На этой неделе Meta представила Muse Ember — свою самую маленькую модель. Ember не соревнуется в сложных задачах рассуждения. Вместо этого она выполняет повторяющиеся шаги в рабочем процессе агента, а более крупная модель вроде Muse Wonder занимается планированием.
Muse Ember стоит $0.10 за миллион входных токенов и $0.50 за миллион выходных токенов для подсказок до 200 000 токенов. По словам Meta, она обеспечивает больше «интеллекта за доллар», чем Claude Haiku 5.5 и GPT-6 Luna, и сопоставима с лучшим показателем Haiku в Artificial Analysis Intelligence Index при приблизительно трёхкратной экономии на задаче.
В этой статье мы разберём, что такое Muse Ember, сравним её бенчмарки и цены, а также определим её место относительно старших моделей Muse.
Но что такое ИИ-агент? Пройдите наш курс Introduction to AI Agents и разберитесь в основах всего за 90 минут.
Muse Ember — лёгкая мультимодальная модель рассуждений из Meta Superintelligence Labs. Она создана для повседневной повторяющейся работы агентов: вызовы инструментов, подзадачи кодинга, маршрутизация, извлечение данных и работа с длинными документами.
Она принимает текст, изображения, аудио и видео, поэтому агенту не нужна отдельная модель для каждого типа данных. Контекстное окно — 1 миллион токенов, максимальный вывод — до 512 000 токенов. Доступна через Muse Code и Meta Model API.
| | Muse Ember |
|---|
| Разработчик | Meta Superintelligence Labs |
| ID модели | muse-ember-1.0 |
| Типы ввода | Текст, изображение, аудио, видео |
| Контекстное окно | 1,000,000 токенов |
| Максимальный вывод | 512,000 токенов |
| Поддержка API | Responses API |
| Доступность | Muse Code, Meta Model API |
Meta называет её «самой маленькой» моделью — это относится лишь к месту в линейке моделей Meta. В анонсе не указан размер в параметрах.
Чат-бот делает один вызов модели на ответ, тогда как агент — сотни за сессию. По словам Meta, большинство токенов уходит на небольшие структурированные шаги. Например:
- Извлечение: прочитать файл или открыть документ
- Вызовы инструментов: запустить тест или вызвать API
- Маршрутизация: направить каждый запрос в нужный рабочий процесс
- Правки: обновить приложение после точечной правки кода
Большинству таких шагов не нужна модель фронтирного уровня, но стоимость накапливается. Даже небольшая экономия на вызове важна, когда агент делает их сотни или тысячи.
Ответ Meta — разделение труда: «Muse Wonder планирует, Muse Ember берёт на себя объём». Wonder решает сложные рассуждения, а Ember выполняет повторяющиеся шаги.
Допустим, команда мигрирует крупную кодовую базу на новый фреймворк. Wonder планирует порядок изменений и разбивает работу на задачи. Ember затем читает каждый файл, вносит точечную правку и запускает тесты — сотни раз подряд.
Бенчмарки Muse Ember
Заявление Meta в том, что Muse Ember обеспечивает конкурентный уровень интеллекта при значительно более низкой цене, чем другие малые модели. В Artificial Analysis Intelligence Index Ember и Claude Haiku 5.5 набирают по 36 баллов, а GPT-6 Luna — 28. Разница — в цене за задачу: около $0.14 для Ember, против примерно $0.41 для Haiku и $0.15 для Luna.
| Бенчмарк | 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 опубликовала эти результаты 9 ноября 2026 года при максимальном уровне рассуждений. Intelligence Index, AutomationBench-AA и FrontierCode 2.0-AA — от Artificial Analysis. Agents' Last Exam — внутренняя оценка Meta. Terminal-Bench 4.0 использует лучший опубликованный «harness» каждой модели. Полные детали — в отчёте об оценке Meta.
Агентные рабочие процессы
Самый большой отрыв у Ember — на AutomationBench-AA, который измеряет сквозные бизнес-процессы. Результат — 37.8% против 13.9% у Haiku и 20.2% у Luna.
В Agents' Last Exam преимущество меньше — 61.6% против 57.0% и 57.1%. Это внутренняя оценка Meta на подмножестве Linux, так что это их собственный результат.
Кодинг
Ember набирает 40.9% на Terminal-Bench 4.0 против 39.2% у Haiku и 16.4% у Luna. Но каждая модель запускалась в своём «harness», так что сравнение не полностью равное. В Artificial Analysis Coding Agent Index Ember — 46, Haiku — 37, Luna — 31.
