Muse Ember de Meta : un modèle d’IA économique conçu pour les agents

Cette semaine, Meta a annoncé Muse Ember, son plus petit modèle. Ember n’entre pas en compétition sur les tâches de raisonnement difficiles. Son rôle est d’exécuter les étapes répétitives d’un flux de travail d’agent, tandis qu’un modèle plus grand comme Muse Wonder s’occupe de la planification.

Muse Ember coûte 0,10 $ par million de tokens en entrée et 0,50 $ par million de tokens en sortie pour des invites allant jusqu’à 200 000 tokens. Meta affirme qu’il offre plus d’intelligence par dollar que Claude Haiku 5.5 et GPT-6 Luna, et qu’il égale le meilleur score de Haiku sur l’Artificial Analysis Intelligence Index pour environ un tiers du coût par tâche.

Dans cet article, je vous explique ce qu’est Muse Ember, comment ses benchmarks et ses tarifs se comparent, et où il se positionne face aux modèles Muse plus volumineux.

Mais qu’est-ce qu’un agent IA ? Inscrivez-vous à notre cours Introduction to AI Agents et maîtrisez les fondamentaux en 90 minutes.

Qu’est-ce que Meta Muse Ember ?

Muse Ember est un modèle léger de raisonnement multimodal développé par Meta Superintelligence Labs. Il est conçu pour le travail que les agents répètent toute la journée : appels d’outils, sous-tâches de codage, routage, extraction de données et traitement de longs documents.

Il accepte des entrées texte, image, audio et vidéo, évitant ainsi à un agent d’avoir besoin d’un modèle distinct pour chaque modalité. La fenêtre de contexte est de 1 million de tokens, et il peut générer jusqu’à 512 000 tokens en sortie. Vous pouvez l’utiliser via Muse Code et l’API Meta Model.

Meta parle de son « plus petit » modèle, mais cela renvoie simplement à sa place dans le portefeuille de modèles de Meta. L’annonce ne précise pas le nombre de paramètres.

Pourquoi Meta a conçu Muse Ember pour les agents IA

Un chatbot effectue un appel modèle par réponse, tandis qu’un agent en effectue des centaines au cours d’une session. Meta indique que la majorité de ses tokens sont consacrés à de petites étapes structurées. Par exemple :

• Récupération : lire un fichier ou ouvrir un document
• Appels d’outils : exécuter un test ou appeler une API
• Routage : envoyer chaque requête vers le bon flux de travail
• Modifications : mettre à jour une application après un changement de code ciblé

La plupart de ces étapes n’exigent pas un modèle de pointe, mais le coût s’accumule. Même une petite économie par appel compte quand un agent en fait des centaines ou des milliers.

La réponse de Meta : division du travail : « Muse Wonder planifie, Muse Ember encaisse le volume ». Wonder gère le raisonnement difficile, Ember exécute les étapes répétitives.

Imaginons une équipe qui migre une large base de code vers un nouveau framework. Wonder planifie l’ordre des changements et découpe le travail en tâches. Ember lit ensuite chaque fichier, applique la modification ciblée et lance les tests, des centaines de fois.

Benchmarks de Muse Ember

Selon Meta, Muse Ember offre une intelligence compétitive à un coût bien inférieur à celui d’autres petits modèles. Sur l’Artificial Analysis Intelligence Index, Ember et Claude Haiku 5.5 obtiennent tous deux 36, et GPT-6 Luna obtient 28. La différence se joue sur le coût par tâche : environ 0,14 $ pour Ember, contre 0,41 $ pour Haiku et 0,15 $ pour Luna.

Meta a communiqué ces résultats le 9 novembre 2026, à l’effort de raisonnement maximal. L’Intelligence Index, AutomationBench-AA et FrontierCode 2.0-AA proviennent d’Artificial Analysis. Agents’ Last Exam est une évaluation interne à Meta. Terminal-Bench 4.0 utilise le meilleur harnais publié par chaque modèle. Vous trouverez tous les détails dans le rapport d’évaluation de Meta.

