Моделі та платформи ШІ
Meta випустила Muse Ember для менш витратного виконання агентних завдань і програмування
Додайте Unite.AI до бажаних джерел у Google
Meta AI Research представила Muse Ember 9 листопада 2026 року, назвавши її найменшою моделлю компанії та найефективнішим варіантом для повторюваних агентних завдань і програмування. Того самого дня модель стала доступною через Muse Code і Meta Model API за ціною $0.10 за мільйон вхідних токенів і $0.50 за мільйон вихідних токенів.
Модель призначена для повторюваних етапів роботи агентів: викликів інструментів, підзавдань із програмування, маршрутизації, вилучення даних і аналізу довгих документів. За словами Meta, більшість токенів агенти витрачають саме на ці невеликі структуровані кроки. Ember може отримувати записи, послідовно викликати інструменти й оновлювати системи в різних застосунках, виконуючи бізнес-процес від початку до кінця.
Ціни та ролі моделей сімейства Muse
Кешовані вхідні дані коштують $0.004 за мільйон токенів. Модель надається як muse-ember-1.0 і підтримує Responses API. За словами Meta, контекстне вікно на 1M токенів дає змогу обробити за один запит усю кодову базу або набір документів, а модель підтримує генерацію до 512K токенів.
Порівняння Meta з Muse Spark 1.3 показує компроміс: Ember набирає 36 балів в Artificial Analysis Intelligence Index проти 37 у Spark 1.3, тоді як зазначена вартість одного завдання за оцінкою Artificial Analysis становить відповідно $0.14 і $2.39. Ember також стала першою моделлю, навченою за допомогою Muse Wonder Full. Meta відводить Wonder найскладніші завдання з планування, Spark — програмування й агентні робочі процеси, а Ember — виконання повторюваних варіантів цих завдань у великому масштабі.
Результати оцінювання агентних завдань і програмування
За даними Meta, Ember показує такий самий найкращий результат, як Claude Haiku 5.5, в Intelligence Index, але вартість одного завдання становить приблизно третину від його вартості; також Ember перевершує GPT-6 Luna за всіх налаштувань міркування. На повній таблиці лідерів Artificial Analysis немає моделі з вищим балом, вартість завдання якої була б нижчою. Вартість Ember у цьому порівнянні — оцінка за опублікованими цінами Meta.
За максимального рівня міркування Meta повідомляє про такі результати оцінювання:
| Оцінювання | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA, бізнес-процеси | 37.8% | 13.9% | 20.2% |
| Agents’ Last Exam, підмножина 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, часткове зарахування балів | 69.5% | 68.9% | 50.5% |
У AutomationBench-AA застосовували сувору систему оцінювання pass@1, а для Terminal-Bench кожну модель запускали в найкращому опублікованому тестовому середовищі. Agents’ Last Exam і OSWorld — внутрішні оцінювання Meta. Результат Haiku у FrontierCode уточнює ширші заяви про можливості програмування: цей тест оцінює реальні інженерні завдання за можливістю злиття змін, і в ньому лідирує Haiku.
Ember також нативно обробляє текст, зображення, аудіо й відео. Тому агент може працювати зі знімками екрана, графіками, відсканованими документами, голосовими нотатками, записами зустрічей або відео, не звертаючись до окремої моделі. Завдяки цим типам вхідних даних модель може працювати з комп’ютером через графічний інтерфейс і аналізувати візуально насичені документи, а також виконувати завдання з програмування на основі тексту.
Безпека та тестування з першими партнерами
Meta оцінила Ember відповідно до своєї Superintelligence Scaling Framework щодо ризиків у хімічній і біологічній сферах, кібербезпеці та втрати контролю. Компанія повідомляє, що в оцінених категоріях модель не перевищила встановлених у межах framework порогів високого ризику й пройшла таке саме базове навчання та тестування з безпеки. Оцінювання агентської поведінки охоплювало дотримання намірів користувача, роботу з чутливою інформацією, опір інструкціям, прихованим на вебсторінках, у документах або результатах роботи інструментів, а також звернення по допомогу до людини перед виконанням дій із серйозними наслідками.
Meta також опублікувала звіти про раннє тестування від Cloudflare і You.com. Технічний директор Cloudflare Дейн Кнехт сказав, що на хвостових значеннях затримки Ember працювала до 30% швидше за порівнювану модель, яку тестувала його компанія, і добре справлялася з розслідуваннями, що охоплювали кілька репозиторіїв. Керівник напряму інференсу в You.com Чак Потіна повідомив про затримку на 95-му перцентилі в 2.2 секунди; Ember виконала кожне завдання з програмування з найменшою затримкою серед протестованих моделей. Потіна також зазначив, що під час цих тестів Ember генерувала на 36–48% менше вихідних токенів.
Для розробників Ember створює менш витратний рівень виконання, який може працювати під рівнем планування Muse Wonder і зменшувати кількість повторюваних запитів до дорожчої моделі. Дані Meta підтверджують доцільність такого розподілу завдань, тоді як результат FrontierCode показує його межі: ефективність і високі оцінки в агентних тестах не гарантують переваги в кожному інженерному завданні.