Haiku лидирует в FrontierCode 2.0-AA, где инженерные задачи оцениваются по «сливаемости» (mergeability): 34.9% против 27.2% у Ember и 25.2% у Luna.
Мультимодальные задачи
По сравнению с Haiku, разрыв в мультимодальности не так заметен. На OSWorld 2.1, тесте по использованию компьютера, Ember получает 69.5% с частичным начислением баллов, у Haiku — 68.9%, у Luna — 50.5%.
На PerceptionBench, который измеряет точность восприятия визуальных деталей, результат — 80.6% с инструментами, против 78.6% и 62.8%. Оба — внутренние оценки Meta. На GDP.pdf-AA, охватывающем профессиональную работу с длинными документами, Ember и Luna сравнялись на 22.8%, Haiku — 20.8%.
Muse Ember против Claude Haiku 5.5 и GPT-6 Luna
Все три модели имеют прайс $0.10 за миллион входных токенов и $0.50 за миллион выходных токенов для коротких подсказок. Поэтому важно сравнить их и отметить различия.
По показателю «интеллект за доллар» Meta утверждает, что Ember повторяет лучший показатель Haiku в Intelligence Index примерно за треть стоимости на задачу — около $0.14 против $0.41. Цены за токены одинаковы, поэтому разница идёт от того, сколько токенов уходит у модели на выполнение задачи. Luna обходится примерно как Ember — около $0.15 за задачу, но набирает 28 баллов вместо 36.
Ember также лидирует во внутренних агентных и мультимодальных тестах Meta. Это единственная из трёх, что принимает аудио и видео, и она допускает до 512 000 выходных токенов, против 128 000 у двух других. Контекстные окна — примерно равные.
У Haiku есть сильная сторона: она выше по FrontierCode 2.0-AA, где инженерные задачи оцениваются по сливаемости. Это важно, если ваши агенты пишут код, который сразу попадает в репозиторий.
Ember выглядит хорошим вариантом для высокообъёмных процессов из рутинных шагов. Но Meta выбрала и представила эти сравнения, так что протестируйте на своей нагрузке, прежде чем переходить.
| | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| Цена за 1М токенов (ввод/вывод) | $0.10 / $0.50 | $0.10 / $0.50 | $0.10 / $0.50 |
| Повышенные ставки начинаются свыше | 200K токенов | 100K токенов | 272K токенов |
| Контекстное окно | 1M токенов | 1M токенов | 1.05M токенов |
| Максимальный вывод | 512K токенов | 128K токенов | 128K токенов |
| Типы ввода | Текст, изображение, аудио, видео | Текст, изображение | Текст, изображение |
| Индексный балл | 36 | 36 | 28 |
| Стоимость на задачу Индекса | Около $0.14 | Около $0.41 | Около $0.15 |
Индексные баллы и стоимость на задачу — при максимальном уровне рассуждений. Подробности по ценам для Haiku 5.5 и GPT-6 Luna взяты из их опубликованных тарифов.
Цены и доступность Muse Ember
Вот сколько стоит Muse Ember за миллион токенов для подсказок до 200 000 входных токенов:
| Использование API | Цена за 1М токенов |
|---|
| Ввод | $0.10 |
| Кэшированный ввод | $0.004 |
| Вывод | $0.50 |
Более длинные подсказки стоят дороже. Свыше 200 000 входных токенов тарифы Meta повышаются до $0.30 за ввод и $1.50 за вывод, кэшированный ввод — до $0.012.
Это втрое дороже, чем для коротких подсказок. Так что «заголовочная» цена не применяется ко всем длинам контекста — если ваши агенты регулярно отправляют очень длинные подсказки, заранее учитывайте это.
ID модели в API — muse-ember-1.0, Ember поддерживает Responses API. Её можно использовать через Muse Code и Meta Model API. Meta также размещает её в Google Cloud и Oracle Cloud.
Meta описывает модели Muse как портфель, где каждая создана под свою задачу.
Muse Wonder
Wonder предназначена для самых сложных проблем — трудных рассуждений и комплексных задач. В агентном процессе это модель-планировщик.
