今週、Metaは最小モデルであるMuse Emberを発表しました。Emberは難易度の高い推論タスクでは競いません。その代わり、Muse Wonderのような大規模モデルが計画を立て、Emberはエージェントのワークフローにおける反復的なステップを担当します。
Muse Emberの料金は、プロンプトが20万トークンまでの場合、入力100万トークンあたり$0.10、出力100万トークンあたり$0.50です。Metaによると、Claude Haiku 5.5やGPT-6 Lunaよりも「1ドルあたりの知性」が高く、タスクあたりのコストは約3分の1でHaikuの最高スコアに匹敵するとのことです。
本記事では、Muse Emberの概要、ベンチマークと価格の比較、そしてより大きなMuseモデルと比べた位置づけを解説します。
ところで、AIエージェントとは何でしょうか？Introduction to AI Agentsコースに登録して、90分で基礎を学んでください。
Muse Emberは、Meta Superintelligence Labsによる軽量のマルチモーダル推論モデルです。ツール呼び出し、コーディングのサブタスク、ルーティング、データ抽出、長文ドキュメント処理など、エージェントが一日中繰り返す作業向けに設計されています。
テキスト、画像、音声、動画の入力に対応するため、エージェントは用途ごとに別モデルを用意する必要がありません。コンテキストウィンドウは100万トークン、最大出力は512,000トークンです。Muse CodeおよびMeta Model APIから利用できます。
| | Muse Ember |
|---|
| 開発元 | Meta Superintelligence Labs |
| モデルID | muse-ember-1.0 |
| 入力タイプ | テキスト、画像、音声、動画 |
| コンテキストウィンドウ | 1,000,000 tokens |
| 最大出力 | 512,000 tokens |
| API対応 | Responses API |
| 提供形態 | Muse Code, Meta Model API |
Metaは「最小」モデルと表現していますが、これはMetaのモデル群における位置づけを指すだけです。発表にはパラメータ数は記載されていません。
チャットボットは回答ごとに1回のモデル呼び出しですが、エージェントは1セッションで数百回呼び出します。Metaによれば、大半のトークンは小さく構造化されたステップに使われています。たとえば次のとおりです。
- 検索（リトリーバル）: ファイルを読む、ドキュメントを開く
- ツール呼び出し: テストを実行する、APIを呼ぶ
- ルーティング: 各リクエストを適切なワークフローに送る
- 編集: ターゲットを絞ったコード変更後にアプリケーションを更新する
これらの多くは最先端モデルを必要としませんが、コストは積み上がります。1回あたりのわずかな節約でも、エージェントが数百・数千回と呼び出す場合は大きな差になります。
Metaの解は分業です。「Muse Wonderが計画し、Muse Emberが大量処理を担う。」難しい推論はWonder、反復ステップはEmberが実行します。
たとえば、大規模なコードベースを新しいフレームワークへ移行するチームを考えます。Wonderが変更順序を立ててタスクに分割し、Emberが各ファイルを読み、ピンポイントで編集し、テストを実行——これを何百回も繰り返します。
Muse Emberのベンチマーク
Metaの主張は、Muse Emberが他の小型モデルよりもはるかに低コストで競争力のある知能を提供するというものです。Artificial Analysis Intelligence Indexでは、EmberとClaude Haiku 5.5はいずれも36、GPT-6 Lunaは28です。違いはタスクあたりのコストで、Emberは約$0.14、Haikuは約$0.41、Lunaは約$0.15です。
| ベンチマーク | 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はこれらの結果を2026年11月9日に、最大の推論努力で報告しました。Intelligence Index、AutomationBench-AA、FrontierCode 2.0-AAはArtificial Analysisによるものです。Agents' Last ExamはMetaの社内評価です。Terminal-Bench 4.0は各モデルの公開済みベストハーネスを使用しています。詳細はMetaの評価レポートをご覧ください。
エージェント的ワークフロー
Emberが最も差をつけているのは、エンドツーエンドの業務ワークフローを測るAutomationBench-AAです。スコアは37.8%で、Haikuは13.9%、Lunaは20.2%です。
Agents' Last Examでは差はやや小さく、61.6%に対して57.0%と57.1%です。これはLinuxのサブセットに対するMetaの社内評価です。
コーディング
