Modelos e plataformas de IA
Meta lança Muse Ember para tarefas de agentes e programação a custos mais baixos
Adicione Unite.AI às suas fontes preferidas no Google
A Meta AI Research apresentou o Muse Ember em 9 de novembro de 2026, descrevendo-o como o menor modelo da empresa e a opção mais eficiente para tarefas repetitivas de agentes e programação. Ele ficou disponível no mesmo dia por meio do Muse Code e da Meta Model API, ao preço de US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída.
O modelo se destina à camada repetitiva da atividade dos agentes: chamadas de ferramentas, subtarefas de programação, encaminhamento, extração e análise de documentos longos. Segundo a Meta, os agentes gastam a maior parte de seus tokens nessas etapas pequenas e estruturadas. O Ember consegue recuperar registros, chamar ferramentas em sequência e atualizar sistemas em diferentes aplicativos, o que lhe permite executar um fluxo de trabalho empresarial do início ao fim.
Preços e funções da família Muse
Os tokens de entrada em cache custam US$ 0,004 por milhão. O modelo é disponibilizado como muse-ember-1.0 e oferece suporte à Responses API. Segundo a Meta, sua janela de contexto de 1 milhão de tokens pode acomodar uma base de código completa ou um conjunto de documentos em uma única chamada, enquanto o modelo aceita saídas de até 512 mil tokens.
A comparação da Meta com o Muse Spark 1.3 evidencia a contrapartida: o Ember marca 36 no Artificial Analysis Intelligence Index, contra 37 do Spark 1.3, enquanto os custos por tarefa indicados pela Artificial Analysis são, respectivamente, US$ 0,14 e US$ 2,39. O Ember também é o primeiro modelo treinado com o Muse Wonder Full. A divisão de funções pretendida pela Meta é deixar o Wonder planejar os problemas mais difíceis, o Spark cuidar da programação e dos fluxos de trabalho com agentes, e o Ember executar versões repetíveis dessas tarefas em grande escala.
Resultados das avaliações de agentes e programação
Segundo a Meta, o Ember iguala o melhor resultado do Claude Haiku 5.5 no Intelligence Index por cerca de um terço do custo por tarefa e supera o GPT-6 Luna em todas as configurações de raciocínio. Nenhum modelo na classificação completa da Artificial Analysis alcança uma pontuação maior por um custo menor por tarefa. Os custos do Ember nessa comparação são estimativas baseadas nos preços de tabela da Meta.
No nível máximo de raciocínio, a Meta informa os seguintes resultados de avaliação:
| Avaliação | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA, fluxos de trabalho empresariais | 37.8% | 13.9% | 20.2% |
| Agents’ Last Exam, subconjunto do 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, pontuação parcial | 69.5% | 68.9% | 50.5% |
O AutomationBench-AA usou uma pontuação estrita pass@1, e o Terminal-Bench avaliou cada modelo no melhor ambiente de execução publicado para ele. O Agents’ Last Exam e o OSWorld foram avaliações internas da Meta. O resultado do Haiku no FrontierCode traz uma ressalva à afirmação mais ampla sobre programação: esse benchmark avalia tarefas reais de engenharia com base na possibilidade de integração das alterações, e o Haiku lidera nele.
O Ember também processa nativamente texto, imagens, áudio e vídeo. Assim, um agente pode trabalhar a partir de capturas de tela, gráficos, documentos digitalizados, mensagens de voz, gravações de reuniões ou vídeos sem recorrer a um modelo separado. Esses tipos de entrada ampliam o modelo de execução para incluir o uso de computadores de mesa e documentos com muitos detalhes visuais, além da programação baseada em texto.
Segurança e testes iniciais com parceiros
A Meta avaliou o Ember de acordo com seu Superintelligence Scaling Framework quanto a riscos químicos e biológicos, de cibersegurança e de perda de controle. A empresa informa que o modelo permaneceu abaixo dos limites de alto risco do framework em todas as categorias avaliadas e recebeu o mesmo treinamento e os mesmos testes fundamentais de segurança. As avaliações do comportamento dos agentes abrangeram o respeito à intenção do usuário, o tratamento de informações confidenciais, a resistência a instruções ocultas em páginas da web, documentos ou saídas de ferramentas e a busca por orientação humana antes de ações de alto impacto.
A Meta também publicou relatos de testes iniciais da Cloudflare e do You.com. Dane Knecht, diretor de tecnologia da Cloudflare, afirmou que o Ember foi até 30% mais rápido na latência de cauda do que o modelo comparável testado por sua empresa e lidou bem com investigações que abrangiam vários repositórios. Chak Pothina, responsável pela inferência no You.com, relatou uma latência no percentil 95 de 2,2 segundos e disse que o Ember concluiu todos os desafios de programação com a menor latência entre os modelos testados. Pothina também afirmou que, durante esses testes, o Ember gerou de 36% a 48% menos tokens de saída.
Para os desenvolvedores, o Ember oferece uma camada de execução de menor custo que pode funcionar abaixo do planejamento do Muse Wonder e reduzir o número de chamadas repetitivas feitas a um modelo mais caro. Os números da Meta respaldam essa divisão de tarefas, enquanto o resultado no FrontierCode aponta seu limite: eficiência e bons resultados em avaliações de agentes não garantem superioridade em todas as tarefas de engenharia.
