Meta's Muse Ember: een goedkoop AI-model gebouwd voor agents

Deze week kondigde Meta Muse Ember aan, zijn kleinste model. Ember concurreert niet op zware redeneertaken. In plaats daarvan doet het de herhaalde stappen van een agent-workflow, terwijl een groter model zoals Muse Wonder de planning doet.

Muse Ember kost $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens voor prompts tot 200.000 tokens. Volgens Meta levert het meer intelligentie per dollar dan Claude Haiku 5.5 en GPT-6 Luna, en het evenaart Haiku’s beste Artificial Analysis Intelligence Index-score tegen ongeveer een derde van de kosten per taak.

In dit artikel neem ik je mee door wat Muse Ember is, hoe de benchmarks en prijzen zich verhouden, en waar het staat in vergelijking met de grotere Muse-modellen.

Maar wat is een AI-agent? Schrijf je in voor onze cursus Introduction to AI Agents en begrijp de basis in slechts 90 minuten.

Wat is Meta Muse Ember?

Muse Ember is een lichtgewicht multimodaal redeneermodel van Meta Superintelligence Labs. Het is gebouwd voor het werk dat agents de hele dag herhalen, zoals toolcalls, codeersubtaken, routering, gegevensextractie en werk met lange documenten.

Het neemt tekst-, beeld-, audio- en video-invoer, zodat een agent geen apart model per type nodig heeft. Het contextvenster is 1 miljoen tokens en het kan tot 512.000 outputtokens produceren. Je kunt het gebruiken via Muse Code en de Meta Model API.

Meta noemt het het "kleinste" model, maar dat verwijst alleen naar de positie in Meta’s modelportfolio. In de aankondiging staat geen aantal parameters.

Waarom Meta Muse Ember bouwde voor AI-agents

Een chatbot doet één modelaanroep per antwoord, terwijl een agent er in een sessie honderden doet. Volgens Meta gaan de meeste tokens naar kleine, gestructureerde stappen. Bijvoorbeeld:

• Retrieval: Een bestand lezen of een document openen
• Toolcalls: Een test draaien of een API aanroepen
• Routering: Elke aanvraag naar de juiste workflow sturen
• Edits: Een applicatie bijwerken na een gerichte codewijziging

De meeste van deze stappen hebben geen model op topniveau nodig, maar de kosten stapelen zich op. Zelfs een kleine besparing per call telt als een agent er honderden of duizenden maakt.

Meta’s antwoord is een taakverdeling: "Muse Wonder plant, Muse Ember verwerkt het volume." Wonder neemt de zware redeneertaken, en Ember draait de herhaalde stappen.

Stel dat een team een grote codebase naar een nieuw framework migreert. Wonder plant de volgorde van de wijzigingen en splitst het werk in taken. Ember leest vervolgens elk bestand, doet de gerichte wijziging en draait de tests, honderden keren achter elkaar.

Benchmarks van Muse Ember

Meta’s claim is dat Muse Ember concurrerende intelligentie levert tegen veel lagere kosten dan andere kleine modellen. Op de Artificial Analysis Intelligence Index scoren Ember en Claude Haiku 5.5 allebei 36, en GPT-6 Luna scoort 28. Het verschil zit in de kosten per taak: ongeveer $0,14 voor Ember, versus ongeveer $0,41 voor Haiku en $0,15 voor Luna.

Meta rapporteerde deze resultaten op 9 november 2026, bij maximale redeneerinspanning. De Intelligence Index, AutomationBench-AA en FrontierCode 2.0-AA komen van Artificial Analysis. Agents' Last Exam is een interne evaluatie van Meta. Terminal-Bench 4.0 gebruikt de best gepubliceerde harness van elk model. Je vindt alle details in Meta’s evaluatierapport.

Agentische workflows

Embers grootste voorsprong ligt op AutomationBench-AA, dat end-to-end bedrijfsworkflows meet. Het scoort 37,8%, tegenover 13,9% voor Haiku en 20,2% voor Luna.

