Muse Ember dari Meta: Model AI Biaya Rendah yang Dibangun untuk Agen

Minggu ini, Meta mengumumkan Muse Ember, model terkecilnya. Ember tidak bersaing pada tugas penalaran yang sulit. Sebagai gantinya, model ini menangani langkah-langkah berulang dalam alur kerja agen, sementara model yang lebih besar seperti Muse Wonder mengurus perencanaannya.

Muse Ember berharga $0,10 per satu juta token input dan $0,50 per satu juta token output untuk prompt hingga 200.000 token. Meta mengatakan model ini memberikan kecerdasan per dolar lebih tinggi dibanding Claude Haiku 5.5 dan GPT-6 Luna, serta menyamai skor terbaik Artificial Analysis Intelligence Index milik Haiku dengan sekitar sepertiga biaya per tugas.

Dalam artikel ini, saya akan menjelaskan apa itu Muse Ember, bagaimana perbandingan tolok ukur dan harganya, serta posisinya dibanding model Muse yang lebih besar.

Namun apa itu Agen AI? Daftar ke kursus Introduction to AI Agents kami dan pahami dasarnya hanya dalam 90 menit.

Apa Itu Meta Muse Ember?

Muse Ember adalah model penalaran multimodal yang ringan dari Meta Superintelligence Labs. Model ini dibuat untuk pekerjaan yang diulang-ulang oleh agen sepanjang hari, seperti pemanggilan alat, sub-tugas coding, perutean, ekstraksi data, dan pekerjaan dokumen panjang.

Model ini menerima input teks, gambar, audio, dan video, sehingga agen tidak memerlukan model terpisah untuk masing-masing. Jendela konteksnya 1 juta token, dan dapat menghasilkan hingga 512.000 token output. Anda dapat menggunakannya melalui Muse Code dan Meta Model API.

Meta menyebutnya model "terkecil", namun itu hanya merujuk pada posisinya dalam portofolio model Meta. Pengumuman tersebut tidak mencantumkan jumlah parameter.

Mengapa Meta Membangun Muse Ember untuk Agen AI

Sebuah chatbot melakukan satu panggilan model per jawaban, sedangkan agen melakukan ratusan panggilan dalam satu sesi. Kata Meta sebagian besar tokennya digunakan untuk langkah-langkah kecil yang terstruktur. Contohnya:

• Retrieval: Membaca file atau membuka dokumen
• Pemanggilan alat: Menjalankan uji atau memanggil API
• Perutean: Mengirim tiap permintaan ke alur kerja yang tepat
• Penyuntingan: Memperbarui aplikasi setelah perubahan kode yang terarah

Kebanyakan langkah ini tidak memerlukan model kelas terdepan, tapi biayanya bisa menumpuk. Bahkan penghematan kecil per panggilan berarti saat agen melakukan ratusan atau ribuan kali panggilan.

Jawaban Meta adalah pembagian kerja: "Muse Wonder merencanakan, Muse Ember menangani volumenya." Wonder mengurus penalaran sulit, dan Ember menjalankan langkah-langkah berulang.

Misalnya sebuah tim memigrasikan codebase besar ke kerangka kerja baru. Wonder merencanakan urutan perubahan dan membagi pekerjaan menjadi tugas-tugas. Ember kemudian membaca tiap file, melakukan suntingan terarah, dan menjalankan pengujian, ratusan kali.

Tolok Ukur Muse Ember

Klaim Meta adalah bahwa Muse Ember menghadirkan kecerdasan yang kompetitif dengan biaya jauh lebih rendah dibanding model kecil lainnya. Pada Artificial Analysis Intelligence Index, Ember dan Claude Haiku 5.5 sama-sama meraih skor 36, dan GPT-6 Luna meraih 28. Perbedaannya ada pada biaya per tugas: sekitar $0,14 untuk Ember, versus sekitar $0,41 untuk Haiku dan $0,15 untuk Luna.

Meta melaporkan hasil ini pada 9 November 2026, pada upaya penalaran maksimum. Intelligence Index, AutomationBench-AA, dan FrontierCode 2.0-AA berasal dari Artificial Analysis. Agents' Last Exam adalah evaluasi internal Meta. Terminal-Bench 4.0 menggunakan harness terbaik yang dipublikasikan tiap model. Detail lengkapnya dapat ditemukan dalam laporan evaluasi Meta.

