इस सप्ताह, Meta ने Muse Ember की घोषणा की, जो उसका सबसे छोटा मॉडल है। Ember कठिन तर्क-वितर्क वाले कार्यों में प्रतिस्पर्धा नहीं करता। इसके बजाय, यह एजेंट वर्कफ़्लो के दोहराए जाने वाले चरणों को संभालता है, जबकि Muse Wonder जैसा बड़ा मॉडल योजना बनाता है।
Muse Ember की कीमत 10 सेंट प्रति मिलियन इनपुट टोकन और 50 सेंट प्रति मिलियन आउटपुट टोकन है, 200,000 टोकन तक के प्रॉम्प्ट्स के लिए। Meta का कहना है कि यह Claude Haiku 5.5 और GPT-6 Luna की तुलना में प्रति डॉलर अधिक इंटेलिजेंस देता है, और यह Haiku के Artificial Analysis Intelligence Index के सर्वश्रेष्ठ स्कोर से मेल खाता है, जबकि प्रति टास्क लागत लगभग एक-तिहाई रहती है।
इस लेख में, मैं बताऊँगा कि Muse Ember क्या है, इसके बेंचमार्क और कीमत की तुलना कैसे होती है, और बड़े Muse मॉडलों की तुलना में इसकी स्थिति क्या है।
लेकिन AI Agent क्या होता है? हमारे Introduction to AI Agents कोर्स में नामांकन करें और केवल 90 मिनट में बुनियादी बातें समझें।
Muse Ember, Meta Superintelligence Labs का एक हल्का-फुल्का मल्टीमॉडल रीजनिंग मॉडल है। इसे उन कार्यों के लिए बनाया गया है जो एजेंट पूरे दिन दोहराते हैं—जैसे टूल कॉल, कोडिंग सबटास्क, रूटिंग, डेटा एक्सट्रैक्शन, और लंबे दस्तावेज़ों पर काम।
यह टेक्स्ट, इमेज, ऑडियो, और वीडियो इनपुट लेता है, इसलिए एक एजेंट को हर मोड के लिए अलग मॉडल की ज़रूरत नहीं पड़ती। कॉन्टेक्स्ट विंडो 10 लाख टोकन की है, और यह अधिकतम 5,12,000 आउटपुट टोकन उत्पन्न कर सकता है। आप इसे Muse Code और Meta Model API के माध्यम से उपयोग कर सकते हैं।
| | Muse Ember |
|---|
| Developer | Meta Superintelligence Labs |
| Model ID | muse-ember-1.0 |
| Input types | Text, image, audio, video |
| Context window | 1,000,000 tokens |
| Maximum output | 512,000 tokens |
| API support | Responses API |
| Availability | Muse Code, Meta Model API |
Meta कहता है कि यह उसका "सबसे छोटा" मॉडल है, लेकिन यह केवल Meta के मॉडल पोर्टफोलियो में इसकी स्थिति को दर्शाता है। घोषणा में पैरामीटर काउंट का उल्लेख नहीं है।
एक चैटबॉट हर उत्तर के लिए एक बार मॉडल को कॉल करता है, जबकि एक एजेंट एक सत्र में सैकड़ों बार कॉल करता है। Meta का कहना है कि इसके अधिकांश टोकन छोटे, संरचित चरणों पर खर्च होते हैं। उदाहरण के लिए:
- Retrieval: किसी फ़ाइल को पढ़ना या कोई दस्तावेज़ खोलना
- Tool calls: कोई टेस्ट चलाना या API को कॉल करना
- Routing: हर अनुरोध को सही वर्कफ़्लो तक भेजना
- Edits: टार्गेटेड कोड बदलाव के बाद किसी एप्लिकेशन को अपडेट करना
इनमें से अधिकांश चरणों के लिए अत्याधुनिक मॉडल की ज़रूरत नहीं होती, लेकिन लागत जुड़ती जाती है। जब कोई एजेंट सैकड़ों या हजारों कॉल करता है, तो प्रति कॉल थोड़ी सी बचत भी मायने रखती है।
Meta का उत्तर श्रम-विभाजन है: "Muse Wonder योजना बनाता है, Muse Ember वॉल्यूम संभालता है।" Wonder कठिन तर्क-वितर्क करता है, और Ember दोहराए जाने वाले चरण चलाता है।
मान लीजिए कोई टीम बड़े कोडबेस को नए फ्रेमवर्क में माइग्रेट करती है। Wonder बदलावों का क्रम तय करता है और काम को कार्यों में विभाजित करता है। Ember फिर हर फ़ाइल पढ़ता है, लक्षित संपादन करता है, और टेस्ट चलाता है—यह सब सैकड़ों बार।
