Den här veckan tillkännagav Meta Muse Ember, deras minsta modell. Ember tävlar inte i svåra resonemangsuppgifter. I stället hanterar den de upprepade stegen i ett agentarbetsflöde, medan en större modell som Muse Wonder sköter planeringen.
Muse Ember kostar $0,10 per miljon inmatade token och $0,50 per miljon utmatade token för prompter upp till 200 000 token. Meta säger att den levererar mer intelligens per dollar än Claude Haiku 5.5 och GPT-6 Luna, och att den matchar Haikus bästa poäng på Artificial Analysis Intelligence Index till ungefär en tredjedel av kostnaden per uppgift.
I den här artikeln går jag igenom vad Muse Ember är, hur dess benchmarkresultat och prissättning står sig, och vilken plats den har jämfört med de större Muse-modellerna.
Men vad är en AI-agent? Gå vår kurs Introduction to AI Agents och lär dig grunderna på bara 90 minuter.
Muse Ember är en lättviktig multimodal resonemangsmodell från Meta Superintelligence Labs. Den är byggd för det arbete som agenter upprepar hela dagen, som verktygsanrop, kodningsdeluppgifter, dirigering, dataextraktion och arbete med långa dokument.
Den tar text-, bild-, ljud- och videoinmatningar, så en agent behöver inte en separat modell för varje. Kontextfönstret är 1 miljon token och den kan generera upp till 512 000 utmatade token. Du kan använda den via Muse Code och Meta Model API.
| | Muse Ember |
|---|
| Utvecklare | Meta Superintelligence Labs |
| Modell-ID | muse-ember-1.0 |
| Inmatningstyper | Text, bild, ljud, video |
| Kontextfönster | 1 000 000 token |
| Maximal utmatning | 512 000 token |
| API-stöd | Responses API |
| Tillgänglighet | Muse Code, Meta Model API |
Meta säger att det är den "minsta" modellen, men det syftar bara på dess position i Metas modellportfölj. Tillkännagivandet anger inget antal parametrar.
En chatbot gör ett modelanrop per svar, medan en agent gör hundratals under en session. Meta säger att de flesta av dess token går till små, strukturerade steg. Till exempel:
- Hämtning: Läsa en fil eller öppna ett dokument
- Verktygsanrop: Köra ett test eller anropa ett API
- Dirigering: Skicka varje begäran till rätt arbetsflöde
- Redigeringar: Uppdatera en applikation efter en riktad kodändring
De flesta av dessa steg kräver inte en modell i framkant, men kostnaden adderas. Även en liten besparing per anrop spelar roll när en agent gör hundratals eller tusentals sådana.
Metas svar är en arbetsdelning: "Muse Wonder planerar, Muse Ember hanterar volymen." Wonder tar de svåra resonemangen och Ember kör de upprepade stegen.
Säg att ett team migrerar en stor kodbas till ett nytt ramverk. Wonder planerar ordningen av ändringar och delar upp arbetet i uppgifter. Ember läser sedan varje fil, gör den riktade ändringen och kör testerna, hundratals gånger om.
Muse Embers benchmarkresultat
Metas påstående är att Muse Ember levererar konkurrenskraftig intelligens till en mycket lägre kostnad än andra små modeller. På Artificial Analysis Intelligence Index får Ember och Claude Haiku 5.5 båda 36, och GPT-6 Luna får 28. Skillnaden är kostnaden per uppgift: cirka $0,14 för Ember, jämfört med cirka $0,41 för Haiku och $0,15 för 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% |
Meta rapporterade dessa resultat den 9 november 2026, vid maximal resonemangsansträngning. Intelligence Index, AutomationBench-AA och FrontierCode 2.0-AA kommer från Artificial Analysis. Agents' Last Exam är en intern Meta-utvärdering. Terminal-Bench 4.0 använder varje modells bästa publicerade testmiljö. Du hittar alla detaljer i Metas utvärderingsrapport.
Agentiska arbetsflöden
Embers största försprång syns på AutomationBench-AA, som mäter end-to-end-affärsarbetsflöden. Den får 37,8%, jämfört med 13,9% för Haiku och 20,2% för Luna.
På Agents' Last Exam är försprånget lite mindre – 61,6%, jämfört med 57,0% och 57,1%. Det är en intern Meta-utvärdering på en Linux-delmängd, så det är Metas eget resultat.
Kodning
Ember får 40,9% på Terminal-Bench 4.0, jämfört med 39,2% för Haiku och 16,4% för Luna. Men varje modell kördes i sin egen testmiljö, så jämförelsen är inte helt jämbördig. På Artificial Analysis Coding Agent Index får Ember 46, jämfört med 37 för Haiku och 31 för Luna.