EmberはTerminal-Bench 4.0で40.9%、Haikuは39.2%、Lunaは16.4%です。ただし各モデルはそれぞれのハーネスで実行されており、厳密な同条件比較ではありません。Artificial Analysis Coding Agent Indexでは、Emberが46、Haikuが37、Lunaが31です。
FrontierCode 2.0-AAではHaikuが優位です。マージ可能性でエンジニアリングタスクを評価し、Haikuが34.9%、Emberが27.2%、Lunaが25.2%という結果です。
マルチモーダルタスク
Haikuと比べてマルチモーダルの差はそれほど大きくありません。コンピュータ操作を測るOSWorld 2.1では、部分点スコアでEmberが69.5%、Haikuが68.9%、Lunaが50.5%です。
精緻な視覚的ディテールを測るPerceptionBenchでは、ツール使用時にEmberが80.6%、Haikuが78.6%、Lunaが62.8%です。いずれもMetaの社内評価です。長文ドキュメントにまたがる専門業務を測るGDP.pdf-AAでは、EmberとLunaが22.8%で同点、Haikuは20.8%です。
Muse Ember vs Claude Haiku 5.5 と GPT-6 Luna
3モデルとも、短いプロンプトでは入力100万トークンあたり$0.10、出力100万トークンあたり$0.50と掲示されています。だからこそ、違いを比較して把握することが重要です。
1ドルあたりの知性について、Metaは、EmberがHaikuの最高のIntelligence Indexスコアにタスクあたり約3分の1のコスト（概ね$0.14対$0.41）で一致すると述べています。トークン単価は同じなので、差はタスク完了までに各モデルが使うトークン量から生じます。LunaのタスクあたりコストはEmberとほぼ同等（約$0.15）ですが、スコアは36ではなく28です。
EmberはMetaのエージェント的・マルチモーダル試験でもリードしています。3つの中で唯一、音声と動画に対応し、最大出力は512,000トークン（他の2つは128,000）です。コンテキストウィンドウはほぼ同等です。
一方でHaikuが強い領域もあります。マージ可能性でエンジニアリングタスクを評価するFrontierCode 2.0-AAでは、Haikuがより高いスコアです。エージェントが書いたコードをそのままリポジトリに入れる場合には重要です。
Emberは定型ステップを積み重ねた高ボリュームのワークフローに適した選択肢に見えます。ただしa chose and reported these comparisons, so test it on your own workload before you switch.
| | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| 100万トークンあたりの価格（入力/出力） | $0.10 / $0.50 | $0.10 / $0.50 | $0.10 / $0.50 |
| 高料金の適用開始 | 200K tokens | 100K tokens | 272K tokens |
| コンテキストウィンドウ | 1M tokens | 1M tokens | 1.05M tokens |
| 最大出力 | 512K tokens | 128K tokens | 128K tokens |
| 入力タイプ | テキスト、画像、音声、動画 | テキスト、画像 | テキスト、画像 |
| Indexスコア | 36 | 36 | 28 |
| Indexタスクあたりのコスト | 約$0.14 | 約$0.41 | 約$0.15 |
Indexスコアとタスクあたりのコストは最大の推論努力での値です。料金の詳細はHaiku 5.5とGPT-6 Lunaの公開レートに基づきます。
Muse Emberの価格と提供状況
プロンプトの入力が20万トークンまでの場合、100万トークンあたりの料金は次のとおりです。
| API利用 | 100万トークンあたり価格 |
|---|
| 入力 | $0.10 |
| キャッシュ済み入力 | $0.004 |
| 出力 | $0.50 |
より長いプロンプトは高くなります。入力が200,000トークンを超えると、Metaのレートは入力$0.30、出力$1.50、キャッシュ済み入力$0.012に上がります。
短いプロンプト時の3倍です。つまり、見出しの価格はあらゆるコンテキスト長に当てはまるわけではなく、非常に大きなプロンプトを頻繁に送る場合はその前提で計画してください。
APIのモデルIDはmuse-ember-1.0で、EmberはResponses APIに対応します。Muse CodeとMeta Model APIから利用可能です。MetaはGoogle CloudやOracle Cloudにも掲載しています。
MetaはMuseモデルを、用途ごとに最適化されたポートフォリオとして位置づけています。
Muse Wonder
Wonderは、難しい推論や複雑な課題といった最難関問題向けです。エージェントのワークフローでは、計画を担うモデルです。
Muse Spark