Muse Ember बेंचमार्क्स
Meta का दावा है कि Muse Ember अन्य छोटे मॉडलों की तुलना में बहुत कम लागत पर प्रतिस्पर्धी इंटेलिजेंस देता है। Artificial Analysis Intelligence Index पर, Ember और Claude Haiku 5.5 दोनों का स्कोर 36 है, और GPT-6 Luna का 28। अंतर प्रति टास्क लागत में है: Ember के लिए लगभग $0.14, जबकि Haiku के लिए लगभग $0.41 और Luna के लिए $0.15।
| Benchmark | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| Artificial Analysis Intelligence Index | 36 | 36 | 28 |
| AutomationBench-AA | 37.8% | 13.9% | 20.2% |
| Agents’ Last Exam | 61.6% | 57.0% | 57.1% |
| Terminal-Bench 4.0 | 40.9% | 39.2% | 16.4% |
| FrontierCode 2.0-AA | 27.2% | 34.9% | 25.2% |
Meta ने ये परिणाम 9 नवंबर, 2026 को, अधिकतम रीजनिंग प्रयास पर रिपोर्ट किए। Intelligence Index, AutomationBench-AA, और FrontierCode 2.0-AA, Artificial Analysis से आते हैं। Agents' Last Exam, Meta का आंतरिक मूल्यांकन है। Terminal-Bench 4.0 प्रत्येक मॉडल के सर्वश्रेष्ठ प्रकाशित हार्नेस का उपयोग करता है। पूरी जानकारी Meta की इवैल्यूएशन रिपोर्ट में मिल सकती है।
एजेंटिक वर्कफ़्लोज़
Ember की सबसे बड़ी बढ़त AutomationBench-AA पर है, जो एंड-टू-एंड बिज़नेस वर्कफ़्लोज़ मापता है। इसका स्कोर 37.8% है, जबकि Haiku का 13.9% और Luna का 20.2% है।
Agents' Last Exam पर बढ़त थोड़ी कम है—61.6%, बनाम 57.0% और 57.1%। यह Linux उपसमूह पर Meta का आंतरिक मूल्यांकन है, इसलिए यह Meta का अपना परिणाम है।
कोडिंग
Ember, Terminal-Bench 4.0 पर 40.9% स्कोर करता है, Haiku 39.2% और Luna 16.4% पर। लेकिन प्रत्येक मॉडल अपने-अपने हार्नेस में चला, इसलिए तुलना बराबरी की नहीं है। Artificial Analysis Coding Agent Index पर, Ember का स्कोर 46 है, Haiku 37 और Luna 31 पर।
FrontierCode 2.0-AA पर Haiku आगे है, जो इंजीनियरिंग कार्यों का मूल्यांकन मर्ज़ेबिलिटी के आधार पर करता है। इसका स्कोर 34.9% है, जबकि Ember 27.2% और Luna 25.2% पर हैं।
मल्टीमॉडल कार्य
Haiku के मुकाबले मल्टीमॉडल अंतर बहुत ध्यान देने योग्य नहीं हैं। OSWorld 2.1, एक कंप्यूटर-यूज़ टेस्ट, पर Ember 69.5% (पार्शियल-क्रेडिट स्कोरिंग के साथ) स्कोर करता है, जबकि Haiku 68.9% और Luna 50.5% पर हैं।
PerceptionBench पर, जो सूक्ष्म विज़ुअल डिटेल मापता है, यह टूल्स के साथ 80.6% स्कोर करता है, बनाम 78.6% और 62.8%। दोनों Meta के आंतरिक मूल्यांकन हैं। GDP.pdf-AA पर, जो लंबे दस्तावेज़ों में पेशेवर कार्यों को कवर करता है, Ember और Luna 22.8% पर बराबरी पर हैं, और Haiku 20.8% पर।
Muse Ember बनाम Claude Haiku 5.5 और GPT-6 Luna
तीनों मॉडलों की सूची कीमतें शॉर्ट प्रॉम्प्ट्स के लिए समान हैं: प्रति मिलियन इनपुट टोकन $0.10 और प्रति मिलियन आउटपुट टोकन $0.50। इसलिए उनकी तुलना करना और भिन्नताएँ नोट करना महत्वपूर्ण है।
प्रति डॉलर इंटेलिजेंस के हिसाब से, Meta कहता है कि Ember, Haiku के सर्वश्रेष्ठ Intelligence Index स्कोर से मेल खाता है, जबकि प्रति टास्क लागत लगभग एक-तिहाई रहती है—लगभग $0.14 बनाम $0.41। टोकन कीमतें समान हैं, इसलिए अंतर इस बात से आता है कि प्रत्येक मॉडल प्रति टास्क कितने टोकन उपयोग करता है। Luna की प्रति टास्क लागत Ember जितनी ही—लगभग $0.15—है, पर उसका स्कोर 36 के बजाय 28 है।