Haiku vinner på FrontierCode 2.0-AA, som bedömer ingenjörsuppgifter utifrån mergebarhet. Den får 34,9%, jämfört med 27,2% för Ember och 25,2% för Luna.
Multimodala uppgifter
Jämfört med Haiku är de multimodala skillnaderna inte så stora. På OSWorld 2.1, ett test av datoranvändning, får Ember 69,5% med delpoäng, jämfört med 68,9% för Haiku och 50,5% för Luna.
På PerceptionBench, som mäter fin visuellt detaljseende, får den 80,6% med verktyg, jämfört med 78,6% och 62,8%. Båda är interna Meta-utvärderingar. På GDP.pdf-AA, som täcker professionellt arbete över långa dokument, ligger Ember och Luna lika på 22,8%, och Haiku får 20,8%.
Muse Ember vs Claude Haiku 5.5 och GPT-6 Luna
Alla tre modeller listas till $0,10 per miljon inmatade token och $0,50 per miljon utmatade token för korta promtpar. Därför är det viktigt att jämföra dem och notera skillnaderna.
När det gäller intelligens per dollar säger Meta att Ember matchar Haikus bästa poäng på Intelligence Index till ungefär en tredjedel av kostnaden per uppgift, vilket är cirka $0,14 jämfört med $0,41. Tokenpriserna är desamma, så skillnaden beror på hur många token varje modell använder per uppgift. Luna kostar ungefär lika mycket som Ember med $0,15 per uppgift, men får 28 i stället för 36.
Ember leder också i Metas agentiska och multimodala tester. Det är den enda av de tre som tar ljud och video, och den tillåter upp till 512 000 utmatade token, jämfört med 128 000 för de andra två. Kontextfönstren är ungefär lika.
Haiku är starkare på ett område. Den får högre poäng på FrontierCode 2.0-AA, som bedömer ingenjörsuppgifter utifrån mergebarhet. Det här är viktigt om dina agenter skriver kod som går direkt in i ett repo.
Ember verkar vara ett bra alternativ för högvolymarbetsflöden byggda av rutinmässiga steg. Men Meta valde och rapporterade dessa jämförelser, så testa på din egen arbetsbelastning innan du byter.
| | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|
| Pris per 1M token (in/ut) | $0,10 / $0,50 | $0,10 / $0,50 | $0,10 / $0,50 |
| Högre priser börjar över | 200K token | 100K token | 272K token |
| Kontextfönster | 1M token | 1M token | 1,05M token |
| Maximal utmatning | 512K token | 128K token | 128K token |
| Inmatningstyper | Text, bild, ljud, video | Text, bild | Text, bild |
| Indexpoäng | 36 | 36 | 28 |
| Kostnad per indexportföljd | Ungefär $0,14 | Ungefär $0,41 | Ungefär $0,15 |
Indexpoäng och kostnad per uppgift gäller vid maximal resonemangsansträngning. Prisinformation för Haiku 5.5 och GPT-6 Luna kommer från deras publicerade priser.
Muse Embers prissättning och tillgänglighet
Så här mycket kostar Muse Ember per miljon token för promtpar upp till 200 000 inmatade token:
| API-användning | Pris per 1M token |
|---|
| Inmatning | $0,10 |
| Cachad inmatning | $0,004 |
| Utmatning | $0,50 |
Längre promtpar kostar mer. Över 200 000 inmatade token höjs Metas priser till $0,30 för inmatning och $1,50 för utmatning, och cachad inmatning stiger till $0,012.
Det är tre gånger priset för korta promtpar. Så rubrikpriset gäller inte alla kontextlängder, och om dina agenter regelbundet skickar mycket stora promtpar bör du planera för det.
API-modell-ID är muse-ember-1.0, och Ember stöder Responses API. Du kan använda den via Muse Code och Meta Model API. Meta listar den också på Google Cloud och Oracle Cloud.
Meta beskriver sina Muse-modeller som en portfölj, där varje modell är byggd för en viss uppgift.
Muse Wonder
Wonder är för de svåraste problemen, som avancerat resonemang och komplexa uppgifter. I ett agentarbetsflöde är det modellen som planerar.
Muse Spark
Spark är för kodning och bredare agentiska arbetsflöden. I Metas jämförelse får Spark 1.3 poängen 37 på Intelligence Index jämfört med 36 för Ember, men kostar $2,39 per uppgift jämfört med $0,14. Listpriset är $1,25 per miljon inmatade token och $4,25 per miljon utmatade token.
