Zum Hauptinhalt springen

Metas Muse Ember: Ein günstiges KI-Modell für Agents

Metas Muse Ember ist ein günstiges multimodales Modell für die wiederholten Schritte in Agent-Workflows – mit einem 1M-Token-Kontextfenster, Benchmarks gegen Claude Haiku 5.5 und GPT-6 Luna und einer Rolle neben dem größeren Muse Wonder.
Dario Radečić
Dario Radečić

Erstelle dein kostenloses Konto

Üben und Lernpfad deinen Fortschritt.

Weiter mit GoogleWenn du fortfährst, akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und dass deine Daten in den USA gespeichert werden.

Diese Woche hat Meta Muse Ember angekündigt, sein kleinstes Modell. Ember tritt nicht bei harten Reasoning-Aufgaben an. Stattdessen übernimmt es die wiederholten Schritte in Agent-Workflows, während ein größeres Modell wie Muse Wonder die Planung übernimmt.

Muse Ember kostet $0.10 pro eine Million Eingabetokens und $0.50 pro eine Million Ausgabetokens für Prompts bis 200.000 Tokens. Meta sagt, es liefert mehr Intelligenz pro Dollar als Claude Haiku 5.5 und GPT-6 Luna und erreicht Haikus besten Wert im Artificial Analysis Intelligence Index bei etwa einem Drittel der Kosten pro Aufgabe.

In diesem Artikel zeige ich dir, was Muse Ember ist, wie Benchmarks und Preise im Vergleich abschneiden und wo es sich im Verhältnis zu den größeren Muse-Modellen einordnet.

Aber was ist eigentlich ein KI-Agent? Melde dich für unseren Kurs Introduction to AI Agents an und verstehe die Grundlagen in nur 90 Minuten.

Was ist Meta Muse Ember?

Muse Ember ist ein leichtgewichtiges multimodales Reasoning-Modell von Meta Superintelligence Labs. Es ist für die Arbeiten gebaut, die Agents den ganzen Tag wiederholen: Tool-Aufrufe, Coding-Teilaufgaben, Routing, Datenextraktion und das Arbeiten mit langen Dokumenten.

Es nimmt Text-, Bild-, Audio- und Videoeingaben entgegen, sodass ein Agent kein separates Modell pro Modalität benötigt. Das Kontextfenster umfasst 1 Million Tokens, und es kann bis zu 512.000 Ausgabetokens erzeugen. Du kannst es über Muse Code und die Meta Model API nutzen.

 Muse Ember
EntwicklerMeta Superintelligence Labs
Modell-IDmuse-ember-1.0
EingabetypenText, Bild, Audio, Video
Kontextfenster1.000.000 Tokens
Maximale Ausgabe512.000 Tokens
API-UnterstützungResponses API
VerfügbarkeitMuse Code, Meta Model API
 

Meta nennt es das „kleinste“ Modell, aber das bezieht sich nur auf seine Position im Meta-Portfolio. Die Ankündigung nennt keine Parameteranzahl.

Warum Meta Muse Ember für KI-Agents gebaut hat

Ein Chatbot macht pro Antwort einen Modellaufruf, ein Agent dagegen Hunderte in einer Session. Meta sagt, die meisten Tokens gehen für kleine, strukturierte Schritte drauf. Zum Beispiel:

  • Retrieval: Eine Datei lesen oder ein Dokument öffnen
  • Tool-Aufrufe: Einen Test ausführen oder eine API aufrufen
  • Routing: Jede Anfrage in den richtigen Workflow leiten
  • Edits: Eine Anwendung nach einer gezielten Codeänderung aktualisieren

Für die meisten dieser Schritte braucht es kein Spitzenmodell, aber die Kosten summieren sich. Selbst kleine Einsparungen pro Aufruf zählen, wenn ein Agent Hunderte oder Tausende davon macht.

Metas Antwort ist Arbeitsteilung: „Muse Wonder plant, Muse Ember stemmt das Volumen.“ Wonder übernimmt das schwierige Reasoning, Ember führt die wiederholten Schritte aus.

Nehmen wir an, ein Team migriert eine große Codebasis auf ein neues Framework. Wonder plant die Änderungsreihenfolge und zerlegt die Arbeit in Aufgaben. Ember liest dann jede Datei, macht die gezielte Änderung und führt die Tests aus – hunderte Male.