Ember, Meta के एजेंटिक और मल्टीमॉडल परीक्षणों में भी आगे है। तीनों में से यही एक है जो ऑडियो और वीडियो लेता है, और यह अधिकतम 5,12,000 आउटपुट टोकन की अनुमति देता है, जबकि अन्य दो 1,28,000 तक सीमित हैं। कॉन्टेक्स्ट विंडो लगभग समान हैं।
Haiku एक जगह मज़बूत है। FrontierCode 2.0-AA पर इसका स्कोर अधिक है, जो इंजीनियरिंग कार्यों का मूल्यांकन मर्ज़ेबिलिटी से करता है। यह महत्वपूर्ण है यदि आपके एजेंट ऐसा कोड लिखते हैं जो सीधे रिपॉजिटरी में जाता है।
Ember, नियमित चरणों से बने उच्च-मात्रा वर्कफ़्लोज़ के लिए अच्छा विकल्प लगता है। लेकिन Meta ने ये तुलनाएँ चुनीं और रिपोर्ट कीं, इसलिए स्विच करने से पहले अपने ही वर्कलोड पर इसका परीक्षण करें।
| | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| Price per 1M tokens (input/output) | $0.10 / $0.50 | $0.10 / $0.50 | $0.10 / $0.50 |
| Higher rates start above | 200K tokens | 100K tokens | 272K tokens |
| Context window | 1M tokens | 1M tokens | 1.05M tokens |
| Maximum output | 512K tokens | 128K tokens | 128K tokens |
| Input types | Text, image, audio, video | Text, image | Text, image |
| Index score | 36 | 36 | 28 |
| Cost per Index task | About $0.14 | About $0.41 | About $0.15 |
Index स्कोर और प्रति टास्क लागत अधिकतम रीजनिंग प्रयास पर हैं। Haiku 5.5 और GPT-6 Luna की कीमतें उनकी प्रकाशित दरों से ली गई हैं।
Muse Ember की कीमतें और उपलब्धता
यहाँ 200,000 इनपुट टोकन तक के प्रॉम्प्ट्स के लिए प्रति मिलियन टोकन Muse Ember की लागत दी गई है:
| API Usage | Price per 1M tokens |
|---|
| Input | $0.10 |
| Cached input | $0.004 |
| Output | $0.50 |
लंबे प्रॉम्प्ट्स की कीमत अधिक होती है। 200,000 इनपुट टोकन से ऊपर, Meta की दरें इनपुट के लिए $0.30 और आउटपुट के लिए $1.50 प्रति मिलियन हो जाती हैं, और cached input $0.012 तक बढ़ जाता है।
यह शॉर्ट-प्रॉम्प्ट कीमत का तीन गुना है। इसलिए हेडलाइन कीमत हर कॉन्टेक्स्ट लंबाई पर लागू नहीं होती, और यदि आपके एजेंट नियमित रूप से बहुत बड़े प्रॉम्प्ट्स भेजते हैं, तो उसके अनुसार योजना बनाएँ।
API मॉडल ID muse-ember-1.0 है, और Ember Responses API को सपोर्ट करता है। आप इसे Muse Code और Meta Model API के माध्यम से उपयोग कर सकते हैं। Meta इसे Google Cloud और Oracle Cloud पर भी सूचीबद्ध करता है।
Meta अपने Muse मॉडलों को एक पोर्टफोलियो के रूप में वर्णित करता है, जिसमें हर मॉडल अलग कार्य के लिए बना है।
Muse Wonder
Wonder सबसे कठिन समस्याओं—जैसे मुश्किल तर्क-वितर्क और जटिल कार्यों—के लिए है। एजेंट वर्कफ़्लो में, यही योजना बनाता है।
Muse Spark
Spark कोडिंग और व्यापक एजेंटिक वर्कफ़्लोज़ के लिए है। Meta की तुलना में, Spark 1.3 का Intelligence Index पर स्कोर 37 है, जबकि Ember का 36, लेकिन प्रति टास्क इसकी लागत $2.39 है, Ember के $0.14 के मुकाबले। इसकी सूची कीमत $1.25 प्रति मिलियन इनपुट टोकन और $4.25 प्रति मिलियन आउटपुट टोकन है।
Muse Ember
Ember बड़े पैमाने पर दोहराए जाने वाले कोडिंग और एजेंटिक कार्यों के लिए है। Meta कहता है कि यह Muse Wonder Full के साथ प्रशिक्षित पहला मॉडल भी है।
डेवलपर्स Muse Ember के साथ क्या बना सकते हैं?
