Metas Superintelligence Lab hat Muse Ember am Montag, dem 9. November 2026, vorgestellt. Es ist das kleinste Modell der Muse-Familie und für agentengestützte Aufgaben mit hohem Volumen ausgelegt, etwa Tool-Aufrufe, Programmieraufgaben, die Weiterleitung von Anfragen und das Auswerten langer Dokumente. Laut Meta kann Ember Texte, Bilder, Audio und Videos verarbeiten. Das Kontextfenster umfasst 1,048,576 Tokens, die Ausgabe kann bis zu 524,288 Tokens lang sein.
Meta sieht Ember als Arbeitspferd, das mit größeren Modellen wie Muse Spark oder Muse Wonder zusammenspielt. In einem Agenten-Workflow plant und schlussfolgert das größere Modell, während Ember wiederkehrende, kostengünstige Aufgaben für Tausende Elemente übernimmt. So sollen die Kosten pro Aufgabe deutlich sinken.
So schlägt sich Ember im Vergleich zur Konkurrenz
Meta hat Ember anhand des Artificial Analysis Index bewertet, einem Benchmark mit Tests zu Programmierung, Finanzwesen und Geschäftsautomatisierung. Laut Meta erreichte Ember im Gesamtergebnis denselben Wert wie Claude Haiku 5.5 von Anthropic, kostete pro Aufgabe aber ungefähr ein Drittel so viel. Im selben Benchmark übertraf das Modell außerdem OpenAIs Luna und lag bei der Testsuite AutomationBench‑AA mit 657 Aufgaben für Cloud-Apps um 17 % vorn.
Auch die Preise spiegeln den Kostenfokus wider: 10 Cent pro Million Tokens für Eingaben und 50 Cent pro Million Tokens für Ausgaben. Ein Cache kann die Kosten für Eingaben auf 0,4 Cent pro Million Tokens senken. Für Anfragen mit mehr als 200 K Eingabe-Tokens gelten höhere Preise, wie in der Model-API-Dokumentation vermerkt.
Wofür sich Ember derzeit eignet
Muse Ember ist ab sofort über Metas Model API und über Muse Code mit jedem nutzungsabhängigen Tarif oder Abonnement verfügbar. Das Modell läuft ausschließlich im Standardmodus. Damit erhalten Nutzer für jede Anfrage die maximal mögliche Hardware-Zuteilung. Ember akzeptiert dasselbe Anfrageformat wie Muse Spark; ein Modellwechsel erfordert daher lediglich eine Änderung der ID im API-Aufruf.
Entwickler können Ember für klar abgegrenzte Aufgaben einsetzen, die sich oft wiederholen – etwa zum Klassifizieren von Support-Tickets, Beschriften großer Bildsammlungen, Extrahieren von Datenfeldern aus PDFs oder Ausführen von Terminalbefehlen innerhalb eines größeren Workflows.
Warum es wichtig ist
Für Unternehmen, die viele wiederkehrende KI-Aufgaben ausführen – etwa Support-Tickets weiterleiten oder große Mengen an Dokumenten verarbeiten –, bietet Muse Ember eine kostengünstigere Möglichkeit zur Skalierung, ohne auf die Verarbeitung verschiedener Medien verzichten zu müssen. Der niedrigere Preis pro Token kann die Betriebskosten senken. Eine unabhängige Bestätigung der Benchmark-Angaben durch Dritte steht jedoch noch aus.