Muse Spark
Spark — для кодинга и более широких агентных рабочих процессов. В сравнении Meta Spark 1.3 набирает 37 в Intelligence Index против 36 у Ember, но стоит $2.39 за задачу против $0.14. Базовая цена — $1.25 за миллион входных и $4.25 за миллион выходных токенов.
Muse Ember
Ember — для масштабных повторяемых задач в кодинге и агентных сценариях. По словам Meta, это первая модель, обученная с использованием Muse Wonder Full.
Что разработчики могут строить с Muse Ember?
Анонс Meta и отзывы ранних тестировщиков указывают на несколько конкретных применений:
- Анализ документов: Box использовала её для оценки контрактов по плейбуку переговоров, пункт за пунктом
- Работа с репозиториями: Cloudflare применяла её для межрепозиторного расследования; Meta отмечает, что она может запускать тесты и вносить точечные исправления
- Мультимодальное извлечение: чтение сканов документов или работа по записям встреч
- Межприложенческие процессы: получение записей и обновление систем в разных приложениях
Предположим, агент поддержки получает запрос на возврат с приложенным скриншотом. Старшая модель решает, как закрыть кейс. Ember затем читает скриншот, находит заказ и обновляет тикет.
Такая последовательность повторяется для каждого тикета, поэтому цена за вызов определяет стоимость всей очереди.
Что означает Muse Ember для будущего ИИ-агентов
Главный показатель — стоимость за завершённую задачу, а не цена за токен. Модель с низкой ценой за токен всё равно может быть дорогой, если ей нужно много токенов, чтобы закончить работу.
Это меняет выбор моделей. Вместо самой сильной вы подбираете под каждый шаг нужные возможности и цену. Крупная модель планирует, меньшая выполняет повторяющиеся шаги, а мультимодальная вроде Ember читает скриншоты и записи без отдельных моделей под каждый тип.
В длинных автономных процессах рутина должна быть дешёвой, иначе вся цепочка станет слишком дорогой.
Но не только Meta предлагает малую модель для такой роли. У Haiku 5.5 и GPT-6 Luna те же прайсы за токены, так что держите их в уме.
Вывод
Muse Ember создана для повторяющейся работы, которую ИИ-агенты выполняют весь день. Цена — $0.10 за миллион входных и $0.50 за миллион выходных токенов, контекст — 1 миллион токенов, поддерживаются текст, изображения, аудио и видео. По данным Meta, она повторяет результат Haiku 5.5 в Artificial Analysis Intelligence Index примерно за треть стоимости на задачу.
Она должна работать в паре с более крупными моделями вроде Muse Wonder: Wonder планирует, Ember выполняет повторы. Но большинство сравнений проводила сама Meta, и ваши результаты и экономия зависят от вашей нагрузки и методики оценки.
Важно другое: если Meta права, то следующий конкурентный фактор в ИИ-агентах будет зависеть не только от мощности старшей модели, но и от того, насколько умно система делит работу.
Какие лучшие ИИ-агенты в 2026 году? Прочитайте наш пост, чтобы сравнить фреймворки, no-code инструменты и корпоративные платформы, а также получить пошаговые рекомендации по выбору и развёртыванию агентной автоматизации.
На этой неделе Meta представила Muse Ember — свою самую маленькую модель. Ember не соревнуется в сложных задачах рассуждения. Вместо этого она выполняет повторяющиеся шаги в рабочем процессе агента, а более крупная модель вроде Muse Wonder занимается планированием.
Muse Ember стоит $0.10 за миллион входных токенов и $0.50 за миллион выходных токенов для подсказок до 200 000 токенов. По словам Meta, она обеспечивает больше «интеллекта за доллар», чем Claude Haiku 5.5 и GPT-6 Luna, и сопоставима с лучшим показателем Haiku в Artificial Analysis Intelligence Index при приблизительно трёхкратной экономии на задаче.
В этой статье мы разберём, что такое Muse Ember, сравним её бенчмарки и цены, а также определим её место относительно старших моделей Muse.
Но что такое ИИ-агент? Пройдите наш курс Introduction to AI Agents и разберитесь в основах всего за 90 минут.
Что такое Meta Muse Ember?
Muse Ember — лёгкая мультимодальная модель рассуждений из Meta Superintelligence Labs. Она создана для повседневной повторяющейся работы агентов: вызовы инструментов, подзадачи кодинга, маршрутизация, извлечение данных и работа с длинными документами.
