Muse Ember da Meta: um modelo de IA de baixo custo para agentes

Nesta semana, a Meta anunciou o Muse Ember, seu menor modelo. O Ember não compete em tarefas de raciocínio avançado. Em vez disso, ele executa as etapas repetitivas de um workflow de agente, enquanto um modelo maior, como o Muse Wonder, faz o planejamento.

O Muse Ember custa US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída para prompts de até 200.000 tokens. A Meta afirma que ele entrega mais inteligência por dólar do que o Claude Haiku 5.5 e o GPT-6 Luna, e que iguala a melhor pontuação do Haiku no Artificial Analysis Intelligence Index por cerca de um terço do custo por tarefa.

Neste artigo, vou explicar o que é o Muse Ember, como seus benchmarks e preços se comparam e onde ele se posiciona em relação aos modelos Muse maiores.

Mas afinal, o que é um agente de IA? Inscreva-se no nosso curso Introduction to AI Agents e entenda os fundamentos em apenas 90 minutos.

O que é o Meta Muse Ember?

O Muse Ember é um modelo leve de raciocínio multimodal dos Meta Superintelligence Labs. Ele foi criado para o trabalho que agentes repetem o dia todo, como chamadas de ferramentas, subtarefas de código, roteamento, extração de dados e tarefas com documentos longos.

Ele aceita entradas de texto, imagem, áudio e vídeo, então um agente não precisa de um modelo separado para cada tipo. A janela de contexto é de 1 milhão de tokens e ele pode gerar até 512.000 tokens de saída. Você pode usá-lo via Muse Code e a Meta Model API.

	Muse Ember
Developer	Meta Superintelligence Labs
Model ID	muse-ember-1.0
Input types	Texto, imagem, áudio, vídeo
Context window	1.000.000 tokens
Maximum output	512.000 tokens
API support	Responses API
Availability	Muse Code, Meta Model API

A Meta diz que ele é o "menor" modelo, mas isso se refere apenas à sua posição no portfólio da empresa. O anúncio não informa a contagem de parâmetros.

Por que a Meta criou o Muse Ember para agentes de IA

Um chatbot faz uma chamada de modelo por resposta, enquanto um agente faz centenas delas em uma sessão. Segundo a Meta, a maioria dos tokens vai para etapas pequenas e estruturadas. Por exemplo:

Recuperação: ler um arquivo ou abrir um documento
Chamadas de ferramentas: rodar um teste ou chamar uma API
Roteamento: enviar cada solicitação para o fluxo certo
Edições: atualizar um aplicativo após uma mudança pontual no código

A maioria dessas etapas não exige um modelo de ponta, mas o custo soma. Mesmo uma pequena economia por chamada faz diferença quando um agente realiza centenas ou milhares delas.

A resposta da Meta é dividir o trabalho: "O Muse Wonder planeja, o Muse Ember cuida do volume". O Wonder assume o raciocínio difícil e o Ember executa as etapas repetidas.

Suponha que um time migre uma grande base de código para um novo framework. O Wonder define a ordem das mudanças e divide o trabalho em tarefas. Em seguida, o Ember lê cada arquivo, faz a edição pontual e roda os testes — centenas de vezes.

Benchmarks do Muse Ember

A Meta afirma que o Muse Ember entrega inteligência competitiva a um custo bem menor do que outros modelos pequenos. No Artificial Analysis Intelligence Index, Ember e Claude Haiku 5.5 marcam 36, e o GPT-6 Luna marca 28. A diferença está no custo por tarefa: cerca de US$ 0,14 para o Ember, contra aproximadamente US$ 0,41 para o Haiku e US$ 0,15 para o Luna.

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%

A Meta reportou esses resultados em 9 de novembro de 2026, no esforço máximo de raciocínio. O Intelligence Index, o AutomationBench-AA e o FrontierCode 2.0-AA são da Artificial Analysis. O Agents' Last Exam é uma avaliação interna da Meta. O Terminal-Bench 4.0 usa o melhor harness publicado de cada modelo. Você encontra todos os detalhes no relatório de avaliação da Meta.

Workflows agentic

A maior vantagem do Ember aparece no AutomationBench-AA, que mede workflows de negócios ponta a ponta. Ele marca 37,8%, contra 13,9% do Haiku e 20,2% do Luna.

No Agents' Last Exam, a vantagem é menor — 61,6%, contra 57,0% e 57,1%. Essa é uma avaliação interna da Meta em um subconjunto de Linux, então é um resultado da própria empresa.

Programação

O Ember marca 40,9% no Terminal-Bench 4.0, contra 39,2% do Haiku e 16,4% do Luna. Mas cada modelo rodou em seu próprio harness, então não é uma comparação idêntica. No Artificial Analysis Coding Agent Index, o Ember marca 46, contra 37 do Haiku e 31 do Luna.