Muse Ember
Ember är för upprepningsbara kod- och agentuppgifter i skala. Meta säger att det också är den första modellen som tränats med Muse Wonder Full.
Vad kan utvecklare bygga med Muse Ember?
Metas tillkännagivande och tidiga testare pekar på några konkreta användningar:
- Dokumentanalys: Box använde den för att poängsätta avtal mot en förhandlingshandbok, klausul för klausul
- Arbete i repos: Cloudflare använde den för undersökning över flera repo, och Meta säger att den kan köra tester och göra riktade fixar
- Multimodal extraktion: Den kan läsa inskannade dokument eller arbeta från mötesinspelningar
- Arbetsflöden över appar: Den kan hämta poster och uppdatera system över applikationer
Säg att en kundtjänstagent får en återbetalningsbegäran med en bifogad skärmdump. Den större modellen avgör hur ärendet ska lösas. Ember läser sedan skärmdumpen, hämtar orderposten och uppdaterar ärendet.
Samma sekvens körs för varje ärende, så priset per anrop avgör vad hela kön kostar.
Vad Muse Ember betyder för AI-agenters framtid
Siffran att hålla ögonen på är kostnad per slutförd uppgift, inte kostnad per token. En modell med lågt tokenpris kan ändå bli dyr om den behöver många token för att slutföra ett jobb.
Det förändrar hur du väljer modeller. I stället för att leta efter den starkaste matchar du varje steg med rätt kapacitet och pris. En större modell planerar, en mindre kör de upprepade stegen, och en multimodal modell som Ember läser skärmdumpar och inspelningar utan en separat modell för varje.
Med långa autonoma arbetsflöden måste rutin stegen vara billiga för att hela körningen ska vara överkomlig.
Men Meta är inte det enda labbet som säljer en liten modell för den här rollen. Haiku 5.5 och GPT-6 Luna listas till samma tokenpris, så ha dem i åtanke.
Slutsats
Muse Ember är byggd för det repetitiva arbete som AI-agenter gör hela dagen. Den kostar $0,10 per miljon inmatade token och $0,50 per miljon utmatade token, har ett kontextfönster på 1 miljon token och tar in text, bild, ljud och video. Meta rapporterar att den matchar Haiku 5.5:s poäng på Artificial Analysis Intelligence Index till ungefär en tredjedel av kostnaden per uppgift.
Den är avsedd att arbeta sida vid sida med större modeller som Muse Wonder, som planerar medan Ember kör de upprepade stegen. Men Meta stod bakom de flesta av dessa jämförelser, och dina egna resultat och besparingar beror på din arbetsbelastning och din utvärderingsmiljö.
Den viktiga slutsatsen är dock att om Meta har rätt kan nästa konkurrensfördel för AI-agenter lika mycket komma från hur smart ett system delar upp arbetet som från hur kapabel dess största modell är.
Vilka är de bästa AI-agenterna 2026? Läs vårt blogginlägg för att jämföra ramverk, no-code-verktyg och företagsplattformar, och få steg-för-steg-vägledning för att välja och driftsätta agentisk automation.
Den här veckan tillkännagav Meta Muse Ember, deras minsta modell. Ember tävlar inte i svåra resonemangsuppgifter. I stället hanterar den de upprepade stegen i ett agentarbetsflöde, medan en större modell som Muse Wonder sköter planeringen.
Muse Ember kostar $0,10 per miljon inmatade token och $0,50 per miljon utmatade token för prompter upp till 200 000 token. Meta säger att den levererar mer intelligens per dollar än Claude Haiku 5.5 och GPT-6 Luna, och att den matchar Haikus bästa poäng på Artificial Analysis Intelligence Index till ungefär en tredjedel av kostnaden per uppgift.
I den här artikeln går jag igenom vad Muse Ember är, hur dess benchmarkresultat och prissättning står sig, och vilken plats den har jämfört med de större Muse-modellerna.
Men vad är en AI-agent? Gå vår kurs Introduction to AI Agents och lär dig grunderna på bara 90 minuter.
Vad är Meta Muse Ember?
Muse Ember är en lättviktig multimodal resonemangsmodell från Meta Superintelligence Labs. Den är byggd för det arbete som agenter upprepar hela dagen, som verktygsanrop, kodningsdeluppgifter, dirigering, dataextraktion och arbete med långa dokument.
Den tar text-, bild-, ljud- och videoinmatningar, så en agent behöver inte en separat modell för varje. Kontextfönstret är 1 miljon token och den kan generera upp till 512 000 utmatade token. Du kan använda den via Muse Code och Meta Model API.