Flux de travail agentiques

L’avance la plus nette d’Ember se voit sur AutomationBench-AA, qui mesure des workflows métier de bout en bout. Il atteint 37,8 %, contre 13,9 % pour Haiku et 20,2 % pour Luna.

Sur Agents’ Last Exam, l’écart est plus réduit : 61,6 % contre 57,0 % et 57,1 %. Il s’agit d’une évaluation interne de Meta sur un sous-ensemble Linux, donc c’est un résultat maison.

Codage

Ember obtient 40,9 % sur Terminal-Bench 4.0, contre 39,2 % pour Haiku et 16,4 % pour Luna. Mais chaque modèle a tourné dans son propre harnais, la comparaison n’est donc pas strictement équitable. Sur l’Artificial Analysis Coding Agent Index, Ember atteint 46, contre 37 pour Haiku et 31 pour Luna.

Haiku l’emporte sur FrontierCode 2.0-AA, qui évalue des tâches d’ingénierie selon la « mergeability ». Il obtient 34,9 %, contre 27,2 % pour Ember et 25,2 % pour Luna.

Tâches multimodales

Face à Haiku, les écarts en multimodal ne sautent pas aux yeux. Sur OSWorld 2.1, un test d’usage de l’ordinateur, Ember marque 69,5 % avec notation à crédit partiel, contre 68,9 % pour Haiku et 50,5 % pour Luna.

Sur PerceptionBench, qui mesure la finesse des détails visuels, il atteint 80,6 % avec outils, contre 78,6 % et 62,8 %. Ces deux évaluations sont internes à Meta. Sur GDP.pdf-AA, dédié aux travaux professionnels sur longs documents, Ember et Luna sont à égalité à 22,8 %, et Haiku obtient 20,8 %.

Muse Ember vs Claude Haiku 5.5 et GPT-6 Luna

Les trois modèles affichent 0,10 $ par million de tokens en entrée et 0,50 $ par million de tokens en sortie pour les invites courtes. D’où l’intérêt de les comparer et de noter les différences.

En intelligence par dollar, Meta affirme qu’Ember égale le meilleur score de Haiku sur l’Intelligence Index pour environ un tiers du coût par tâche, soit environ 0,14 $ contre 0,41 $. Les prix au token sont identiques ; l’écart vient donc du nombre de tokens consommés par tâche. Luna coûte à peu près autant qu’Ember à 0,15 $ par tâche, mais il obtient 28 au lieu de 36.

Ember domine aussi les tests agentiques et multimodaux de Meta. C’est le seul des trois à accepter l’audio et la vidéo, et il autorise jusqu’à 512 000 tokens de sortie, contre 128 000 pour les deux autres. Les fenêtres de contexte sont sensiblement équivalentes.

Haiku est plus fort sur un point : il obtient un meilleur score sur FrontierCode 2.0-AA, qui évalue les tâches d’ingénierie selon la « mergeability ». C’est crucial si vos agents écrivent du code qui est directement intégré au dépôt.

Ember semble un bon choix pour des workflows à fort volume composés d’étapes routinières. Mais Meta a choisi et rapporté ces comparaisons : testez-le sur votre propre charge avant de basculer.

Les scores Index et le coût par tâche sont mesurés à l’effort de raisonnement maximal. Les détails tarifaires de Haiku 5.5 et de GPT-6 Luna proviennent de leurs tarifs publiés.

Tarification et disponibilité de Muse Ember

Voici les coûts de Muse Ember par million de tokens pour des invites jusqu’à 200 000 tokens en entrée :

Les invites plus longues coûtent davantage. Au-delà de 200 000 tokens en entrée, les tarifs de Meta passent à 0,30 $ en entrée et 1,50 $ en sortie, et l’entrée en cache monte à 0,012 $.

C’est trois fois le prix des invites courtes. Les tarifs « vitrine » ne s’appliquent donc pas à toutes les longueurs de contexte ; si vos agents envoient régulièrement de très longues invites, anticipez-le.

L’ID du modèle pour l’API est muse-ember-1.0, et Ember prend en charge la Responses API. Vous pouvez l’utiliser via Muse Code et l’API Meta Model. Meta le référence également sur Google Cloud et Oracle Cloud.