O Haiku vence no FrontierCode 2.0-AA, que avalia tarefas de engenharia pela capacidade de merge. Ele marca 34,9%, contra 27,2% do Ember e 25,2% do Luna.

Tarefas multimodais

Em relação ao Haiku, as diferenças multimodais não são tão evidentes. No OSWorld 2.1, um teste de uso de computador, o Ember marca 69,5% com pontuação de crédito parcial, contra 68,9% do Haiku e 50,5% do Luna.

No PerceptionBench, que mede detalhes visuais finos, ele marca 80,6% com ferramentas, contra 78,6% e 62,8%. Ambos são testes internos da Meta. No GDP.pdf-AA, que cobre trabalho profissional em documentos longos, Ember e Luna empatam em 22,8%, e o Haiku marca 20,8%.

Muse Ember vs Claude Haiku 5.5 e GPT-6 Luna

Os três modelos têm preço de lista de US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída para prompts curtos. Por isso é importante compará-los e observar as diferenças.

Em inteligência por dólar, a Meta diz que o Ember iguala a melhor pontuação do Haiku no Intelligence Index por cerca de um terço do custo por tarefa — aproximadamente US$ 0,14 contra US$ 0,41. Os preços por token são os mesmos, então a diferença vem da quantidade de tokens que cada modelo usa por tarefa. O Luna sai por um valor próximo ao do Ember, cerca de US$ 0,15 por tarefa, mas marca 28 em vez de 36.

O Ember também lidera nos testes agentic e multimodais da Meta. É o único dos três que aceita áudio e vídeo, e permite até 512.000 tokens de saída, contra 128.000 dos outros dois. As janelas de contexto são parecidas.

O Haiku é mais forte em um ponto: ele marca mais no FrontierCode 2.0-AA, que avalia tarefas de engenharia pela capacidade de merge. Isso é relevante se seus agentes escrevem código que vai direto para o repositório.

O Ember parece uma boa opção para workflows de alto volume formados por etapas rotineiras. Mas a Meta escolheu e reportou essas comparações; então, teste no seu próprio workload antes de fazer a troca.

	Muse Ember	Claude Haiku 5.5	GPT-6 Luna
Preço por 1M de tokens (entrada/saída)	US$ 0,10 / US$ 0,50	US$ 0,10 / US$ 0,50	US$ 0,10 / US$ 0,50
Taxas maiores começam acima de	200K tokens	100K tokens	272K tokens
Janela de contexto	1M tokens	1M tokens	1,05M tokens
Saída máxima	512K tokens	128K tokens	128K tokens
Tipos de entrada	Texto, imagem, áudio, vídeo	Texto, imagem	Texto, imagem
Pontuação no Index	36	36	28
Custo por tarefa do Index	Cerca de US$ 0,14	Cerca de US$ 0,41	Cerca de US$ 0,15

As pontuações do Index e o custo por tarefa consideram esforço máximo de raciocínio. Detalhes de preços do Haiku 5.5 e do GPT-6 Luna vêm de suas tarifas publicadas.

Preços e disponibilidade do Muse Ember

Veja quanto o Muse Ember custa por milhão de tokens para prompts de até 200.000 tokens de entrada:

Uso da API	Preço por 1M de tokens
Entrada	US$ 0,10
Entrada em cache	US$ 0,004
Saída	US$ 0,50

Prompts mais longos custam mais. Acima de 200.000 tokens de entrada, as tarifas da Meta sobem para US$ 0,30 na entrada e US$ 1,50 na saída, e a entrada em cache vai para US$ 0,012.

Isso é o triplo do preço para prompts curtos. Portanto, o preço de vitrine não se aplica a todo tamanho de contexto e, se seus agentes costumam enviar prompts muito grandes, planeje com isso em mente.

O ID do modelo na API é muse-ember-1.0, e o Ember é compatível com a Responses API. Você pode usá-lo via Muse Code e pela Meta Model API. A Meta também o lista no Google Cloud e no Oracle Cloud.

Como o Muse Ember se encaixa na família de modelos de IA da Meta

A Meta descreve os modelos Muse como um portfólio, com cada um criado para uma tarefa diferente.

Muse Wonder

Wonder é para os problemas mais difíceis, como raciocínio complexo e tarefas elaboradas. Em um workflow de agente, é o modelo que faz o planejamento.

Muse Spark

Spark é voltado para programação e workflows agentic mais amplos. Na comparação da Meta, o Spark 1.3 marca 37 no Intelligence Index, contra 36 do Ember, mas custa US$ 2,39 por tarefa versus US$ 0,14. Seu preço de lista é de US$ 1,25 por milhão de tokens de entrada e US$ 4,25 por milhão de tokens de saída.