Op Agents' Last Exam is de voorsprong iets kleiner: 61,6%, tegenover 57,0% en 57,1%. Dat is een interne evaluatie van Meta op een Linux-subset, dus het is Meta’s eigen resultaat.

Coderen

Ember scoort 40,9% op Terminal-Bench 4.0, tegenover 39,2% voor Haiku en 16,4% voor Luna. Maar elk model draaide in zijn eigen harness, dus de vergelijking is niet helemaal gelijk. Op de Artificial Analysis Coding Agent Index scoort Ember 46, tegenover 37 voor Haiku en 31 voor Luna.

Haiku wint op FrontierCode 2.0-AA, dat engineeringtaken op mergeability beoordeelt. Het scoort 34,9%, tegenover 27,2% voor Ember en 25,2% voor Luna.

Multimodale taken

Tegenover Haiku vallen de multimodale verschillen niet zo op. Op OSWorld 2.1, een test voor computergebruik, scoort Ember 69,5% met partial-credit scoring, tegenover 68,9% voor Haiku en 50,5% voor Luna.

Op PerceptionBench, dat fijne visuele details meet, scoort het 80,6% met tools, tegenover 78,6% en 62,8%. Beide zijn interne evaluaties van Meta. Op GDP.pdf-AA, dat professioneel werk over lange documenten dekt, eindigen Ember en Luna gelijk op 22,8%, en Haiku scoort 20,8%.

Muse Ember vs Claude Haiku 5.5 en GPT-6 Luna

Alle drie de modellen staan vermeld op $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens voor korte prompts. Daarom is het belangrijk om ze te vergelijken en de verschillen te noteren.

Qua intelligentie per dollar zegt Meta dat Ember Haiku’s beste Intelligence Index-score evenaart tegen ongeveer een derde van de kosten per taak, grofweg $0,14 versus $0,41. De tokenprijzen zijn hetzelfde, dus het verschil komt door hoeveel tokens elk model per taak gebruikt. Luna kost ongeveer evenveel als Ember met $0,15 per taak, maar scoort 28 in plaats van 36.

Ember leidt ook op Meta’s agentische en multimodale tests. Het is de enige van de drie die audio en video accepteert, en het staat tot 512.000 outputtokens toe, tegenover 128.000 voor de andere twee. De contextvensters zijn ongeveer gelijk.

Haiku is op één punt sterker. Het scoort hoger op FrontierCode 2.0-AA, dat engineeringtaken beoordeelt op mergeability. Dit is belangrijk als je agents code schrijven die direct een repository in gaat.

Ember lijkt een goede optie voor grootschalige workflows die uit routinestappen bestaan. Maar Meta koos en rapporteerde deze vergelijkingen, dus test het op je eigen werklast voordat je overstapt.

Indexscores en kosten per taak zijn bij maximale redeneerinspanning. Prijsdetails voor Haiku 5.5 en GPT-6 Luna komen uit hun gepubliceerde tarieven.

Prijzen en beschikbaarheid van Muse Ember

Dit kost Muse Ember per miljoen tokens voor prompts tot 200.000 inputtokens:

Langere prompts kosten meer. Boven 200.000 inputtokens stijgen Meta’s tarieven naar $0,30 voor input en $1,50 voor output, en gecachte input gaat omhoog naar $0,012.

Dat is drie keer de prijs voor korte prompts. De headlineprijs geldt dus niet voor iedere contextlengte, en als je agents regelmatig zeer grote prompts sturen, plan daar dan omheen.

De API-model-ID is muse-ember-1.0, en Ember ondersteunt de Responses API. Je kunt het gebruiken via Muse Code en de Meta Model API. Meta vermeldt het ook op Google Cloud en Oracle Cloud.