Meta की घोषणा और शुरुआती परीक्षकों ने कुछ ठोस उपयोग दर्शाए हैं:
- Document analysis: Box ने इसे अनुबंधों को वार्ताकर्ता प्लेबुक के अनुरूप, क्लॉज़-दर-क्लॉज़ स्कोर करने के लिए उपयोग किया
- Repository work: Cloudflare ने इसे मल्टी-रेपो इन्वेस्टिगेशन के लिए उपयोग किया, और Meta कहता है कि यह टेस्ट चला सकता है और लक्षित फिक्स कर सकता है
- Multimodal extraction: यह स्कैन्ड दस्तावेज़ पढ़ सकता है या मीटिंग रिकॉर्डिंग से काम कर सकता है
- Cross-app workflows: यह विभिन्न एप्लिकेशनों में रिकॉर्ड ला सकता है और सिस्टम अपडेट कर सकता है
मान लीजिए किसी कस्टमर-सपोर्ट एजेंट को स्क्रीनशॉट सहित रिफंड का अनुरोध मिलता है। बड़ा मॉडल यह तय करता है कि केस कैसे सुलझाया जाए। फिर Ember स्क्रीनशॉट पढ़ता है, ऑर्डर रिकॉर्ड प्राप्त करता है, और टिकट अपडेट करता है।
यह क्रम हर टिकट के लिए चलता है, इसलिए प्रति कॉल कीमत ही पूरी कतार की लागत तय करती है।
AI एजेंट्स के भविष्य के लिए Muse Ember का क्या मतलब है
देखने लायक संख्या प्रति पूर्ण टास्क लागत है, न कि प्रति टोकन लागत। कम टोकन कीमत वाला मॉडल भी महंगा पड़ सकता है यदि उसे काम पूरा करने के लिए बहुत सारे टोकन चाहिए।
इससे मॉडल चुनने का तरीका बदलता है। सबसे मज़बूत मॉडल खोजने के बजाय, आप हर चरण को सही क्षमता और कीमत से मिलाते हैं। बड़ा मॉडल योजना बनाता है, छोटा मॉडल दोहराए जाने वाले चरण चलाता है, और Ember जैसा मल्टीमॉडल मॉडल स्क्रीनशॉट और रिकॉर्डिंग पढ़ लेता है—हर मोड के लिए अलग मॉडल की ज़रूरत नहीं।
लंबे स्वायत्त वर्कफ़्लोज़ में, नियमित चरण सस्ते होने चाहिए ताकि पूरी रन किफायती रहे।
लेकिन इस भूमिका के लिए छोटा मॉडल बेचने वाला Meta अकेला लैब नहीं है। Haiku 5.5 और GPT-6 Luna की सूची कीमतें भी टोकन के हिसाब से समान हैं, इसलिए उन्हें ध्यान में रखें।
निष्कर्ष
Muse Ember उन दोहराए जाने वाले कार्यों के लिए बना है जो AI एजेंट पूरे दिन करते हैं। इसकी कीमत प्रति मिलियन इनपुट टोकन $0.10 और प्रति मिलियन आउटपुट टोकन $0.50 है, 10 लाख टोकन की कॉन्टेक्स्ट विंडो है, और यह टेक्स्ट, इमेज, ऑडियो और वीडियो इनपुट लेता है। Meta बताता है कि यह Artificial Analysis Intelligence Index पर Haiku 5.5 के स्कोर से मेल खाता है, प्रति टास्क लागत के लगभग एक-तिहाई पर।
यह Muse Wonder जैसे बड़े मॉडलों के साथ काम करने के लिए बनाया गया है—Wonder योजना बनाता है, जबकि Ember दोहराए जाने वाले चरण चलाता है। लेकिन इन में से अधिकांश तुलनाएँ Meta ने चलाई हैं, और आपके अपने परिणाम व बचत आपके वर्कलोड और इवैल्यूएशन सेटअप पर निर्भर करेंगे।
पर महत्वपूर्ण बात यह है कि यदि Meta सही है, तो AI एजेंट्स में अगली प्रतिस्पर्धी बढ़त उतनी ही इस बात से आ सकती है कि सिस्टम काम को कितनी समझदारी से बाँटता है, जितनी कि उसके सबसे बड़े मॉडल की क्षमता से।