Muse Ember Benchmarks

Laut Meta liefert Muse Ember konkurrenzfähige Leistung zu deutlich geringeren Kosten als andere kleine Modelle. Im Artificial Analysis Intelligence Index erreichen Ember und Claude Haiku 5.5 beide 36, GPT-6 Luna kommt auf 28. Der Unterschied liegt bei den Kosten pro Aufgabe: etwa $0.14 für Ember, gegenüber rund $0.41 für Haiku und $0.15 für Luna.

BenchmarkMuse EmberClaude Haiku 5.5GPT-6 Luna
Artificial Analysis Intelligence Index363628
AutomationBench-AA37,8%13,9%20,2%
Agents’ Last Exam61,6%57,0%57,1%
Terminal-Bench 4.040,9%39,2%16,4%
FrontierCode 2.0-AA27,2%34,9%25,2%

Meta hat diese Ergebnisse am 9. November 2026 bei maximalem Reasoning-Aufwand gemeldet. Der Intelligence Index, AutomationBench-AA und FrontierCode 2.0-AA stammen von Artificial Analysis. Agents’ Last Exam ist eine Meta-interne Bewertung. Terminal-Bench 4.0 nutzt für jedes Modell das jeweils beste veröffentlichte Harness. Die vollständigen Details findest du in Metas Evaluationsbericht.

Agentische Workflows

Embers größter Vorsprung zeigt sich bei AutomationBench-AA, das Ende-zu-Ende-Geschäftsabläufe misst. Ember erreicht 37,8%, gegenüber 13,9% bei Haiku und 20,2% bei Luna.

Bei Agents’ Last Exam ist der Vorsprung kleiner – 61,6% gegenüber 57,0% und 57,1%. Das ist eine Meta-interne Bewertung auf einem Linux-Subset, also Metas eigene Messung.

Coding

Ember erzielt 40,9% bei Terminal-Bench 4.0, gegenüber 39,2% für Haiku und 16,4% für Luna. Allerdings lief jedes Modell in seinem eigenen Harness, der Vergleich ist also nicht völlig gleich. Im Artificial Analysis Coding Agent Index kommt Ember auf 46, Haiku auf 37 und Luna auf 31.

Bei FrontierCode 2.0-AA liegt Haiku vorne. Es erreicht 34,9%, gegenüber 27,2% bei Ember und 25,2% bei Luna – wichtig, wenn deine Agents Code schreiben, der direkt ins Repository geht.

Multimodale Aufgaben

Gegenüber Haiku fallen die multimodalen Unterschiede weniger ins Gewicht. Bei OSWorld 2.1, einem Test zur Computerbedienung, erzielt Ember 69,5% mit Teilpunktwertung, gegenüber 68,9% bei Haiku und 50,5% bei Luna.

Auf dem PerceptionBench, das feine visuelle Details misst, erreicht Ember 80,6% mit Tools, gegenüber 78,6% und 62,8%. Beides sind Meta-interne Bewertungen. Auf GDP.pdf-AA, das professionelle Arbeiten mit langen Dokumenten prüft, liegen Ember und Luna mit 22,8% gleichauf, Haiku erreicht 20,8%.

Muse Ember vs. Claude Haiku 5.5 und GPT-6 Luna

Alle drei Modelle sind mit $0.10 pro eine Million Eingabetokens und $0.50 pro eine Million Ausgabetokens für kurze Prompts gelistet. Deshalb lohnt sich ein genauer Vergleich.

Bei Intelligenz pro Dollar schätzt Meta, dass Ember Haikus besten Intelligence-Index-Wert zum etwa dreifach günstigeren Preis pro Aufgabe erreicht – ungefähr $0.14 statt $0.41. Die Tokenpreise sind gleich, die Differenz kommt also vom Tokenverbrauch pro Aufgabe. Luna kostet mit etwa $0.15 pro Aufgabe ähnlich viel wie Ember, erzielt aber 28 statt 36 Punkte.

Ember führt auch Metas agentische und multimodale Tests an. Es ist das einzige der drei, das Audio und Video verarbeitet, und erlaubt bis zu 512.000 Ausgabetokens, gegenüber 128.000 bei den anderen beiden. Die Kontextfenster sind in etwa gleich.