Alur kerja agentic

Keunggulan terbesar Ember ada pada AutomationBench-AA, yang mengukur alur kerja bisnis ujung ke ujung. Skornya 37,8%, dibanding 13,9% untuk Haiku dan 20,2% untuk Luna.

Pada Agents' Last Exam, keunggulannya sedikit lebih kecil - 61,6%, dibanding 57,0% dan 57,1%. Ini adalah evaluasi internal Meta pada subset Linux, jadi merupakan hasil dari Meta sendiri.

Coding

Ember meraih 40,9% pada Terminal-Bench 4.0, dibanding 39,2% untuk Haiku dan 16,4% untuk Luna. Namun tiap model dijalankan dalam harness-nya sendiri, sehingga perbandingannya tidak setara. Pada Artificial Analysis Coding Agent Index, Ember meraih 46, dibanding 37 untuk Haiku dan 31 untuk Luna.

Haiku unggul pada FrontierCode 2.0-AA, yang menilai tugas rekayasa berdasarkan kemudahan merge. Skornya 34,9%, dibanding 27,2% untuk Ember dan 25,2% untuk Luna.

Tugas multimodal

Dibanding Haiku, celah pada kemampuan multimodal tidak terlalu mencolok. Pada OSWorld 2.1, uji penggunaan komputer, Ember meraih 69,5% dengan penilaian kredit parsial, dibanding 68,9% untuk Haiku dan 50,5% untuk Luna.

Pada PerceptionBench, yang mengukur detail visual halus, model ini meraih 80,6% dengan alat, dibanding 78,6% dan 62,8%. Keduanya adalah evaluasi internal Meta. Pada GDP.pdf-AA, yang mencakup pekerjaan profesional pada dokumen panjang, Ember dan Luna sama-sama 22,8%, dan Haiku 20,8%.

Muse Ember vs Claude Haiku 5.5 dan GPT-6 Luna

Ketiga model tersebut tercantum dengan harga $0,10 per satu juta token input dan $0,50 per satu juta token output untuk prompt pendek. Itulah mengapa penting untuk membandingkannya dan mencatat perbedaannya.

Dalam hal kecerdasan per dolar, Meta mengatakan Ember menyamai skor terbaik Intelligence Index milik Haiku dengan sekitar sepertiga biaya per tugas, yakni kurang lebih $0,14 versus $0,41. Harga tokennya sama, jadi selisihnya berasal dari berapa banyak token yang digunakan tiap model per tugas. Luna biayanya kurang lebih sama dengan Ember, yaitu $0,15 per tugas, namun skornya 28, bukan 36.

Ember juga memimpin pada uji agentic dan multimodal Meta. Di antara ketiganya, hanya Ember yang menerima audio dan video, serta mengizinkan hingga 512.000 token output, dibanding 128.000 untuk dua lainnya. Jendela konteksnya kurang lebih setara.

Haiku lebih kuat di satu area. Model ini lebih tinggi pada FrontierCode 2.0-AA, yang menilai tugas rekayasa berdasarkan kemudahan merge. Ini penting jika agen Anda menulis kode yang langsung masuk ke repositori.

Ember tampak seperti opsi yang baik untuk alur kerja ber-volume tinggi yang tersusun dari langkah-langkah rutin. Namun Meta memilih dan melaporkan perbandingan ini, jadi uji pada beban kerja Anda sendiri sebelum beralih.

Skor Index dan biaya per tugas berada pada upaya penalaran maksimum. Rincian harga untuk Haiku 5.5 dan GPT-6 Luna berasal dari tarif yang mereka publikasikan.

Harga dan Ketersediaan Muse Ember

Berikut biaya Muse Ember per satu juta token untuk prompt hingga 200.000 token input:

Prompt yang lebih panjang berbiaya lebih tinggi. Di atas 200.000 token input, tarif Meta naik menjadi $0,30 untuk input dan $1,50 untuk output, dan input di-cache menjadi $0,012.

Itu tiga kali lipat harga untuk prompt pendek. Jadi harga utama tidak berlaku untuk setiap panjang konteks, dan jika agen Anda rutin mengirim prompt yang sangat besar, rencanakan berdasarkan hal itu.

ID model API adalah muse-ember-1.0, dan Ember mendukung Responses API. Anda dapat menggunakannya melalui Muse Code dan Meta Model API. Meta juga mencantumkannya di Google Cloud dan Oracle Cloud.