Comment Muse Ember s’inscrit dans la famille de modèles d’IA de Meta

Meta présente ses modèles Muse comme un portefeuille, chacun étant conçu pour un usage spécifique.

Muse Wonder

Wonder cible les problèmes les plus ardus, comme le raisonnement complexe et les tâches sophistiquées. Dans un flux d’agent, c’est le modèle qui planifie.

Muse Spark

Spark vise le codage et les workflows agentiques plus larges. Dans la comparaison de Meta, Spark 1.3 obtient 37 à l’Intelligence Index contre 36 pour Ember, mais coûte 2,39 $ par tâche contre 0,14 $. Son prix catalogue est de 1,25 $ par million de tokens en entrée et 4,25 $ par million en sortie.

Muse Ember

Ember est destiné aux tâches répétables de codage et d’agent à grande échelle. Meta précise que c’est aussi le premier modèle entraîné avec Muse Wonder Full.

Que peuvent développer les ingénieurs avec Muse Ember ?

L’annonce de Meta et les retours de ses premiers testeurs mettent en avant quelques cas concrets :

• Analyse de documents : Box l’a utilisé pour évaluer des contrats clause par clause selon un playbook de négociation
• Travail sur dépôts : Cloudflare l’a utilisé pour des investigations multi‑référentiels, et Meta indique qu’il peut lancer des tests et appliquer des correctifs ciblés
• Extraction multimodale : il peut lire des documents scannés ou traiter des enregistrements de réunions
• Workflows inter‑applications : il peut récupérer des enregistrements et mettre à jour des systèmes à travers plusieurs applications

Supposons qu’un agent du support client reçoive une demande de remboursement avec une capture d’écran. Le modèle plus grand décide de la résolution. Ember lit ensuite la capture, récupère la commande et met à jour le ticket.

La même séquence s’applique à chaque ticket ; le prix par appel détermine donc le coût de toute la file.

Ce que Muse Ember annonce pour l’avenir des agents IA

Le chiffre à surveiller est le coût par tâche aboutie, pas le coût par token. Un modèle peut être bon marché au token et rester coûteux s’il consomme beaucoup de tokens pour terminer un travail.

Cela change votre manière de choisir les modèles. Au lieu de ne viser que le plus puissant, vous faites correspondre chaque étape à la bonne capacité et au bon prix. Un grand modèle planifie, un plus petit exécute les étapes répétitives, et un modèle multimodal comme Ember lit captures d’écran et enregistrements sans modèle séparé pour chaque modalité.

Avec des workflows autonomes longs, les étapes routinières doivent être peu coûteuses pour que l’ensemble reste abordable.

Mais Meta n’est pas le seul laboratoire à proposer un petit modèle pour ce rôle. Haiku 5.5 et GPT-6 Luna affichent le même prix au token ; gardez-les en tête.

Conclusion

Muse Ember est conçu pour le travail répétitif que les agents IA effectuent toute la journée. Il coûte 0,10 $ par million de tokens en entrée et 0,50 $ par million en sortie, dispose d’une fenêtre de contexte de 1 million de tokens et accepte des entrées texte, image, audio et vidéo. Meta indique qu’il égale le score de Haiku 5.5 sur l’Artificial Analysis Intelligence Index pour environ un tiers du coût par tâche.

Il est pensé pour fonctionner aux côtés de modèles plus grands comme Muse Wonder : Wonder planifie, Ember exécute les étapes répétitives. Mais la plupart de ces comparaisons ont été réalisées par Meta ; vos résultats et économies dépendront de votre charge et de votre protocole d’évaluation.

À retenir : si Meta a raison, le prochain avantage compétitif des agents IA tiendra autant à la façon de répartir intelligemment le travail qu’aux capacités de leur plus grand modèle.

Quels sont les meilleurs agents IA en 2026 ? Lisez notre article pour comparer frameworks, outils no‑code, plateformes d’entreprise, et obtenir un guide pas à pas pour choisir et déployer l’automatisation agentique.