آزمایشگاه ابرهوش متا روز دوشنبه، ۹ نوامبر ۲۰۲۶، از Muse Ember رونمایی کرد. این مدل کوچک‌ترین عضو خانواده Muse است و برای کارهای پرتعداد عامل‌های هوش مصنوعی، از جمله فراخوانی ابزارها، انجام کارهای فرعی برنامه‌نویسی، مسیریابی و پردازش اسناد طولانی ساخته شده است. متا می‌گوید Ember می‌تواند متن، تصویر، صدا و ویدئو را بخواند و پنجرهٔ زمینه‌ای با ظرفیت 1,048,576 توکن دارد و در پاسخ حداکثر 524,288 توکن تولید می‌کند.
متا Ember را مدل پرکار و کم‌هزینه‌ای معرفی می‌کند که در کنار مدل‌های بزرگ‌تری مانند Muse Spark یا Muse Wonder به کار می‌رود. در جریان کار یک عامل هوش مصنوعی، مدل بزرگ‌تر برنامه‌ریزی و استدلال می‌کند و Ember هزاران کار تکراری و کم‌هزینه را انجام می‌دهد. هدف این طراحی، کاهش چشمگیر هزینهٔ هر کار است.
مقایسهٔ Ember با رقبا
متا Ember را با شاخص Artificial Analysis ارزیابی کرده است؛ معیاری که آزمون‌هایی در زمینهٔ برنامه‌نویسی، امور مالی و خودکارسازی کسب‌وکار را ترکیب می‌کند. به گفتهٔ متا، Ember در امتیاز کلی با Claude Haiku 5.5 شرکت Anthropic برابری کرده، در حالی که هزینهٔ هر کار با آن حدود یک‌سوم است. این مدل در همان معیار از Luna شرکت OpenAI نیز بهتر عمل کرده و در مجموعه‌آزمون AutomationBench‑AA که 657 کار در اپلیکیشن‌های ابری را شامل می‌شود، 17 ٪ پیشتاز بوده است.
قیمت‌گذاری نیز بر کم‌هزینه‌بودن تمرکز دارد: 10 سنت به‌ازای هر یک‌میلیون توکن ورودی و 50 سنت به‌ازای هر یک‌میلیون توکن خروجی. حافظهٔ نهان می‌تواند هزینهٔ ورودی را به 0.4 سنت به‌ازای هر یک‌میلیون توکن کاهش دهد. همان‌طور که در مستندات Model API آمده، درخواست‌هایی با بیش از 200 K توکن ورودی در پنجرهٔ زمینه، نرخ بالاتری دارند.
Ember در حال حاضر چه کاربردی دارد
Muse Ember هم‌اکنون از طریق Model API متا و Muse Code، با هر طرح اشتراکی یا پرداخت به‌ازای مصرف، در دسترس است. این مدل فقط در حالت Standard اجرا می‌شود؛ یعنی برای هر درخواست، بیشترین سهم سخت‌افزاری را دریافت می‌کند. Ember همان قالب درخواست Muse Spark را می‌پذیرد، بنابراین تغییر مدل فقط به عوض‌کردن شناسه در فراخوانی API نیاز دارد.
توسعه‌دهندگان می‌توانند از Ember برای کارهای مشخصی که بارها تکرار می‌شوند استفاده کنند؛ مانند دسته‌بندی درخواست‌های پشتیبانی، نوشتن شرح برای مجموعه‌های بزرگ تصویر، استخراج داده از فایل‌های PDF یا اجرای فرمان‌های ترمینال در قالب یک جریان کاری بزرگ‌تر.
چرا مهم است
برای کسب‌وکارهایی که تعداد زیادی کار تکراری هوش مصنوعی انجام می‌دهند—مثل مسیریابی درخواست‌های پشتیبانی مشتری یا پردازش انبوه اسناد—Muse Ember راهی ارزان‌تر برای افزایش مقیاس فراهم می‌کند، بی‌آنکه توانایی پردازش رسانه‌های گوناگون را از دست بدهند. قیمت پایین‌تر هر توکن می‌تواند هزینه‌های عملیاتی را کاهش دهد، هرچند هنوز ارزیابی مستقل و بیرونیِ ادعاهای مربوط به معیارهای عملکرد منتشر نشده است.
