Muse Ember di Meta: un modello AI economico pensato per agenti

Meta ha riportato questi risultati il 9 novembre 2026, al massimo sforzo di ragionamento. L'Intelligence Index, l'AutomationBench-AA e il FrontierCode 2.0-AA provengono da Artificial Analysis. Agents' Last Exam è una valutazione interna di Meta. Terminal-Bench 4.0 usa il miglior harness pubblicato di ciascun modello. Puoi trovare tutti i dettagli nel rapporto di valutazione di Meta.

Workflow agentici

Il vantaggio più grande di Ember è su AutomationBench-AA, che misura workflow aziendali end-to-end. Segna il 37,8%, contro il 13,9% di Haiku e il 20,2% di Luna.

Su Agents' Last Exam, il vantaggio è un po' più contenuto: 61,6% contro 57,0% e 57,1%. È una valutazione interna di Meta su un sottoinsieme Linux, quindi è un risultato della stessa Meta.

Coding

Ember ottiene il 40,9% su Terminal-Bench 4.0, contro il 39,2% di Haiku e il 16,4% di Luna. Ma ogni modello è stato eseguito nel proprio harness, quindi il confronto non è alla pari. Sull'Artificial Analysis Coding Agent Index, Ember segna 46, contro 37 per Haiku e 31 per Luna.

Haiku vince su FrontierCode 2.0-AA, che valuta i task di ingegneria in base alla mergeability. Segna il 34,9%, contro il 27,2% di Ember e il 25,2% di Luna.

Task multimodali

Contro Haiku, i gap sul multimodale non sono così marcati. Su OSWorld 2.1, un test di uso del computer, Ember ottiene il 69,5% con punteggio a credito parziale, contro il 68,9% di Haiku e il 50,5% di Luna.

Su PerceptionBench, che misura i dettagli visivi fini, ottiene l'80,6% con strumenti, contro 78,6% e 62,8%. Entrambi sono valutazioni interne di Meta. Su GDP.pdf-AA, che copre lavoro professionale su documenti lunghi, Ember e Luna pareggiano al 22,8% e Haiku ottiene 20,8%.

Muse Ember vs Claude Haiku 5.5 e GPT-6 Luna

Tutti e tre i modelli hanno un listino di $0,10 per milione di token in input e $0,50 per milione di token in output per prompt brevi. Per questo è importante confrontarli e notare le differenze.

In termini di intelligenza per dollaro, Meta sostiene che Ember eguaglia il miglior punteggio di Haiku sull'Intelligence Index a circa un terzo del costo per task, ovvero approssimativamente $0,14 contro $0,41. I prezzi per token sono gli stessi, quindi il divario deriva da quanti token ciascun modello usa per task. Luna costa più o meno quanto Ember a $0,15 per task, ma ottiene 28 invece di 36.

Ember guida anche i test agentici e multimodali di Meta. È l'unico dei tre ad accettare audio e video, e consente fino a 512.000 token in output, contro 128.000 per gli altri due. Le finestre di contesto sono più o meno equivalenti.

Haiku è più forte in un aspetto. Ottiene punteggi più alti su FrontierCode 2.0-AA, che valuta i task di ingegneria in base alla mergeability. Questo è importante se i tuoi agenti scrivono codice che finisce direttamente in un repository.

Ember sembra una buona opzione per workflow ad alto volume composti da passaggi di routine. Ma Meta ha scelto e riportato questi confronti, quindi testalo sul tuo carico di lavoro prima di effettuare un cambio.

I punteggi dell'Index e i costi per task sono al massimo sforzo di ragionamento. I dettagli di prezzo per Haiku 5.5 e GPT-6 Luna provengono dai rispettivi listini pubblicati.

Prezzi e disponibilità di Muse Ember

Ecco quanto costa Muse Ember per milione di token per prompt fino a 200.000 token in input:

I prompt più lunghi costano di più. Oltre i 200.000 token in input, le tariffe di Meta salgono a $0,30 per l'input e $1,50 per l'output, e l'input in cache passa a $0,012.

È tre volte il prezzo per prompt breve. Quindi il prezzo di facciata non si applica a tutte le lunghezze di contesto, e se i tuoi agenti inviano spesso prompt molto grandi, pianifica di conseguenza.