2026 के सर्वश्रेष्ठ AI एजेंट्स कौन से हैं? हमारे ब्लॉग पोस्ट में फ़्रेमवर्क्स, नो-कोड टूल्स, एंटरप्राइज़ प्लेटफ़ॉर्म्स की तुलना करें, और एजेंटिक ऑटोमेशन चुनने व डिप्लॉय करने के लिए चरण-दर-चरण मार्गदर्शन पाएँ।
इस सप्ताह, Meta ने Muse Ember की घोषणा की, जो उसका सबसे छोटा मॉडल है। Ember कठिन तर्क-वितर्क वाले कार्यों में प्रतिस्पर्धा नहीं करता। इसके बजाय, यह एजेंट वर्कफ़्लो के दोहराए जाने वाले चरणों को संभालता है, जबकि Muse Wonder जैसा बड़ा मॉडल योजना बनाता है।
Muse Ember की कीमत 10 सेंट प्रति मिलियन इनपुट टोकन और 50 सेंट प्रति मिलियन आउटपुट टोकन है, 200,000 टोकन तक के प्रॉम्प्ट्स के लिए। Meta का कहना है कि यह Claude Haiku 5.5 और GPT-6 Luna की तुलना में प्रति डॉलर अधिक इंटेलिजेंस देता है, और यह Haiku के Artificial Analysis Intelligence Index के सर्वश्रेष्ठ स्कोर से मेल खाता है, जबकि प्रति टास्क लागत लगभग एक-तिहाई रहती है।
इस लेख में, मैं बताऊँगा कि Muse Ember क्या है, इसके बेंचमार्क और कीमत की तुलना कैसे होती है, और बड़े Muse मॉडलों की तुलना में इसकी स्थिति क्या है।
लेकिन AI Agent क्या होता है? हमारे Introduction to AI Agents कोर्स में नामांकन करें और केवल 90 मिनट में बुनियादी बातें समझें।
Meta Muse Ember क्या है?
Muse Ember, Meta Superintelligence Labs का एक हल्का-फुल्का मल्टीमॉडल रीजनिंग मॉडल है। इसे उन कार्यों के लिए बनाया गया है जो एजेंट पूरे दिन दोहराते हैं—जैसे टूल कॉल, कोडिंग सबटास्क, रूटिंग, डेटा एक्सट्रैक्शन, और लंबे दस्तावेज़ों पर काम।
यह टेक्स्ट, इमेज, ऑडियो, और वीडियो इनपुट लेता है, इसलिए एक एजेंट को हर मोड के लिए अलग मॉडल की ज़रूरत नहीं पड़ती। कॉन्टेक्स्ट विंडो 10 लाख टोकन की है, और यह अधिकतम 5,12,000 आउटपुट टोकन उत्पन्न कर सकता है। आप इसे Muse Code और Meta Model API के माध्यम से उपयोग कर सकते हैं।
Meta कहता है कि यह उसका "सबसे छोटा" मॉडल है, लेकिन यह केवल Meta के मॉडल पोर्टफोलियो में इसकी स्थिति को दर्शाता है। घोषणा में पैरामीटर काउंट का उल्लेख नहीं है।
AI एजेंट्स के लिए Meta ने Muse Ember क्यों बनाया
एक चैटबॉट हर उत्तर के लिए एक बार मॉडल को कॉल करता है, जबकि एक एजेंट एक सत्र में सैकड़ों बार कॉल करता है। Meta का कहना है कि इसके अधिकांश टोकन छोटे, संरचित चरणों पर खर्च होते हैं। उदाहरण के लिए:
इनमें से अधिकांश चरणों के लिए अत्याधुनिक मॉडल की ज़रूरत नहीं होती, लेकिन लागत जुड़ती जाती है। जब कोई एजेंट सैकड़ों या हजारों कॉल करता है, तो प्रति कॉल थोड़ी सी बचत भी मायने रखती है।
Meta का उत्तर श्रम-विभाजन है: "Muse Wonder योजना बनाता है, Muse Ember वॉल्यूम संभालता है।" Wonder कठिन तर्क-वितर्क करता है, और Ember दोहराए जाने वाले चरण चलाता है।
मान लीजिए कोई टीम बड़े कोडबेस को नए फ्रेमवर्क में माइग्रेट करती है। Wonder बदलावों का क्रम तय करता है और काम को कार्यों में विभाजित करता है। Ember फिर हर फ़ाइल पढ़ता है, लक्षित संपादन करता है, और टेस्ट चलाता है—यह सब सैकड़ों बार।
