Le Superintelligence Lab de Meta a annoncé Muse Ember le lundi 9 novembre 2026. C’est le plus petit modèle de la famille Muse. Il est conçu pour les tâches d’agents à grand volume, comme les appels d’outils, les sous-tâches de programmation, le routage et l’analyse de longs documents. Selon Meta, Ember peut traiter du texte, des images, de l’audio et de la vidéo. Sa fenêtre de contexte atteint 1,048,576 tokens et il peut générer jusqu’à 524,288 tokens en réponse.
Meta présente Ember comme un modèle polyvalent destiné à fonctionner avec des modèles plus puissants, comme Muse Spark ou Muse Wonder. Dans un flux de travail avec des agents, le modèle le plus puissant planifie et raisonne, tandis qu’Ember prend en charge des tâches répétitives et peu coûteuses sur des milliers d’éléments. L’objectif est de réduire considérablement le coût de chaque tâche.
Comment Ember se compare à ses concurrents
Meta a évalué Ember avec l’Artificial Analysis Index, un benchmark qui combine des tests de programmation, de finance et d’automatisation des processus métier. Selon Meta, Ember obtient le même score global que Claude Haiku 5.5 d’Anthropic, pour un coût par tâche environ trois fois moindre. Il devance également le modèle Luna d’OpenAI sur ce benchmark et arrive en tête, avec une avance de 17 %, sur la suite AutomationBench-AA, qui comprend 657 tâches dans des applications cloud.
Les tarifs reflètent cette volonté de réduire les coûts : 10 cents par million de tokens en entrée et 50 cents par million de tokens en sortie. Un cache peut faire passer le coût des tokens d’entrée à 0.4 cents par million. Les requêtes utilisant plus de 200 K tokens en entrée sont facturées à des tarifs supérieurs, comme l’indique la documentation de Model API.
Quelle place pour Ember aujourd’hui
Muse Ember est disponible dès maintenant sur Model API de Meta et dans Muse Code, avec n’importe quelle formule à l’usage ou par abonnement. Il fonctionne uniquement en mode Standard, ce qui signifie que chaque requête bénéficie de l’allocation matérielle maximale. Le modèle accepte le même format de requête que Muse Spark : pour changer de modèle, il suffit donc de modifier son identifiant dans l’appel API.
Les développeurs peuvent utiliser Ember pour des tâches bien délimitées et répétées à grande échelle, comme classer des demandes d’assistance, ajouter des légendes à de grands ensembles d’images, extraire des champs de fichiers PDF ou exécuter des commandes dans un terminal au sein d’un flux de travail plus large.
Pourquoi c'est important
Pour les entreprises qui exécutent un grand nombre de tâches d’IA répétitives — comme le routage des demandes d’assistance ou le traitement de lots de documents — Muse Ember offre une solution moins coûteuse pour monter en charge, tout en prenant en charge plusieurs types de médias. Son prix par token plus bas peut réduire les coûts d’exploitation, même si les affirmations de Meta sur les benchmarks attendent encore une validation indépendante par des tiers.