Muse Ember

O Ember é voltado para tarefas repetíveis de código e agentic em escala. A Meta diz que ele também é o primeiro modelo treinado com o Muse Wonder Full.

O que desenvolvedores podem criar com o Muse Ember?

O anúncio da Meta e os primeiros testers apontam alguns usos concretos:

Análise de documentos: a Box usou para pontuar contratos contra um playbook de negociação, cláusula por cláusula
Trabalho com repositórios: a Cloudflare usou para investigação entre múltiplos repositórios, e a Meta afirma que ele consegue rodar testes e fazer correções pontuais
Extração multimodal: ele pode ler documentos digitalizados ou trabalhar a partir de gravações de reuniões
Workflows entre apps: ele pode buscar registros e atualizar sistemas em diferentes aplicações

Imagine que um agente de suporte recebe um pedido de reembolso com uma captura de tela anexada. O modelo maior decide como resolver o caso. O Ember então lê a captura, busca o registro do pedido e atualiza o ticket.

A mesma sequência roda para cada ticket, então o preço por chamada determina quanto custa a fila inteira.

O que o Muse Ember indica para o futuro dos agentes de IA

O número a observar é o custo por tarefa concluída, não o custo por token. Um modelo com preço baixo por token ainda pode sair caro se precisar de muitos tokens para terminar o trabalho.

Isso muda como você escolhe modelos. Em vez de procurar o mais forte, você casa cada etapa com a capacidade e o preço certos. Um modelo maior planeja, um menor executa as etapas repetidas e um modelo multimodal como o Ember lê capturas de tela e gravações sem precisar de um modelo separado para cada tipo.

Em workflows autônomos longos, as etapas rotineiras precisam ser baratas para que a execução completa seja viável.

Mas a Meta não é o único laboratório que oferece um modelo pequeno para esse papel. O Haiku 5.5 e o GPT-6 Luna têm o mesmo preço por token de lista, então mantenha-os no radar.

Conclusão

O Muse Ember foi criado para o trabalho repetitivo que agentes de IA fazem o dia inteiro. Ele custa US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída, tem janela de contexto de 1 milhão de tokens e aceita entradas de texto, imagem, áudio e vídeo. A Meta reporta que ele iguala a pontuação do Haiku 5.5 no Artificial Analysis Intelligence Index por cerca de um terço do custo por tarefa.

Ele foi pensado para trabalhar ao lado de modelos maiores como o Muse Wonder, que planeja enquanto o Ember executa as etapas repetidas. Mas a maior parte dessas comparações foi conduzida pela Meta, e seus próprios resultados e economias vão depender do seu workload e do setup de avaliação.

O ponto principal é: se a Meta estiver certa, a próxima vantagem competitiva em agentes de IA pode vir tanto de como o sistema divide o trabalho quanto da capacidade do seu maior modelo.

Quais são os melhores agentes de IA em 2026? Leia nosso post para comparar frameworks, ferramentas no-code, plataformas corporativas e obter um passo a passo para escolher e implementar automação agentic.

Autor

Dario Radečić

Cientista de dados sênior baseado na Croácia. Principal redator técnico com mais de 700 artigos publicados, gerando mais de 10 milhões de visualizações. Autor do livro Automação do aprendizado de máquina com TPOT.

FAQs

O que é o Muse Ember?

O Muse Ember é o menor modelo da Meta, dos Meta Superintelligence Labs. É um modelo leve de raciocínio multimodal que aceita entradas de texto, imagem, áudio e vídeo, e possui uma janela de contexto de 1 milhão de tokens.

Para que serve o Muse Ember?

Ele foi criado para o trabalho repetido que agentes de IA realizam, como chamadas de ferramentas, subtarefas de programação, roteamento e extração de dados. A Meta o combina com um modelo maior como o Muse Wonder, que planeja enquanto o Ember executa as etapas repetidas.

Quanto custa o Muse Ember?

Para prompts de até 200.000 tokens de entrada, ele custa US$ 0,10 por milhão de tokens de entrada, US$ 0,004 por milhão de tokens de entrada em cache e US$ 0,50 por milhão de tokens de saída. Acima de 200.000 tokens de entrada, a entrada sobe para US$ 0,30 e a saída para US$ 1,50 por milhão de tokens.

O Muse Ember é melhor que o Claude Haiku 5.5 em programação?

Não em todos os testes. O Ember marca 40,9% no Terminal-Bench 4.0 contra 39,2% do Haiku, e 46 contra 37 no Coding Agent Index. Mas o Haiku lidera no FrontierCode 2.0-AA, 34,9% contra 27,2%.

Como posso acessar o Muse Ember?

Você pode acessá-lo via Muse Code e pela Meta Model API como muse-ember-1.0, e ele é compatível com a Responses API. A Meta também o lista no Google Cloud e no Oracle Cloud.

Temas

Inteligência Artificial