Bagaimana Muse Ember Masuk ke Keluarga Model AI Meta

Meta menggambarkan model Muse sebagai portofolio, dengan masing-masing dibuat untuk tugas yang berbeda.

Muse Wonder

Wonder ditujukan untuk masalah paling sulit, seperti penalaran yang menantang dan tugas-tugas kompleks. Dalam alur kerja agen, inilah model yang melakukan perencanaan.

Muse Spark

Spark ditujukan untuk coding dan alur kerja agentic yang lebih luas. Dalam perbandingan Meta, Spark 1.3 meraih skor 37 pada Intelligence Index versus 36 untuk Ember, tetapi biayanya $2,39 per tugas dibanding $0,14. Harga daftar Spark adalah $1,25 per satu juta token input dan $4,25 per satu juta token output.

Muse Ember

Ember ditujukan untuk tugas coding dan agentic yang dapat diulang dalam skala besar. Meta mengatakan ini juga model pertama yang dilatih dengan Muse Wonder Full.

Apa yang Dapat Dibangun Pengembang dengan Muse Ember?

Pengumuman Meta dan penguji awalnya menyoroti beberapa penggunaan konkret:

• Analisis dokumen: Box menggunakannya untuk menilai kontrak terhadap pedoman negosiasi, klausul demi klausul
• Pekerjaan repositori: Cloudflare menggunakannya untuk investigasi multi-repo, dan Meta mengatakan model ini dapat menjalankan uji serta melakukan perbaikan terarah
• Ekstraksi multimodal: Dapat membaca dokumen yang dipindai atau bekerja dari rekaman rapat
• Alur lintas aplikasi: Dapat mengambil rekam data dan memperbarui sistem di berbagai aplikasi

Misalkan agen dukungan pelanggan menerima permintaan pengembalian dana dengan tangkapan layar terlampir. Model yang lebih besar memutuskan cara menyelesaikan kasus. Ember kemudian membaca tangkapan layar, mengambil rekam pesanan, dan memperbarui tiket.

Urutan yang sama dijalankan untuk setiap tiket, jadi harga per panggilan menentukan biaya seluruh antrean.

Apa Arti Muse Ember bagi Masa Depan Agen AI

Angka yang perlu diperhatikan adalah biaya per tugas yang selesai, bukan biaya per token. Model dengan harga token rendah bisa tetap mahal jika membutuhkan banyak token untuk menuntaskan pekerjaan.

Itu mengubah cara Anda memilih model. Alih-alih mencari yang terkuat, Anda mencocokkan tiap langkah dengan kemampuan dan harga yang tepat. Model yang lebih besar merencanakan, yang lebih kecil menjalankan langkah berulang, dan model multimodal seperti Ember membaca tangkapan layar serta rekaman tanpa model terpisah untuk masing-masing.

Dengan alur kerja otonom yang panjang, langkah-langkah rutin harus murah agar keseluruhan proses terjangkau.

Namun Meta bukan satu-satunya lab yang menjual model kecil untuk peran ini. Haiku 5.5 dan GPT-6 Luna tercantum dengan harga token yang sama, jadi pertimbangkan juga keduanya.

Kesimpulan

Muse Ember dibangun untuk pekerjaan repetitif yang dilakukan agen AI sepanjang hari. Harganya $0,10 per satu juta token input dan $0,50 per satu juta token output, memiliki jendela konteks 1 juta token, serta menerima input teks, gambar, audio, dan video. Meta melaporkan bahwa model ini menyamai skor Haiku 5.5 pada Artificial Analysis Intelligence Index dengan sekitar sepertiga biaya per tugas.

Model ini dimaksudkan untuk bekerja berdampingan dengan model yang lebih besar seperti Muse Wonder, yang merencanakan sementara Ember menjalankan langkah-langkah berulang. Namun sebagian besar perbandingan ini dijalankan Meta, dan hasil serta penghematan Anda akan bergantung pada beban kerja dan pengaturan evaluasi Anda.

Namun poin pentingnya adalah jika Meta benar, keunggulan kompetitif berikutnya pada agen AI mungkin sama besarnya berasal dari seberapa cerdas sebuah sistem membagi pekerjaan seperti halnya dari seberapa mumpuni model terbesarnya.

Apa saja Agen AI Terbaik pada 2026? Baca postingan blog kami untuk membandingkan framework, alat tanpa-kode, platform enterprise, dan dapatkan panduan langkah demi langkah untuk memilih dan menerapkan automasi agentic.