Muse Ember बेंचमार्क्स
Meta का दावा है कि Muse Ember अन्य छोटे मॉडलों की तुलना में बहुत कम लागत पर प्रतिस्पर्धी इंटेलिजेंस देता है। Artificial Analysis Intelligence Index पर, Ember और Claude Haiku 5.5 दोनों का स्कोर 36 है, और GPT-6 Luna का 28। अंतर प्रति टास्क लागत में है: Ember के लिए लगभग $0.14, जबकि Haiku के लिए लगभग $0.41 और Luna के लिए $0.15।
Meta ने ये परिणाम 9 नवंबर, 2026 को, अधिकतम रीजनिंग प्रयास पर रिपोर्ट किए। Intelligence Index, AutomationBench-AA, और FrontierCode 2.0-AA, Artificial Analysis से आते हैं। Agents' Last Exam, Meta का आंतरिक मूल्यांकन है। Terminal-Bench 4.0 प्रत्येक मॉडल के सर्वश्रेष्ठ प्रकाशित हार्नेस का उपयोग करता है। पूरी जानकारी Meta की इवैल्यूएशन रिपोर्ट में मिल सकती है।
एजेंटिक वर्कफ़्लोज़
Ember की सबसे बड़ी बढ़त AutomationBench-AA पर है, जो एंड-टू-एंड बिज़नेस वर्कफ़्लोज़ मापता है। इसका स्कोर 37.8% है, जबकि Haiku का 13.9% और Luna का 20.2% है।
Agents' Last Exam पर बढ़त थोड़ी कम है—61.6%, बनाम 57.0% और 57.1%। यह Linux उपसमूह पर Meta का आंतरिक मूल्यांकन है, इसलिए यह Meta का अपना परिणाम है।
कोडिंग
Ember, Terminal-Bench 4.0 पर 40.9% स्कोर करता है, Haiku 39.2% और Luna 16.4% पर। लेकिन प्रत्येक मॉडल अपने-अपने हार्नेस में चला, इसलिए तुलना बराबरी की नहीं है। Artificial Analysis Coding Agent Index पर, Ember का स्कोर 46 है, Haiku 37 और Luna 31 पर।
FrontierCode 2.0-AA पर Haiku आगे है, जो इंजीनियरिंग कार्यों का मूल्यांकन मर्ज़ेबिलिटी के आधार पर करता है। इसका स्कोर 34.9% है, जबकि Ember 27.2% और Luna 25.2% पर हैं।
मल्टीमॉडल कार्य
Haiku के मुकाबले मल्टीमॉडल अंतर बहुत ध्यान देने योग्य नहीं हैं। OSWorld 2.1, एक कंप्यूटर-यूज़ टेस्ट, पर Ember 69.5% (पार्शियल-क्रेडिट स्कोरिंग के साथ) स्कोर करता है, जबकि Haiku 68.9% और Luna 50.5% पर हैं।
PerceptionBench पर, जो सूक्ष्म विज़ुअल डिटेल मापता है, यह टूल्स के साथ 80.6% स्कोर करता है, बनाम 78.6% और 62.8%। दोनों Meta के आंतरिक मूल्यांकन हैं। GDP.pdf-AA पर, जो लंबे दस्तावेज़ों में पेशेवर कार्यों को कवर करता है, Ember और Luna 22.8% पर बराबरी पर हैं, और Haiku 20.8% पर।
Muse Ember बनाम Claude Haiku 5.5 और GPT-6 Luna
तीनों मॉडलों की सूची कीमतें शॉर्ट प्रॉम्प्ट्स के लिए समान हैं: प्रति मिलियन इनपुट टोकन $0.10 और प्रति मिलियन आउटपुट टोकन $0.50। इसलिए उनकी तुलना करना और भिन्नताएँ नोट करना महत्वपूर्ण है।