Она принимает текст, изображения, аудио и видео, поэтому агенту не нужна отдельная модель для каждого типа данных. Контекстное окно — 1 миллион токенов, максимальный вывод — до 512 000 токенов. Доступна через Muse Code и Meta Model API.
Meta называет её «самой маленькой» моделью — это относится лишь к месту в линейке моделей Meta. В анонсе не указан размер в параметрах.
Зачем Meta создала Muse Ember для ИИ-агентов
Чат-бот делает один вызов модели на ответ, тогда как агент — сотни за сессию. По словам Meta, большинство токенов уходит на небольшие структурированные шаги. Например:
Большинству таких шагов не нужна модель фронтирного уровня, но стоимость накапливается. Даже небольшая экономия на вызове важна, когда агент делает их сотни или тысячи.
Ответ Meta — разделение труда: «Muse Wonder планирует, Muse Ember берёт на себя объём». Wonder решает сложные рассуждения, а Ember выполняет повторяющиеся шаги.
Допустим, команда мигрирует крупную кодовую базу на новый фреймворк. Wonder планирует порядок изменений и разбивает работу на задачи. Ember затем читает каждый файл, вносит точечную правку и запускает тесты — сотни раз подряд.
Бенчмарки Muse Ember
Заявление Meta в том, что Muse Ember обеспечивает конкурентный уровень интеллекта при значительно более низкой цене, чем другие малые модели. В Artificial Analysis Intelligence Index Ember и Claude Haiku 5.5 набирают по 36 баллов, а GPT-6 Luna — 28. Разница — в цене за задачу: около $0.14 для Ember, против примерно $0.41 для Haiku и $0.15 для Luna.
Meta опубликовала эти результаты 9 ноября 2026 года при максимальном уровне рассуждений. Intelligence Index, AutomationBench-AA и FrontierCode 2.0-AA — от Artificial Analysis. Agents' Last Exam — внутренняя оценка Meta. Terminal-Bench 4.0 использует лучший опубликованный «harness» каждой модели. Полные детали — в отчёте об оценке Meta.
Агентные рабочие процессы
Самый большой отрыв у Ember — на AutomationBench-AA, который измеряет сквозные бизнес-процессы. Результат — 37.8% против 13.9% у Haiku и 20.2% у Luna.
В Agents' Last Exam преимущество меньше — 61.6% против 57.0% и 57.1%. Это внутренняя оценка Meta на подмножестве Linux, так что это их собственный результат.
Кодинг
Ember набирает 40.9% на Terminal-Bench 4.0 против 39.2% у Haiku и 16.4% у Luna. Но каждая модель запускалась в своём «harness», так что сравнение не полностью равное. В Artificial Analysis Coding Agent Index Ember — 46, Haiku — 37, Luna — 31.
Haiku лидирует в FrontierCode 2.0-AA, где инженерные задачи оцениваются по «сливаемости» (mergeability): 34.9% против 27.2% у Ember и 25.2% у Luna.
Мультимодальные задачи
По сравнению с Haiku, разрыв в мультимодальности не так заметен. На OSWorld 2.1, тесте по использованию компьютера, Ember получает 69.5% с частичным начислением баллов, у Haiku — 68.9%, у Luna — 50.5%.
На PerceptionBench, который измеряет точность восприятия визуальных деталей, результат — 80.6% с инструментами, против 78.6% и 62.8%. Оба — внутренние оценки Meta. На GDP.pdf-AA, охватывающем профессиональную работу с длинными документами, Ember и Luna сравнялись на 22.8%, Haiku — 20.8%.
Muse Ember против Claude Haiku 5.5 и GPT-6 Luna
Все три модели имеют прайс $0.10 за миллион входных токенов и $0.50 за миллион выходных токенов для коротких подсказок. Поэтому важно сравнить их и отметить различия.
По показателю «интеллект за доллар» Meta утверждает, что Ember повторяет лучший показатель Haiku в Intelligence Index примерно за треть стоимости на задачу — около $0.14 против $0.41. Цены за токены одинаковы, поэтому разница идёт от того, сколько токенов уходит у модели на выполнение задачи. Luna обходится примерно как Ember — около $0.15 за задачу, но набирает 28 баллов вместо 36.
Ember также лидирует во внутренних агентных и мультимодальных тестах Meta. Это единственная из трёх, что принимает аудио и видео, и она допускает до 512 000 выходных токенов, против 128 000 у двух других. Контекстные окна — примерно равные.
