Meta lanzó Muse Ember, un modelo ligero pensado para hacerse cargo de tareas repetidas dentro de flujos de agentes: llamadas a herramientas, subtareas de programación, clasificación de solicitudes, extracción de datos y lectura de documentos extensos. Está disponible desde el lunes 9 de noviembre en Muse Code y Meta Model API, con tarifas desde 0,10 dólares por millón de tokens de entrada.
Meta Superintelligence Labs lo presenta como su modelo más pequeño y eficiente hasta la fecha. La propuesta no es sustituir a los modelos de mayor capacidad, sino repartir el trabajo: Muse Wonder o Muse Spark pueden planificar y resolver la parte más exigente, mientras Ember ejecuta tareas acotadas en grandes volúmenes. En palabras de Meta, «Muse Wonder plans, Muse Ember handles the volume».
El modelo recibe texto, imágenes, audio, vídeo y PDF, pero genera texto. Su ventana de contexto alcanza 1.048.576 tokens y admite hasta 524.288 tokens de salida. Meta lo plantea para procesos como analizar contratos, revisar código o recorrer colecciones de archivos y registros, además de operar aplicaciones de escritorio a partir de capturas de pantalla.
Un modelo de ejecución, no el planificador principal
La arquitectura que propone Meta separa la planificación de la ejecución. Un modelo más grande puede establecer cómo abordar un problema y delegar después acciones repetitivas a Ember. En un ejemplo de atención al cliente, el modelo de mayor capacidad definiría las reglas para responder a una incidencia; Ember las aplicaría después a decenas de miles de casos.
La documentación de Meta describe usos más concretos: ejecutar tareas de programación y comandos de terminal delegados por un agente principal, encadenar llamadas a herramientas, dirigir cada solicitud al sistema adecuado y procesar muchas imágenes, archivos o registros en paralelo. Entre los ejemplos de procesamiento por lotes figuran clasificar tickets, extraer campos o poner subtítulos y ordenar fotografías.
Ember admite las funciones de uso del ordenador, comprensión de imágenes, llamadas a herramientas, salida estructurada y fundamentación mediante búsquedas. La documentación de la API señala que comparte el formato de solicitud de Muse Spark, por lo que, en la mayoría de los ejemplos, cambiar de modelo consiste en modificar el identificador. Para problemas de programación complejos resueltos en una sola interacción, preguntas que exigen mucho conocimiento o programación visual, Meta recomienda Muse Spark o Muse Wonder.
La familia Muse ya incluía Spark, el modelo de peso medio lanzado en abril; Glimmer, su alternativa de código abierto presentada en agosto; y Wonder, el modelo de frontera que llegó en octubre. Ember es el cuarto modelo de la marca. Meta dice que es el primero entrenado con Muse Wonder Full, y vincula su lanzamiento con el objetivo anunciado al presentar Wonder y Wonder Full: utilizarlos para desarrollar modelos especializados.
Precios, límites y acceso a la API
El precio de entrada es de 0,10 dólares por millón de tokens de entrada, 0,004 dólares por millón de tokens de entrada en caché y 0,50 dólares por millón de tokens de salida. Esas tarifas se aplican a solicitudes con hasta 200.000 tokens de entrada. Si una solicitud supera ese umbral, Meta cobra la tarifa de contexto largo sobre todos los tokens de la petición, no solo sobre los que exceden el límite: 0,30 dólares por millón de tokens de entrada, 0,012 por millón de tokens en caché y 1,50 dólares por millón de tokens de salida.
El modelo se ofrece en modo estándar en Meta Model API y también en Muse Code, tanto con pago por uso como mediante suscripción. En la API no tiene una variante Contributor: ese modo, que ofrece tarifas reducidas a cambio de permiso para usar el contenido enviado y las respuestas en el entrenamiento de modelos futuros, no está disponible para Ember. En Muse Code, las solicitudes con más de 200.000 tokens de entrada consumen más rápido el uso incluido en el plan.
El identificador del modelo es muse-ember-1.0. La documentación de Meta enumera los endpoints Responses, Chat Completions y Messages, aunque la disponibilidad indicada para Muse Code y Model API se anuncia de forma directa en la presentación del producto. Meta también publica un límite de 3.000 solicitudes y 4 millones de tokens por minuto para el modelo, aplicado por equipo y no por clave individual.
Google Cloud incluye Muse Ember 1.0 en su catálogo de modelos asociados, pero lo marca como versión preliminar. Su ficha indica una disponibilidad mediante el endpoint global, entrada de texto e imagen, y los mismos máximos de contexto y salida. La documentación de Meta, por su parte, también enumera audio, vídeo y PDF como formatos de entrada admitidos.
Qué muestran las pruebas publicadas
Meta usa resultados de Artificial Analysis para comparar inteligencia y coste por tarea. En el Intelligence Index, Ember obtiene 36 puntos en el nivel máximo de razonamiento. La empresa afirma que iguala la mejor puntuación de Claude Haiku 5.5 con aproximadamente un tercio del coste y supera las configuraciones de GPT-6 Luna. En la tabla de la evaluación, Ember alcanza 35,8 puntos con un coste estimado de 0,136 dólares por tarea; Haiku llega a 36,2 puntos por 0,411 dólares y Luna marca 27,8 por 0,152 dólares.