प्रति डॉलर इंटेलिजेंस के हिसाब से, Meta कहता है कि Ember, Haiku के सर्वश्रेष्ठ Intelligence Index स्कोर से मेल खाता है, जबकि प्रति टास्क लागत लगभग एक-तिहाई रहती है—लगभग $0.14 बनाम $0.41। टोकन कीमतें समान हैं, इसलिए अंतर इस बात से आता है कि प्रत्येक मॉडल प्रति टास्क कितने टोकन उपयोग करता है। Luna की प्रति टास्क लागत Ember जितनी ही—लगभग $0.15—है, पर उसका स्कोर 36 के बजाय 28 है।
Ember, Meta के एजेंटिक और मल्टीमॉडल परीक्षणों में भी आगे है। तीनों में से यही एक है जो ऑडियो और वीडियो लेता है, और यह अधिकतम 5,12,000 आउटपुट टोकन की अनुमति देता है, जबकि अन्य दो 1,28,000 तक सीमित हैं। कॉन्टेक्स्ट विंडो लगभग समान हैं।
Haiku एक जगह मज़बूत है। FrontierCode 2.0-AA पर इसका स्कोर अधिक है, जो इंजीनियरिंग कार्यों का मूल्यांकन मर्ज़ेबिलिटी से करता है। यह महत्वपूर्ण है यदि आपके एजेंट ऐसा कोड लिखते हैं जो सीधे रिपॉजिटरी में जाता है।
Ember, नियमित चरणों से बने उच्च-मात्रा वर्कफ़्लोज़ के लिए अच्छा विकल्प लगता है। लेकिन Meta ने ये तुलनाएँ चुनीं और रिपोर्ट कीं, इसलिए स्विच करने से पहले अपने ही वर्कलोड पर इसका परीक्षण करें।
Index स्कोर और प्रति टास्क लागत अधिकतम रीजनिंग प्रयास पर हैं। Haiku 5.5 और GPT-6 Luna की कीमतें उनकी प्रकाशित दरों से ली गई हैं।
Muse Ember की कीमतें और उपलब्धता
यहाँ 200,000 इनपुट टोकन तक के प्रॉम्प्ट्स के लिए प्रति मिलियन टोकन Muse Ember की लागत दी गई है:
लंबे प्रॉम्प्ट्स की कीमत अधिक होती है। 200,000 इनपुट टोकन से ऊपर, Meta की दरें इनपुट के लिए $0.30 और आउटपुट के लिए $1.50 प्रति मिलियन हो जाती हैं, और cached input $0.012 तक बढ़ जाता है।
यह शॉर्ट-प्रॉम्प्ट कीमत का तीन गुना है। इसलिए हेडलाइन कीमत हर कॉन्टेक्स्ट लंबाई पर लागू नहीं होती, और यदि आपके एजेंट नियमित रूप से बहुत बड़े प्रॉम्प्ट्स भेजते हैं, तो उसके अनुसार योजना बनाएँ।
API मॉडल ID
muse-ember-1.0है, और Ember Responses API को सपोर्ट करता है। आप इसे Muse Code और Meta Model API के माध्यम से उपयोग कर सकते हैं। Meta इसे Google Cloud और Oracle Cloud पर भी सूचीबद्ध करता है।Meta के AI मॉडल परिवार में Muse Ember कैसे फिट बैठता है
Meta अपने Muse मॉडलों को एक पोर्टफोलियो के रूप में वर्णित करता है, जिसमें हर मॉडल अलग कार्य के लिए बना है।
Muse Wonder
Wonder सबसे कठिन समस्याओं—जैसे मुश्किल तर्क-वितर्क और जटिल कार्यों—के लिए है। एजेंट वर्कफ़्लो में, यही योजना बनाता है।
Muse Spark
Spark कोडिंग और व्यापक एजेंटिक वर्कफ़्लोज़ के लिए है। Meta की तुलना में, Spark 1.3 का Intelligence Index पर स्कोर 37 है, जबकि Ember का 36, लेकिन प्रति टास्क इसकी लागत $2.39 है, Ember के $0.14 के मुकाबले। इसकी सूची कीमत $1.25 प्रति मिलियन इनपुट टोकन और $4.25 प्रति मिलियन आउटपुट टोकन है।
Muse Ember
Ember बड़े पैमाने पर दोहराए जाने वाले कोडिंग और एजेंटिक कार्यों के लिए है। Meta कहता है कि यह Muse Wonder Full के साथ प्रशिक्षित पहला मॉडल भी है।
डेवलपर्स Muse Ember के साथ क्या बना सकते हैं?