L'ID del modello API è muse-ember-1.0 ed Ember supporta la Responses API. Puoi usarlo tramite Muse Code e la Meta Model API. Meta lo elenca anche su Google Cloud e Oracle Cloud.

Come si inserisce Muse Ember nella famiglia di modelli AI di Meta

Meta descrive i suoi modelli Muse come un portfolio, con ciascuno pensato per un compito diverso.

Muse Wonder

Wonder è per i problemi più difficili, come il ragionamento complesso e i task articolati. In un workflow per agenti, è il modello che pianifica.

Muse Spark

Spark è per il coding e i workflow agentici più ampi. Nel confronto di Meta, Spark 1.3 ottiene 37 sull'Intelligence Index contro 36 di Ember, ma costa $2,39 per task contro $0,14. Il listino è $1,25 per milione di token in input e $4,25 per milione di token in output.

Muse Ember

Ember è per task di coding e agentici ripetibili su larga scala. Meta afferma che è anche il primo modello addestrato con Muse Wonder Full.

Cosa possono costruire gli sviluppatori con Muse Ember?

L'annuncio di Meta e i primi tester indicano alcuni usi concreti:

• Analisi documentale: Box l'ha usato per valutare i contratti rispetto a un playbook di negoziazione, clausola per clausola
• Lavoro su repository: Cloudflare l'ha usato per indagini multi-repo, e Meta dice che può eseguire test e applicare fix mirati
• Estrazione multimodale: può leggere documenti scansionati o lavorare da registrazioni di riunioni
• Workflow cross-app: può recuperare record e aggiornare sistemi tra applicazioni

Mettiamo che un agente di supporto riceva una richiesta di rimborso con uno screenshot allegato. Il modello più grande decide come risolvere il caso. Ember quindi legge lo screenshot, recupera il record dell'ordine e aggiorna il ticket.

La stessa sequenza si ripete per ogni ticket, quindi il prezzo per chiamata determina il costo dell'intera coda.

Cosa significa Muse Ember per il futuro degli AI Agent

Il numero da tenere d'occhio è il costo per task completato, non il costo per token. Un modello con prezzo per token basso può comunque essere costoso se ha bisogno di molti token per finire un lavoro.

Questo cambia il modo in cui scegli i modelli. Invece di cercare il più forte in assoluto, abbini ogni passaggio alla capacità e al prezzo giusti. Un modello più grande pianifica, uno più piccolo esegue i passaggi ripetuti e un modello multimodale come Ember legge screenshot e registrazioni senza un modello separato per ciascuno.

Con workflow autonomi lunghi, i passaggi di routine devono essere economici perché l'intera esecuzione sia sostenibile.

Ma Meta non è l'unico laboratorio che vende un modello piccolo per questo ruolo. Haiku 5.5 e GPT-6 Luna hanno lo stesso prezzo per token a listino, quindi tienili in considerazione.

Conclusione

Muse Ember è pensato per il lavoro ripetitivo che gli agenti AI svolgono tutto il giorno. Costa $0,10 per milione di token in input e $0,50 per milione di token in output, ha una finestra di contesto da 1 milione di token e accetta input di testo, immagini, audio e video. Meta riporta che eguaglia il punteggio di Haiku 5.5 sull'Artificial Analysis Intelligence Index a circa un terzo del costo per task.

È progettato per lavorare accanto a modelli più grandi come Muse Wonder, che pianifica mentre Ember esegue i passaggi ripetuti. Ma la maggior parte di questi confronti è stata condotta da Meta, e i tuoi risultati e risparmi dipenderanno dal tuo carico di lavoro e dall'impostazione della valutazione.

La cosa importante da portare a casa è che, se Meta ha ragione, il prossimo vantaggio competitivo negli AI agenti potrebbe dipendere tanto da come un sistema suddivide intelligentemente il lavoro quanto dalle capacità del suo modello più grande.

Quali sono i migliori AI Agent nel 2026? Leggi il nostro post per confrontare framework, tool no-code, piattaforme enterprise e ottenere una guida passo passo per scegliere e distribuire automazione agentica.