In einem Bereich ist Haiku stärker. Bei FrontierCode 2.0-AA, das Engineering-Aufgaben nach Mergefähigkeit bewertet, liegt es vorn. Das ist relevant, wenn deine Agents Code schreiben, der direkt ins Repository fließt.

Ember wirkt wie eine gute Wahl für Workflows mit hohem Durchsatz und vielen Routinen. Aber Meta hat diese Vergleiche ausgewählt und berichtet – teste also an deinem eigenen Workload, bevor du umstellst.

 Muse EmberClaude Haiku 5.5GPT-6 Luna
Preis pro 1 Mio. Tokens (Input/Output)$0.10 / $0.50$0.10 / $0.50$0.10 / $0.50
Höhere Tarife ab200K Tokens100K Tokens272K Tokens
Kontextfenster1M Tokens1M Tokens1,05M Tokens
Maximale Ausgabe512K Tokens128K Tokens128K Tokens
EingabetypenText, Bild, Audio, VideoText, BildText, Bild
Index-Score363628
Kosten pro Index-AufgabeEtwa $0.14Etwa $0.41Etwa $0.15

Index-Scores und Kosten pro Aufgabe beziehen sich auf maximalen Reasoning-Aufwand. Preisinformationen für Haiku 5.5 und GPT-6 Luna stammen aus den veröffentlichten Tarifen.

Muse Ember: Preise und Verfügbarkeit

Das kostet Muse Ember pro eine Million Tokens bei Prompts mit bis zu 200.000 Eingabetokens:

API-NutzungPreis pro 1 Mio. Tokens
Input$0.10
Gecachter Input$0.004
Output$0.50

Längere Prompts kosten mehr. Über 200.000 Eingabetokens steigen Metas Tarife auf $0.30 für Input und $1.50 für Output pro eine Million Tokens, gecachter Input auf $0.012.

Das ist das Dreifache des Preises für kurze Prompts. Die Schlagzeilenpreise gelten also nicht für jede Kontextlänge – wenn deine Agents regelmäßig sehr große Prompts senden, plane das ein.

Die API-Modell-ID ist muse-ember-1.0, und Ember unterstützt die Responses API. Du kannst es über Muse Code und die Meta Model API nutzen. Meta listet es außerdem in der Google Cloud und der Oracle Cloud.

So passt Muse Ember in Metas KI-Modellfamilie

Meta beschreibt die Muse-Modelle als Portfolio, in dem jedes für eine andere Aufgabe gebaut ist.

Muse Wonder

Wonder ist für die härtesten Probleme wie schwieriges Reasoning und komplexe Aufgaben. In einem Agent-Workflow ist es das Modell, das plant.

Muse Spark

Spark ist für Coding und breitere agentische Workflows. In Metas Vergleich erzielt Spark 1.3 einen Intelligence-Index von 37 gegenüber 36 bei Ember, kostet aber $2.39 pro Aufgabe statt $0.14. Der Listenpreis liegt bei $1.25 pro eine Million Eingabetokens und $4.25 pro eine Million Ausgabetokens.

Muse Ember

Ember ist für skalierbare, wiederholbare Coding- und agentische Aufgaben gedacht. Meta sagt, es sei auch das erste Modell, das mit Muse Wonder Full trainiert wurde.

Was können Entwickler mit Muse Ember bauen?

Metas Ankündigung und erste Tests nennen einige konkrete Einsatzbereiche:

  • Dokumentanalyse: Box hat Verträge Klausel für Klausel gegen ein Verhandlungshandbuch bewertet
  • Repository-Arbeit: Cloudflare nutzte es für Multi-Repo-Untersuchungen; Meta sagt, es kann Tests ausführen und gezielte Fixes vornehmen
  • Multimodale Extraktion: Es kann gescannte Dokumente lesen oder mit Meetingaufzeichnungen arbeiten
  • Cross-App-Workflows: Es kann Datensätze abrufen und Systeme über Anwendungen hinweg aktualisieren

Angenommen, ein Support-Agent erhält eine Rückerstattungsanfrage mit Screenshot. Das größere Modell entscheidet, wie der Fall gelöst wird. Ember liest dann den Screenshot, holt den Bestelldatensatz und aktualisiert das Ticket.

Die gleiche Abfolge läuft für jedes Ticket – der Preis pro Aufruf bestimmt, was die gesamte Queue kostet.