En el nivel xhigh, Meta publica para Ember una puntuación de 33,9 y un coste de 0,116 dólares por tarea. La empresa estima que, en el nivel máximo, cada tarea cuesta alrededor de 0,14 dólares. Son estimaciones basadas en las tarifas propuestas para el modelo, no precios independientes de la cantidad de tokens consumidos.
Los resultados también varían según la prueba. En AutomationBench-AA, que evalúa flujos empresariales de extremo a extremo, Ember obtiene 37,8%, frente al 20,2% de Luna y el 13,9% de Haiku. En Agents’ Last Exam alcanza 61,6%, por encima del 57,1% de Luna y el 57,0% de Haiku. Y en el Personal Superintelligence Index, un índice interno de Meta sobre trabajo personal y de conocimiento, registra 46,8%; Haiku obtiene 36,1% y Luna, 37,0%.
En programación, Ember logra 40,9% en Terminal-Bench 4.0, frente al 39,2% de Haiku y el 16,4% de Luna, usando para cada modelo su mejor configuración publicada. En Coding Agent Index-AA, que mide programación en entornos de agentes reales, las puntuaciones son 46, 37 y 31, respectivamente. Pero no gana en todos los terrenos: en FrontierCode 2.0-AA, que juzga tareas de ingeniería según si los cambios serían aceptables para integrarse, Haiku llega al 34,9%, Ember al 27,2% y Luna al 25,2%.
Las pruebas multimodales ofrecen otro contraste. En GDP.pdf-AA, centrada en trabajo profesional con documentos extensos, Ember y Luna empatan con 22,8%; Haiku queda en 20,8%. En PerceptionBench con herramientas, una evaluación de percepción visual detallada, Ember marca 80,6%, Haiku 78,6% y Luna 62,8%.
En OSWorld 2.1, que mide el uso de aplicaciones de escritorio, Meta informa de 69,5% de recompensa parcial para Ember y 68,9% para Haiku. Al contar tareas completadas por entero, Ember llega al 33,8%, frente al 27,8% de Haiku y el 17% de Luna. Una ejecución aparte de Muse Spark 1.3 obtuvo 39,25% de tareas completadas, aunque la comparación publicada no presenta ese resultado como parte de la misma ejecución.
La velocidad y el trabajo empresarial, según sus socios
Meta acompañó el lanzamiento con comentarios de empresas que probaron Ember. Yashodha Bhavnani, vicepresidenta de productos de IA de Box, explicó que el equipo lo utilizó para evaluar contratos cláusula por cláusula frente a las reglas de negociación de una empresa y para filtrar candidaturas según un perfil detallado. Según Bhavnani, el sistema también podía identificar candidatos limítrofes que aún encajaban como suplentes.
“On the Box AI Complex Work Eval, Muse Ember delivers impressive accuracy, speed and token efficiency. It can score a contract against a company's negotiation playbook clause by clause and land on the right overall risk rating, or screen candidates against a detailed brief and flag the borderline ones who still qualify as alternates. Muse Ember is a fast, efficient foundation for agents doing real work on enterprise content.”
— Yashodha Bhavnani, vicepresidenta de productos de IA de Box
Saoud Rizwan, fundador de Cline, destacó su uso como subagente para programación y análisis de documentos. Konstantinos Papamiltiadis, vicepresidente sénior de alianzas globales de Oracle, dijo que sus primeras pruebas mostraron capacidad para afrontar tareas de ingeniería complejas.
You.com aportó cifras de una prueba de programación: según Chak Pothina, responsable de inferencia, Ember completó todas las tareas de codificación evaluadas con una latencia p95 de 2,2 segundos, la menor entre los modelos probados. La empresa indicó que eso suponía entre cuatro y trece veces más velocidad que modelos de pesos abiertos líderes y un uso de entre un 36% y un 48% menos de tokens de salida. Son resultados comunicados por los socios de Meta, no una evaluación independiente incluida en la tabla de Artificial Analysis.
Meta detalla sus pruebas de seguridad
Antes del lanzamiento, Meta evaluó Ember bajo su Meta Superintelligence Scaling Framework. La empresa dice que examinó riesgos químicos y biológicos, de ciberseguridad y de pérdida de control, y que el modelo quedó por debajo de los umbrales de alto riesgo del marco en las categorías evaluadas. También afirma que Ember recibió la misma formación y las mismas pruebas básicas de seguridad.
Meta añade que estudió cómo se comporta Ember cuando actúa en nombre de un usuario: si respeta sus instrucciones, trata adecuadamente la información sensible, resiste indicaciones ocultas en páginas web, documentos o respuestas de herramientas y solicita intervención humana antes de acciones de alto impacto. La compañía no publica en la presentación cifras de esas pruebas de seguridad.
Por ahora, Meta sitúa Ember como una opción para trabajo repetible a escala, con Muse Spark o Muse Wonder disponibles para tareas más difíciles. La empresa dice que ya tiene modelos más eficientes en entrenamiento y que compartirá novedades, pero no ha anunciado una fecha ni detalles adicionales sobre ellos.
Fuentes: TechCrunch, The New Stack, Meta AI Research, Meta Model API, Meta Model API, Google Cloud Documentation, Meta Model API