Sparkは、コーディングやより広範なエージェント的ワークフロー向けです。Metaの比較では、Spark 1.3はIntelligence Indexで37、Emberは36ですが、タスクあたりコストは$2.39対$0.14です。掲示価格は入力100万トークンあたり$1.25、出力100万トークンあたり$4.25です。
Muse Ember
Emberは、スケールする反復的なコーディングやエージェントタスク向けです。Metaによれば、Muse Wonder Fullで訓練された最初のモデルでもあります。
開発者はMuse Emberで何を作れるか？
Metaの発表および初期ユーザーの声から、いくつかの具体的な用途が示されています。
- ドキュメント分析: Boxは交渉プレイブックに基づき、契約書を条項ごとに採点
- リポジトリ作業: Cloudflareは複数リポジトリの調査に活用。Metaはテスト実行やピンポイント修正も可能と述べています
- マルチモーダル抽出: スキャン文書を読み取ったり、会議録音から作業したりできる
- アプリ横断ワークフロー: 複数アプリ間でレコードを取得し、システムを更新できる
たとえば、カスタマーサポートの担当者がスクリーンショット付きの返金依頼を受け取る場面を考えます。大規模モデルが解決方針を決め、Emberがスクリーンショットを読み、注文記録を取得し、チケットを更新します。
この一連の流れはすべてのチケットで繰り返されるため、呼び出し1回あたりの単価がキュー全体のコストを左右します。
Muse EmberがAIエージェントの未来に意味すること
重視すべき数字はトークン単価ではなく、完了タスクあたりのコストです。トークン単価が低くても、仕事を終えるのに多くのトークンを要するモデルは高くつきます。
これによりモデルの選び方も変わります。最強の1つを選ぶのではなく、各ステップに適した能力と価格をマッチさせます。大きなモデルが計画し、小さなモデルが反復ステップを実行し、Emberのようなマルチモーダルモデルがスクリーンショットや録音を別モデルなしで読み取ります。
長い自律型ワークフローでは、定型ステップを安価にすることが全体コストを抑える鍵です。
ただし、この役割に向けた小型モデルを提供しているのはMetaだけではありません。Haiku 5.5やGPT-6 Lunaも同じトークン価格で掲載されていますので、選択肢に入れておきましょう。
まとめ
Muse Emberは、AIエージェントが一日中行う反復作業向けに作られています。入力100万トークンあたり$0.10、出力100万トークンあたり$0.50、コンテキストウィンドウは100万トークン、テキスト・画像・音声・動画の入力に対応します。Metaは、Artificial Analysis Intelligence IndexでHaiku 5.5のスコアに、タスクあたり約3分の1のコストで一致すると報告しています。
これはMuse Wonderのような大規模モデルと並んで使われる想定で、Wonderが計画し、Emberが反復ステップを実行します。ただし多くの比較はMetaが実施したものであり、実際の成果やコスト削減は、ワークロードと評価設定に左右されます。
重要なポイントは、もしMetaの主張が正しければ、AIエージェントの次の競争優位は、最大モデルの能力そのものと同じくらい、「いかに賢く作業を分割するか」からも生まれるということです。
2026年のベストAIエージェントは？フレームワーク、ノーコードツール、エンタープライズプラットフォームを比較し、エージェント自動化を選び導入するためのステップバイステップガイドをブログでご覧ください。
今週、Metaは最小モデルであるMuse Emberを発表しました。Emberは難易度の高い推論タスクでは競いません。その代わり、Muse Wonderのような大規模モデルが計画を立て、Emberはエージェントのワークフローにおける反復的なステップを担当します。
Muse Emberの料金は、プロンプトが20万トークンまでの場合、入力100万トークンあたり$0.10、出力100万トークンあたり$0.50です。Metaによると、Claude Haiku 5.5やGPT-6 Lunaよりも「1ドルあたりの知性」が高く、タスクあたりのコストは約3分の1でHaikuの最高スコアに匹敵するとのことです。
本記事では、Muse Emberの概要、ベンチマークと価格の比較、そしてより大きなMuseモデルと比べた位置づけを解説します。
ところで、AIエージェントとは何でしょうか？Introduction to AI Agentsコースに登録して、90分で基礎を学んでください。
Meta Muse Emberとは？
Muse Emberは、Meta Superintelligence Labsによる軽量のマルチモーダル推論モデルです。ツール呼び出し、コーディングのサブタスク、ルーティング、データ抽出、長文ドキュメント処理など、エージェントが一日中繰り返す作業向けに設計されています。
テキスト、画像、音声、動画の入力に対応するため、エージェントは用途ごとに別モデルを用意する必要がありません。コンテキストウィンドウは100万トークン、最大出力は512,000トークンです。Muse CodeおよびMeta Model APIから利用できます。
Metaは「最小」モデルと表現していますが、これはMetaのモデル群における位置づけを指すだけです。発表にはパラメータ数は記載されていません。