Meta säger att det är den "minsta" modellen, men det syftar bara på dess position i Metas modellportfölj. Tillkännagivandet anger inget antal parametrar.
Varför Meta byggde Muse Ember för AI-agenter
En chatbot gör ett modelanrop per svar, medan en agent gör hundratals under en session. Meta säger att de flesta av dess token går till små, strukturerade steg. Till exempel:
De flesta av dessa steg kräver inte en modell i framkant, men kostnaden adderas. Även en liten besparing per anrop spelar roll när en agent gör hundratals eller tusentals sådana.
Metas svar är en arbetsdelning: "Muse Wonder planerar, Muse Ember hanterar volymen." Wonder tar de svåra resonemangen och Ember kör de upprepade stegen.
Säg att ett team migrerar en stor kodbas till ett nytt ramverk. Wonder planerar ordningen av ändringar och delar upp arbetet i uppgifter. Ember läser sedan varje fil, gör den riktade ändringen och kör testerna, hundratals gånger om.
Muse Embers benchmarkresultat
Metas påstående är att Muse Ember levererar konkurrenskraftig intelligens till en mycket lägre kostnad än andra små modeller. På Artificial Analysis Intelligence Index får Ember och Claude Haiku 5.5 båda 36, och GPT-6 Luna får 28. Skillnaden är kostnaden per uppgift: cirka $0,14 för Ember, jämfört med cirka $0,41 för Haiku och $0,15 för Luna.
Meta rapporterade dessa resultat den 9 november 2026, vid maximal resonemangsansträngning. Intelligence Index, AutomationBench-AA och FrontierCode 2.0-AA kommer från Artificial Analysis. Agents' Last Exam är en intern Meta-utvärdering. Terminal-Bench 4.0 använder varje modells bästa publicerade testmiljö. Du hittar alla detaljer i Metas utvärderingsrapport.
Agentiska arbetsflöden
Embers största försprång syns på AutomationBench-AA, som mäter end-to-end-affärsarbetsflöden. Den får 37,8%, jämfört med 13,9% för Haiku och 20,2% för Luna.
På Agents' Last Exam är försprånget lite mindre – 61,6%, jämfört med 57,0% och 57,1%. Det är en intern Meta-utvärdering på en Linux-delmängd, så det är Metas eget resultat.
Kodning
Ember får 40,9% på Terminal-Bench 4.0, jämfört med 39,2% för Haiku och 16,4% för Luna. Men varje modell kördes i sin egen testmiljö, så jämförelsen är inte helt jämbördig. På Artificial Analysis Coding Agent Index får Ember 46, jämfört med 37 för Haiku och 31 för Luna.
Haiku vinner på FrontierCode 2.0-AA, som bedömer ingenjörsuppgifter utifrån mergebarhet. Den får 34,9%, jämfört med 27,2% för Ember och 25,2% för Luna.
Multimodala uppgifter
Jämfört med Haiku är de multimodala skillnaderna inte så stora. På OSWorld 2.1, ett test av datoranvändning, får Ember 69,5% med delpoäng, jämfört med 68,9% för Haiku och 50,5% för Luna.
På PerceptionBench, som mäter fin visuellt detaljseende, får den 80,6% med verktyg, jämfört med 78,6% och 62,8%. Båda är interna Meta-utvärderingar. På GDP.pdf-AA, som täcker professionellt arbete över långa dokument, ligger Ember och Luna lika på 22,8%, och Haiku får 20,8%.
Muse Ember vs Claude Haiku 5.5 och GPT-6 Luna
Alla tre modeller listas till $0,10 per miljon inmatade token och $0,50 per miljon utmatade token för korta promtpar. Därför är det viktigt att jämföra dem och notera skillnaderna.
När det gäller intelligens per dollar säger Meta att Ember matchar Haikus bästa poäng på Intelligence Index till ungefär en tredjedel av kostnaden per uppgift, vilket är cirka $0,14 jämfört med $0,41. Tokenpriserna är desamma, så skillnaden beror på hur många token varje modell använder per uppgift. Luna kostar ungefär lika mycket som Ember med $0,15 per uppgift, men får 28 i stället för 36.
Ember leder också i Metas agentiska och multimodala tester. Det är den enda av de tre som tar ljud och video, och den tillåter upp till 512 000 utmatade token, jämfört med 128 000 för de andra två. Kontextfönstren är ungefär lika.