Hoe Muse Ember past in Meta’s AI-modelfamilie

Meta beschrijft zijn Muse-modellen als een portfolio, waarbij elk model voor een andere taak is gebouwd.

Muse Wonder

Wonder is voor de lastigste problemen, zoals moeilijke redeneeropgaven en complexe taken. In een agent-workflow is het het model dat plant.

Muse Spark

Spark is voor coderen en bredere agentische workflows. In Meta’s vergelijking scoort Spark 1.3 37 op de Intelligence Index tegenover 36 voor Ember, maar het kost $2,39 per taak tegenover $0,14. De lijstprijs is $1,25 per miljoen inputtokens en $4,25 per miljoen outputtokens.

Muse Ember

Ember is voor herhaalbare codeer- en agenttaken op schaal. Meta zegt dat het ook het eerste model is dat is getraind met Muse Wonder Full.

Wat kunnen ontwikkelaars bouwen met Muse Ember?

Meta’s aankondiging en de vroege testers wijzen op een paar concrete toepassingen:

• Documentanalyse: Box gebruikte het om contracten artikel voor artikel te scoren tegen een onderhandelings-playbook
• Repository-werk: Cloudflare gebruikte het voor multi-repo-onderzoek, en Meta zegt dat het tests kan draaien en gerichte fixes kan maken
• Multimodale extractie: Het kan gescande documenten lezen of werken vanaf vergaderopnames
• Cross-app-workflows: Het kan records ophalen en systemen bijwerken over applicaties heen

Stel dat een klantenservice-agent een restitutieverzoek ontvangt met een screenshot als bijlage. Het grotere model beslist hoe de case wordt opgelost. Ember leest vervolgens de screenshot, haalt het bestelrecord op en werkt het ticket bij.

Dezelfde volgorde draait voor elk ticket, dus de prijs per call bepaalt wat de hele wachtrij kost.

Wat Muse Ember betekent voor de toekomst van AI-agents

Het getal om in de gaten te houden is de kosten per voltooide taak, niet de kosten per token. Een model met een lage tokenprijs kan nog steeds duur zijn als het veel tokens nodig heeft om een klus te klaren.

Dat verandert hoe je modellen kiest. In plaats van te zoeken naar het sterkste model, koppel je elke stap aan de juiste capaciteiten en prijs. Een groter model plant, een kleiner voert de herhaalde stappen uit, en een multimodaal model zoals Ember leest screenshots en opnames zonder een apart model voor elk.

Bij lange autonome workflows moeten de routinestappen goedkoop zijn om de hele run betaalbaar te houden.

Maar Meta is niet het enige lab dat een klein model voor deze rol verkoopt. Haiku 5.5 en GPT-6 Luna hebben dezelfde tokenprijs, dus houd die ook in gedachten.

Conclusie

Muse Ember is gebouwd voor het repetitieve werk dat AI-agents de hele dag doen. Het kost $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens, heeft een contextvenster van 1 miljoen tokens en accepteert tekst-, beeld-, audio- en video-invoer. Meta meldt dat het de score van Haiku 5.5 op de Artificial Analysis Intelligence Index evenaart tegen ongeveer een derde van de kosten per taak.

Het is bedoeld om naast grotere modellen zoals Muse Wonder te werken, die plannen terwijl Ember de herhaalde stappen uitvoert. Maar Meta voerde het grootste deel van deze vergelijkingen zelf uit, en je eigen resultaten en besparingen hangen af van je werklast en evaluatieopzet.

Maar de belangrijkste conclusie is dat, als Meta gelijk heeft, het volgende concurrentievoordeel bij AI-agents net zozeer kan komen van hoe slim een systeem het werk splitst als van hoe capabel het grootste model is.

Wat zijn de beste AI-agents in 2026? Lees onze blogpost om frameworks, no-code-tools en enterpriseplatforms te vergelijken en stap-voor-stap begeleiding te krijgen om agentische automatisering te kiezen en in te zetten.