MetaがAIエージェント向けにMuse Emberを作った理由
チャットボットは回答ごとに1回のモデル呼び出しですが、エージェントは1セッションで数百回呼び出します。Metaによれば、大半のトークンは小さく構造化されたステップに使われています。たとえば次のとおりです。
これらの多くは最先端モデルを必要としませんが、コストは積み上がります。1回あたりのわずかな節約でも、エージェントが数百・数千回と呼び出す場合は大きな差になります。
Metaの解は分業です。「Muse Wonderが計画し、Muse Emberが大量処理を担う。」難しい推論はWonder、反復ステップはEmberが実行します。
たとえば、大規模なコードベースを新しいフレームワークへ移行するチームを考えます。Wonderが変更順序を立ててタスクに分割し、Emberが各ファイルを読み、ピンポイントで編集し、テストを実行——これを何百回も繰り返します。
Muse Emberのベンチマーク
Metaの主張は、Muse Emberが他の小型モデルよりもはるかに低コストで競争力のある知能を提供するというものです。Artificial Analysis Intelligence Indexでは、EmberとClaude Haiku 5.5はいずれも36、GPT-6 Lunaは28です。違いはタスクあたりのコストで、Emberは約$0.14、Haikuは約$0.41、Lunaは約$0.15です。
Metaはこれらの結果を2026年11月9日に、最大の推論努力で報告しました。Intelligence Index、AutomationBench-AA、FrontierCode 2.0-AAはArtificial Analysisによるものです。Agents' Last ExamはMetaの社内評価です。Terminal-Bench 4.0は各モデルの公開済みベストハーネスを使用しています。詳細はMetaの評価レポートをご覧ください。
エージェント的ワークフロー
Emberが最も差をつけているのは、エンドツーエンドの業務ワークフローを測るAutomationBench-AAです。スコアは37.8%で、Haikuは13.9%、Lunaは20.2%です。
Agents' Last Examでは差はやや小さく、61.6%に対して57.0%と57.1%です。これはLinuxのサブセットに対するMetaの社内評価です。
コーディング
EmberはTerminal-Bench 4.0で40.9%、Haikuは39.2%、Lunaは16.4%です。ただし各モデルはそれぞれのハーネスで実行されており、厳密な同条件比較ではありません。Artificial Analysis Coding Agent Indexでは、Emberが46、Haikuが37、Lunaが31です。
FrontierCode 2.0-AAではHaikuが優位です。マージ可能性でエンジニアリングタスクを評価し、Haikuが34.9%、Emberが27.2%、Lunaが25.2%という結果です。
マルチモーダルタスク
Haikuと比べてマルチモーダルの差はそれほど大きくありません。コンピュータ操作を測るOSWorld 2.1では、部分点スコアでEmberが69.5%、Haikuが68.9%、Lunaが50.5%です。
精緻な視覚的ディテールを測るPerceptionBenchでは、ツール使用時にEmberが80.6%、Haikuが78.6%、Lunaが62.8%です。いずれもMetaの社内評価です。長文ドキュメントにまたがる専門業務を測るGDP.pdf-AAでは、EmberとLunaが22.8%で同点、Haikuは20.8%です。
Muse Ember vs Claude Haiku 5.5 と GPT-6 Luna
3モデルとも、短いプロンプトでは入力100万トークンあたり$0.10、出力100万トークンあたり$0.50と掲示されています。だからこそ、違いを比較して把握することが重要です。
1ドルあたりの知性について、Metaは、EmberがHaikuの最高のIntelligence Indexスコアにタスクあたり約3分の1のコスト（概ね$0.14対$0.41）で一致すると述べています。トークン単価は同じなので、差はタスク完了までに各モデルが使うトークン量から生じます。LunaのタスクあたりコストはEmberとほぼ同等（約$0.15）ですが、スコアは36ではなく28です。
EmberはMetaのエージェント的・マルチモーダル試験でもリードしています。3つの中で唯一、音声と動画に対応し、最大出力は512,000トークン（他の2つは128,000）です。コンテキストウィンドウはほぼ同等です。
一方でHaikuが強い領域もあります。マージ可能性でエンジニアリングタスクを評価するFrontierCode 2.0-AAでは、Haikuがより高いスコアです。エージェントが書いたコードをそのままリポジトリに入れる場合には重要です。
Emberは定型ステップを積み重ねた高ボリュームのワークフローに適した選択肢に見えます。ただしa chose and reported these comparisons, so test it on your own workload before you switch.
