Meta выпустила Muse Ember, самую маленькую и дешёвую модель семейства для рутинной работы агентов

Модель уже доступна в Muse Code и через Meta Model API под именем muse-ember-1.0. Миллион входных токенов стоит 0,10 доллара, кешированных входных 0,004 доллара, выходных 0,50 доллара. По цене Ember стоит рядом с открытыми DeepSeek V4.1 Flash и GLM 5.3 Flash. Контекстное окно составляет миллион токенов, а ответ может достигать 512 тысяч токенов. Этого хватает, чтобы за один вызов загрузить целую кодовую базу или пачку документов.

Meta задумала Ember как исполнителя в паре со старшей моделью. В примере с агентом поддержки тяжёлая Muse Wonder формулирует правила обработки конкретной проблемы, а лёгкая модель применяет их к десяткам тысяч обращений. Компания описывает это так: Wonder планирует, Ember берёт на себя объём. Ember стала первой моделью, обученной с помощью Muse Wonder Full.

Для массовых сценариев модель сделали мультимодальной: она нативно принимает текст, изображения, аудио и видео. Агент может читать скриншоты, графики и сканы, разбирать голосовые заметки и записи встреч без отдельной модели для каждого формата.

Главный аргумент Meta – стоимость задачи, а не токена. На максимальном уровне рассуждений Ember получает 35,8 балла в Artificial Analysis Intelligence Index при оценочной цене 0,136 доллара за задачу. У Claude Haiku 5.5 выходит 36,2 балла за 0,411 доллара, у GPT-6 Luna 27,8 балла за 0,152 доллара. Ember лидирует в AutomationBench-AA (37,8) и Agents' Last Exam (61,6), но в программировании слабее: 27,2 на FrontierCode 2.0-AA против 34,9 у Haiku. Сравнение подготовила сама Meta, для Ember в нём взята предложенная цена, для конкурентов прайсовая.

Ember стала четвёртой моделью под брендом Muse после средней Spark в апреле, её открытого близнеца Glimmer в августе и флагманской Wonder в октябре. В тот же день Meta перевела Muse и Meta AI на специализированные модели, тоже обученные с помощью Wonder. Они получили системы Active Memory и Active Focus. По данным компании, теперь модели верно используют важный контекст в 90% задач против 76% у прежних и в 2,4 раза реже забывают критичную информацию.