Meta 초지능 연구소는 2026년 11월 9일 월요일 Muse Ember를 발표했다. Muse 제품군 중 가장 작은 모델로, 도구 호출, 코딩 하위 작업, 라우팅, 긴 문서 분석 등 대량의 에이전트 작업을 위해 설계됐다. Meta에 따르면 Ember는 텍스트, 이미지, 오디오, 동영상을 읽을 수 있으며, 1,048,576토큰의 컨텍스트 창을 지원하고 응답으로 최대 524,288토큰을 생성한다.
Meta는 Ember를 Muse Spark나 Muse Wonder 같은 대형 모델과 짝을 이루는 실무형 모델로 소개한다. 에이전트 작업 흐름에서는 대형 모델이 계획과 추론을 맡고, Ember가 수천 건에 걸쳐 반복되는 저비용 작업을 처리한다. 이 설계는 작업당 비용을 크게 낮추는 것을 목표로 한다.
경쟁 모델과 비교하면
Meta는 코딩, 금융, 비즈니스 자동화 테스트를 결합한 벤치마크인 Artificial Analysis Index에서 Ember를 평가했다. Meta에 따르면 Ember는 종합 점수에서 Anthropic의 Claude Haiku 5.5와 비슷한 성능을 보이면서 작업당 비용은 약 3분의 1이었다. 같은 벤치마크에서 OpenAI의 Luna 모델도 앞섰으며, 클라우드 앱 작업 657개로 구성된 AutomationBench-AA 제품군에서는 17% 높은 점수를 기록했다.
가격에도 비용 절감 목표가 반영됐다. 입력 토큰 100만 개당 10센트, 출력 토큰 100만 개당 50센트이며, 캐시를 사용하면 입력 비용을 토큰 100만 개당 0.4센트까지 낮출 수 있다. Model API 문서에 따르면 입력 토큰이 200K를 넘는 긴 컨텍스트 요청에는 더 높은 요금이 적용된다.
현재 Ember를 사용할 수 있는 곳
Muse Ember는 현재 Meta의 Model API와 Muse Code에서 사용할 수 있으며, 종량제 또는 구독 요금제 모두 지원한다. Standard 모드로만 실행되며, 이는 요청마다 최대한의 하드웨어 할당량을 제공한다는 뜻이다. 요청 형식은 Muse Spark와 같아 API 호출에서 모델 ID만 바꾸면 된다.
개발자는 지원 티켓 분류, 대량 이미지 세트의 캡션 작성, PDF에서 필드 추출, 더 큰 작업 흐름 안에서 터미널 명령 실행 등 범위가 정해진 반복 작업에 Ember를 활용할 수 있다.
왜 중요한가
고객 지원 티켓 라우팅이나 대량 문서 처리처럼 반복적인 AI 작업을 많이 수행하는 기업은 Muse Ember를 통해 혼합 미디어 처리 능력을 유지하면서 더 저렴하게 규모를 키울 수 있다. 토큰당 가격이 낮아 운영 비용을 줄일 수 있지만, 벤치마크 주장은 아직 독립적인 제3자 검증을 거치지 않았다.