Indexスコアとタスクあたりのコストは最大の推論努力での値です。料金の詳細はHaiku 5.5とGPT-6 Lunaの公開レートに基づきます。
Muse Emberの価格と提供状況
プロンプトの入力が20万トークンまでの場合、100万トークンあたりの料金は次のとおりです。
より長いプロンプトは高くなります。入力が200,000トークンを超えると、Metaのレートは入力$0.30、出力$1.50、キャッシュ済み入力$0.012に上がります。
短いプロンプト時の3倍です。つまり、見出しの価格はあらゆるコンテキスト長に当てはまるわけではなく、非常に大きなプロンプトを頻繁に送る場合はその前提で計画してください。
APIのモデルIDは
muse-ember-1.0で、EmberはResponses APIに対応します。Muse CodeとMeta Model APIから利用可能です。MetaはGoogle CloudやOracle Cloudにも掲載しています。Muse EmberのMetaモデルファミリーにおける位置づけ
MetaはMuseモデルを、用途ごとに最適化されたポートフォリオとして位置づけています。
Muse Wonder
Wonderは、難しい推論や複雑な課題といった最難関問題向けです。エージェントのワークフローでは、計画を担うモデルです。
Muse Spark
Sparkは、コーディングやより広範なエージェント的ワークフロー向けです。Metaの比較では、Spark 1.3はIntelligence Indexで37、Emberは36ですが、タスクあたりコストは$2.39対$0.14です。掲示価格は入力100万トークンあたり$1.25、出力100万トークンあたり$4.25です。
Muse Ember
Emberは、スケールする反復的なコーディングやエージェントタスク向けです。Metaによれば、Muse Wonder Fullで訓練された最初のモデルでもあります。
開発者はMuse Emberで何を作れるか？
Metaの発表および初期ユーザーの声から、いくつかの具体的な用途が示されています。
たとえば、カスタマーサポートの担当者がスクリーンショット付きの返金依頼を受け取る場面を考えます。大規模モデルが解決方針を決め、Emberがスクリーンショットを読み、注文記録を取得し、チケットを更新します。
この一連の流れはすべてのチケットで繰り返されるため、呼び出し1回あたりの単価がキュー全体のコストを左右します。
Muse EmberがAIエージェントの未来に意味すること
重視すべき数字はトークン単価ではなく、完了タスクあたりのコストです。トークン単価が低くても、仕事を終えるのに多くのトークンを要するモデルは高くつきます。
これによりモデルの選び方も変わります。最強の1つを選ぶのではなく、各ステップに適した能力と価格をマッチさせます。大きなモデルが計画し、小さなモデルが反復ステップを実行し、Emberのようなマルチモーダルモデルがスクリーンショットや録音を別モデルなしで読み取ります。
長い自律型ワークフローでは、定型ステップを安価にすることが全体コストを抑える鍵です。
ただし、この役割に向けた小型モデルを提供しているのはMetaだけではありません。Haiku 5.5やGPT-6 Lunaも同じトークン価格で掲載されていますので、選択肢に入れておきましょう。
まとめ
Muse Emberは、AIエージェントが一日中行う反復作業向けに作られています。入力100万トークンあたり$0.10、出力100万トークンあたり$0.50、コンテキストウィンドウは100万トークン、テキスト・画像・音声・動画の入力に対応します。Metaは、Artificial Analysis Intelligence IndexでHaiku 5.5のスコアに、タスクあたり約3分の1のコストで一致すると報告しています。
これはMuse Wonderのような大規模モデルと並んで使われる想定で、Wonderが計画し、Emberが反復ステップを実行します。ただし多くの比較はMetaが実施したものであり、実際の成果やコスト削減は、ワークロードと評価設定に左右されます。
重要なポイントは、もしMetaの主張が正しければ、AIエージェントの次の競争優位は、最大モデルの能力そのものと同じくらい、「いかに賢く作業を分割するか」からも生まれるということです。
2026年のベストAIエージェントは？フレームワーク、ノーコードツール、エンタープライズプラットフォームを比較し、エージェント自動化を選び導入するためのステップバイステップガイドをブログでご覧ください。