i programowania
Dodaj Unite.AI do preferowanych źródeł w Google
Meta AI Research przedstawiła Muse Ember 9 listopada 2026 r., opisując go jako najmniejszy model firmy i jej najbardziej wydajne rozwiązanie do powtarzalnych zadań agentowych i programistycznych. Model udostępniono tego samego dnia za pośrednictwem Muse Code i Meta Model API. Jego cena wynosi 0,10 USD za milion tokenów wejściowych i 0,50 USD za milion tokenów wyjściowych.
Model jest przeznaczony do powtarzalnych zadań wykonywanych przez agentów, takich jak wywoływanie narzędzi, podzadania programistyczne, kierowanie zadań, ekstrakcja danych i analiza długich dokumentów. Meta twierdzi, że agenci zużywają większość tokenów na te niewielkie, ustrukturyzowane czynności. Ember może pobierać dane, kolejno wywoływać narzędzia i aktualizować systemy w różnych aplikacjach, dzięki czemu potrafi realizować firmowy przepływ pracy od początku do końca.
Cennik i role modeli z rodziny Muse
Buforowane tokeny wejściowe kosztują 0,004 USD za milion. Model jest udostępniany jako muse-ember-1.0 i obsługuje Responses API. Meta twierdzi, że okno kontekstu o wielkości 1 mln tokenów pozwala uwzględnić w jednym wywołaniu całą bazę kodu lub zestaw dokumentów, a model może generować odpowiedzi o długości do 512 tys. tokenów.
Porównanie Meta z Muse Spark 1.3 pokazuje kompromis: Ember uzyskuje wynik 36 w Artificial Analysis Intelligence Index, a Spark 1.3 — 37; wymieniony koszt jednego zadania w Artificial Analysis wynosi odpowiednio 0,14 USD i 2,39 USD. Ember jest też pierwszym modelem wytrenowanym z użyciem Muse Wonder Full. Meta zakłada, że Wonder będzie planować rozwiązania najtrudniejszych problemów, Spark zajmie się programowaniem i przepływami pracy z udziałem agentów, a Ember będzie realizować powtarzalne zadania tego typu na dużą skalę.
Wyniki oceny zadań agentowych i programistycznych
Meta twierdzi, że Ember osiąga najlepszy wynik Claude Haiku 5.5 w Intelligence Index przy koszcie jednego zadania wynoszącym około jednej trzeciej kosztu tego modelu, a także przewyższa GPT-6 Luna przy każdym ustawieniu rozumowania. Żaden model z pełnego rankingu Artificial Analysis nie uzyskuje wyższego wyniku przy niższym koszcie pojedynczego zadania. Koszty Ember w tym porównaniu są szacunkami opartymi na cenniku Meta.
Meta podaje następujące wyniki uzyskane przy maksymalnym poziomie rozumowania:
| Test | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA, firmowe przepływy pracy | 37.8% | 13.9% | 20.2% |
| Agents’ Last Exam, podzbiór Linux | 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, częściowe punkty | 69.5% | 68.9% | 50.5% |
W AutomationBench-AA stosowano rygorystyczną ocenę pass@1, a w Terminal-Bench każdy model testowano w najlepszym opublikowanym środowisku testowym. Agents’ Last Exam i OSWorld to wewnętrzne testy Meta. Wynik Haiku w FrontierCode ogranicza zakres szerszych deklaracji dotyczących programowania: ten test ocenia rzeczywiste zadania inżynierskie pod kątem możliwości włączenia zmian do projektu, a Haiku osiąga w nim najlepsze wyniki.
Ember natywnie przetwarza również tekst, obrazy, dźwięk i wideo. Dzięki temu agent może korzystać ze zrzutów ekranu, wykresów, zeskanowanych dokumentów, notatek głosowych, nagrań ze spotkań lub filmów bez konieczności wywoływania osobnego modelu. Takie dane wejściowe rozszerzają zakres jego działania o obsługę komputera z poziomu pulpitu i analizę dokumentów bogatych w treści wizualne, uzupełniając programowanie oparte na tekście.
Bezpieczeństwo i wczesne testy partnerów
Meta oceniła Ember pod kątem zagrożeń chemicznych i biologicznych, cyberbezpieczeństwa oraz utraty kontroli, korzystając ze swojego Superintelligence Scaling Framework. Firma informuje, że we wszystkich ocenianych kategoriach model nie przekroczył progów wysokiego ryzyka określonych w tych ramach oraz przeszedł takie samo podstawowe szkolenie i testy w zakresie bezpieczeństwa. Oceny zachowania agentów obejmowały poszanowanie intencji użytkownika, ochronę wrażliwych informacji, odporność na instrukcje ukryte na stronach internetowych, w dokumentach lub wynikach działania narzędzi, a także zwracanie się o opinię człowieka przed podjęciem działań o poważnych skutkach.
Meta opublikowała również relacje z wczesnych testów przeprowadzonych przez Cloudflare i You.com. Dane Knecht, dyrektor ds. technologii w Cloudflare, powiedział, że Ember działał nawet o 30% szybciej w zakresie opóźnień ogonowych niż porównywalny model testowany przez jego firmę i dobrze radził sobie z analizą obejmującą wiele repozytoriów. Chak Pothina, kierujący zespołem ds. wnioskowania w You.com, podał opóźnienie na poziomie 2,2 sekundy dla 95. percentyla; Ember wykonał każde zadanie programistyczne z najniższym opóźnieniem spośród testowanych modeli. Pothina dodał, że w tych testach Ember generował o 36–48% mniej tokenów wyjściowych.
Dla programistów Ember stanowi tańszą warstwę wykonawczą, którą można umieścić pod warstwą planowania Muse Wonder, ograniczając liczbę powtarzalnych wywołań kierowanych do droższego modelu. Dane Meta przemawiają za takim podziałem zadań, ale wynik FrontierCode wskazuje jego granice: wysoka wydajność i dobre wyniki w testach agentowych nie gwarantują przewagi w każdym zadaniu inżynierskim.