Haiku är starkare på ett område. Den får högre poäng på FrontierCode 2.0-AA, som bedömer ingenjörsuppgifter utifrån mergebarhet. Det här är viktigt om dina agenter skriver kod som går direkt in i ett repo.
Ember verkar vara ett bra alternativ för högvolymarbetsflöden byggda av rutinmässiga steg. Men Meta valde och rapporterade dessa jämförelser, så testa på din egen arbetsbelastning innan du byter.
Indexpoäng och kostnad per uppgift gäller vid maximal resonemangsansträngning. Prisinformation för Haiku 5.5 och GPT-6 Luna kommer från deras publicerade priser.
Muse Embers prissättning och tillgänglighet
Så här mycket kostar Muse Ember per miljon token för promtpar upp till 200 000 inmatade token:
Längre promtpar kostar mer. Över 200 000 inmatade token höjs Metas priser till $0,30 för inmatning och $1,50 för utmatning, och cachad inmatning stiger till $0,012.
Det är tre gånger priset för korta promtpar. Så rubrikpriset gäller inte alla kontextlängder, och om dina agenter regelbundet skickar mycket stora promtpar bör du planera för det.
API-modell-ID är
muse-ember-1.0, och Ember stöder Responses API. Du kan använda den via Muse Code och Meta Model API. Meta listar den också på Google Cloud och Oracle Cloud.Hur Muse Ember passar in i Metas AI-modellfamilj
Meta beskriver sina Muse-modeller som en portfölj, där varje modell är byggd för en viss uppgift.
Muse Wonder
Wonder är för de svåraste problemen, som avancerat resonemang och komplexa uppgifter. I ett agentarbetsflöde är det modellen som planerar.
Muse Spark
Spark är för kodning och bredare agentiska arbetsflöden. I Metas jämförelse får Spark 1.3 poängen 37 på Intelligence Index jämfört med 36 för Ember, men kostar $2,39 per uppgift jämfört med $0,14. Listpriset är $1,25 per miljon inmatade token och $4,25 per miljon utmatade token.
Muse Ember
Ember är för upprepningsbara kod- och agentuppgifter i skala. Meta säger att det också är den första modellen som tränats med Muse Wonder Full.
Vad kan utvecklare bygga med Muse Ember?
Metas tillkännagivande och tidiga testare pekar på några konkreta användningar:
Säg att en kundtjänstagent får en återbetalningsbegäran med en bifogad skärmdump. Den större modellen avgör hur ärendet ska lösas. Ember läser sedan skärmdumpen, hämtar orderposten och uppdaterar ärendet.
Samma sekvens körs för varje ärende, så priset per anrop avgör vad hela kön kostar.
Vad Muse Ember betyder för AI-agenters framtid
Siffran att hålla ögonen på är kostnad per slutförd uppgift, inte kostnad per token. En modell med lågt tokenpris kan ändå bli dyr om den behöver många token för att slutföra ett jobb.
Det förändrar hur du väljer modeller. I stället för att leta efter den starkaste matchar du varje steg med rätt kapacitet och pris. En större modell planerar, en mindre kör de upprepade stegen, och en multimodal modell som Ember läser skärmdumpar och inspelningar utan en separat modell för varje.
Med långa autonoma arbetsflöden måste rutin stegen vara billiga för att hela körningen ska vara överkomlig.
Men Meta är inte det enda labbet som säljer en liten modell för den här rollen. Haiku 5.5 och GPT-6 Luna listas till samma tokenpris, så ha dem i åtanke.
Slutsats
Muse Ember är byggd för det repetitiva arbete som AI-agenter gör hela dagen. Den kostar $0,10 per miljon inmatade token och $0,50 per miljon utmatade token, har ett kontextfönster på 1 miljon token och tar in text, bild, ljud och video. Meta rapporterar att den matchar Haiku 5.5:s poäng på Artificial Analysis Intelligence Index till ungefär en tredjedel av kostnaden per uppgift.
Den är avsedd att arbeta sida vid sida med större modeller som Muse Wonder, som planerar medan Ember kör de upprepade stegen. Men Meta stod bakom de flesta av dessa jämförelser, och dina egna resultat och besparingar beror på din arbetsbelastning och din utvärderingsmiljö.
Den viktiga slutsatsen är dock att om Meta har rätt kan nästa konkurrensfördel för AI-agenter lika mycket komma från hur smart ett system delar upp arbetet som från hur kapabel dess största modell är.
Vilka är de bästa AI-agenterna 2026? Läs vårt blogginlägg för att jämföra ramverk, no-code-verktyg och företagsplattformar, och få steg-för-steg-vägledning för att välja och driftsätta agentisk automation.