У Haiku есть сильная сторона: она выше по FrontierCode 2.0-AA, где инженерные задачи оцениваются по сливаемости. Это важно, если ваши агенты пишут код, который сразу попадает в репозиторий.
Ember выглядит хорошим вариантом для высокообъёмных процессов из рутинных шагов. Но Meta выбрала и представила эти сравнения, так что протестируйте на своей нагрузке, прежде чем переходить.
Индексные баллы и стоимость на задачу — при максимальном уровне рассуждений. Подробности по ценам для Haiku 5.5 и GPT-6 Luna взяты из их опубликованных тарифов.
Цены и доступность Muse Ember
Вот сколько стоит Muse Ember за миллион токенов для подсказок до 200 000 входных токенов:
Более длинные подсказки стоят дороже. Свыше 200 000 входных токенов тарифы Meta повышаются до $0.30 за ввод и $1.50 за вывод, кэшированный ввод — до $0.012.
Это втрое дороже, чем для коротких подсказок. Так что «заголовочная» цена не применяется ко всем длинам контекста — если ваши агенты регулярно отправляют очень длинные подсказки, заранее учитывайте это.
ID модели в API —
muse-ember-1.0, Ember поддерживает Responses API. Её можно использовать через Muse Code и Meta Model API. Meta также размещает её в Google Cloud и Oracle Cloud.Как Muse Ember вписывается в семейство моделей ИИ от Meta
Meta описывает модели Muse как портфель, где каждая создана под свою задачу.
Muse Wonder
Wonder предназначена для самых сложных проблем — трудных рассуждений и комплексных задач. В агентном процессе это модель-планировщик.
Muse Spark
Spark — для кодинга и более широких агентных рабочих процессов. В сравнении Meta Spark 1.3 набирает 37 в Intelligence Index против 36 у Ember, но стоит $2.39 за задачу против $0.14. Базовая цена — $1.25 за миллион входных и $4.25 за миллион выходных токенов.
Muse Ember
Ember — для масштабных повторяемых задач в кодинге и агентных сценариях. По словам Meta, это первая модель, обученная с использованием Muse Wonder Full.
Что разработчики могут строить с Muse Ember?
Анонс Meta и отзывы ранних тестировщиков указывают на несколько конкретных применений:
Предположим, агент поддержки получает запрос на возврат с приложенным скриншотом. Старшая модель решает, как закрыть кейс. Ember затем читает скриншот, находит заказ и обновляет тикет.
Такая последовательность повторяется для каждого тикета, поэтому цена за вызов определяет стоимость всей очереди.
Что означает Muse Ember для будущего ИИ-агентов
Главный показатель — стоимость за завершённую задачу, а не цена за токен. Модель с низкой ценой за токен всё равно может быть дорогой, если ей нужно много токенов, чтобы закончить работу.
Это меняет выбор моделей. Вместо самой сильной вы подбираете под каждый шаг нужные возможности и цену. Крупная модель планирует, меньшая выполняет повторяющиеся шаги, а мультимодальная вроде Ember читает скриншоты и записи без отдельных моделей под каждый тип.
В длинных автономных процессах рутина должна быть дешёвой, иначе вся цепочка станет слишком дорогой.
Но не только Meta предлагает малую модель для такой роли. У Haiku 5.5 и GPT-6 Luna те же прайсы за токены, так что держите их в уме.
Вывод
Muse Ember создана для повторяющейся работы, которую ИИ-агенты выполняют весь день. Цена — $0.10 за миллион входных и $0.50 за миллион выходных токенов, контекст — 1 миллион токенов, поддерживаются текст, изображения, аудио и видео. По данным Meta, она повторяет результат Haiku 5.5 в Artificial Analysis Intelligence Index примерно за треть стоимости на задачу.
Она должна работать в паре с более крупными моделями вроде Muse Wonder: Wonder планирует, Ember выполняет повторы. Но большинство сравнений проводила сама Meta, и ваши результаты и экономия зависят от вашей нагрузки и методики оценки.
Важно другое: если Meta права, то следующий конкурентный фактор в ИИ-агентах будет зависеть не только от мощности старшей модели, но и от того, насколько умно система делит работу.
Какие лучшие ИИ-агенты в 2026 году? Прочитайте наш пост, чтобы сравнить фреймворки, no-code инструменты и корпоративные платформы, а также получить пошаговые рекомендации по выбору и развёртыванию агентной автоматизации.