Meta की घोषणा और शुरुआती परीक्षकों ने कुछ ठोस उपयोग दर्शाए हैं:
मान लीजिए किसी कस्टमर-सपोर्ट एजेंट को स्क्रीनशॉट सहित रिफंड का अनुरोध मिलता है। बड़ा मॉडल यह तय करता है कि केस कैसे सुलझाया जाए। फिर Ember स्क्रीनशॉट पढ़ता है, ऑर्डर रिकॉर्ड प्राप्त करता है, और टिकट अपडेट करता है।
यह क्रम हर टिकट के लिए चलता है, इसलिए प्रति कॉल कीमत ही पूरी कतार की लागत तय करती है।
AI एजेंट्स के भविष्य के लिए Muse Ember का क्या मतलब है
देखने लायक संख्या प्रति पूर्ण टास्क लागत है, न कि प्रति टोकन लागत। कम टोकन कीमत वाला मॉडल भी महंगा पड़ सकता है यदि उसे काम पूरा करने के लिए बहुत सारे टोकन चाहिए।
इससे मॉडल चुनने का तरीका बदलता है। सबसे मज़बूत मॉडल खोजने के बजाय, आप हर चरण को सही क्षमता और कीमत से मिलाते हैं। बड़ा मॉडल योजना बनाता है, छोटा मॉडल दोहराए जाने वाले चरण चलाता है, और Ember जैसा मल्टीमॉडल मॉडल स्क्रीनशॉट और रिकॉर्डिंग पढ़ लेता है—हर मोड के लिए अलग मॉडल की ज़रूरत नहीं।
लंबे स्वायत्त वर्कफ़्लोज़ में, नियमित चरण सस्ते होने चाहिए ताकि पूरी रन किफायती रहे।
लेकिन इस भूमिका के लिए छोटा मॉडल बेचने वाला Meta अकेला लैब नहीं है। Haiku 5.5 और GPT-6 Luna की सूची कीमतें भी टोकन के हिसाब से समान हैं, इसलिए उन्हें ध्यान में रखें।
निष्कर्ष
Muse Ember उन दोहराए जाने वाले कार्यों के लिए बना है जो AI एजेंट पूरे दिन करते हैं। इसकी कीमत प्रति मिलियन इनपुट टोकन $0.10 और प्रति मिलियन आउटपुट टोकन $0.50 है, 10 लाख टोकन की कॉन्टेक्स्ट विंडो है, और यह टेक्स्ट, इमेज, ऑडियो और वीडियो इनपुट लेता है। Meta बताता है कि यह Artificial Analysis Intelligence Index पर Haiku 5.5 के स्कोर से मेल खाता है, प्रति टास्क लागत के लगभग एक-तिहाई पर।
यह Muse Wonder जैसे बड़े मॉडलों के साथ काम करने के लिए बनाया गया है—Wonder योजना बनाता है, जबकि Ember दोहराए जाने वाले चरण चलाता है। लेकिन इन में से अधिकांश तुलनाएँ Meta ने चलाई हैं, और आपके अपने परिणाम व बचत आपके वर्कलोड और इवैल्यूएशन सेटअप पर निर्भर करेंगे।
पर महत्वपूर्ण बात यह है कि यदि Meta सही है, तो AI एजेंट्स में अगली प्रतिस्पर्धी बढ़त उतनी ही इस बात से आ सकती है कि सिस्टम काम को कितनी समझदारी से बाँटता है, जितनी कि उसके सबसे बड़े मॉडल की क्षमता से।
2026 के सर्वश्रेष्ठ AI एजेंट्स कौन से हैं? हमारे ब्लॉग पोस्ट में फ़्रेमवर्क्स, नो-कोड टूल्स, एंटरप्राइज़ प्लेटफ़ॉर्म्स की तुलना करें, और एजेंटिक ऑटोमेशन चुनने व डिप्लॉय करने के लिए चरण-दर-चरण मार्गदर्शन पाएँ।