Was Muse Ember für die Zukunft von KI-Agents bedeutet

Die entscheidende Kennzahl ist die Kosten pro erledigter Aufgabe, nicht die Kosten pro Token. Ein Modell mit niedrigem Tokenpreis kann teuer sein, wenn es viele Tokens braucht, um einen Job abzuschließen.

Das ändert die Modellauswahl. Statt „das stärkste Modell“ nimmst du für jeden Schritt die passende Fähigkeit zum passenden Preis. Ein größeres Modell plant, ein kleineres führt die Wiederholungen aus, und ein multimodales Modell wie Ember liest Screenshots und Aufzeichnungen ohne separate Modelle.

Bei langen autonomen Workflows müssen die Routinen günstig sein, damit der gesamte Lauf bezahlbar bleibt.

Meta ist allerdings nicht das einzige Labor, das ein kleines Modell für diese Rolle anbietet. Haiku 5.5 und GPT-6 Luna haben den gleichen Tokenlistenpreis – behalte sie im Blick.

Fazit

Muse Ember ist für die repetitiven Aufgaben gebaut, die KI-Agents den ganzen Tag erledigen. Es kostet $0.10 pro eine Million Eingabetokens und $0.50 pro eine Million Ausgabetokens, hat ein Kontextfenster von 1 Million Tokens und verarbeitet Text, Bild, Audio und Video.

Es ist dafür gedacht, neben größeren Modellen wie Muse Wonder zu laufen: Wonder plant, Ember führt die wiederholten Schritte aus. Viele Vergleiche stammen jedoch von Meta – deine eigenen Ergebnisse und Einsparungen hängen von Workload und Evaluations-Setup ab.

Wichtig ist: Wenn Meta recht behält, entsteht der nächste Wettbewerbsvorteil bei KI-Agents ebenso durch kluge Arbeitsteilung wie durch die Stärke des größten Modells.

Was sind die Best AI Agents in 2026? Lies unseren Blogpost, um Frameworks, No-Code-Tools und Enterprise-Plattformen zu vergleichen – inklusive Schritt-für-Schritt-Anleitung für Auswahl und Einsatz agentischer Automatisierung.

Dario Radečić

Autor

Dario Radečić

LinkedIn
Senior Data Scientist mit Sitz in Kroatien. Top Tech Writer mit über 700 veröffentlichten Artikeln, die mehr als 10 Millionen Mal aufgerufen wurden. Buchautor von Machine Learning Automation with TPOT.

FAQs

Was ist Muse Ember?

Muse Ember ist Metas kleinstes Modell von den Meta Superintelligence Labs. Es ist ein leichtgewichtiges multimodales Reasoning-Modell, das Text-, Bild-, Audio- und Videoeingaben verarbeitet und ein Kontextfenster von 1 Million Tokens hat.

Wofür wird Muse Ember verwendet?

Es ist für die wiederholten Aufgaben von KI-Agents gebaut, zum Beispiel Tool-Aufrufe, Coding-Teilaufgaben, Routing und Datenextraktion. Meta kombiniert es mit einem größeren Modell wie Muse Wonder: Das plant, während Ember die Wiederholungen ausführt.

Was kostet Muse Ember?

Für Prompts bis 200.000 Eingabetokens kostet es $0.10 pro eine Million Eingabetokens, $0.004 pro eine Million gecachter Eingabetokens und $0.50 pro eine Million Ausgabetokens. Oberhalb von 200.000 Eingabetokens steigen Input auf $0.30 und Output auf $1.50 pro eine Million Tokens.

Ist Muse Ember beim Coding besser als Claude Haiku 5.5?

Nicht in jedem Test. Ember kommt bei Terminal-Bench 4.0 auf 40,9% gegenüber 39,2% bei Haiku und auf 46 gegenüber 37 im Coding Agent Index. Bei FrontierCode 2.0-AA liegt Haiku jedoch vorn: 34,9% gegenüber 27,2%.

Wie kann ich auf Muse Ember zugreifen?

Du kannst es über Muse Code und die Meta Model API als muse-ember-1.0 nutzen, es unterstützt die Responses API. Meta listet es außerdem in der Google Cloud und der Oracle Cloud.

Themen

Künstliche Intelligenz

Ähnlich

Mehr anzeigen →