Лаборатория сверхинтеллекта Meta представила Muse Ember в понедельник, 9 ноября 2026 года. Это самая компактная модель семейства Muse, предназначенная для большого объёма задач в агентных системах: вызова инструментов, подзадач программирования, маршрутизации и разбора длинных документов. По словам Meta, Ember работает с текстом, изображениями, аудио и видео, поддерживает контекстное окно на 1,048,576 токенов и может выдавать до 524,288 токенов в ответе.
Meta позиционирует Ember как рабочую модель в связке с более крупными моделями, например Muse Spark или Muse Wonder. В агентном процессе более мощная модель планирует и рассуждает, а Ember выполняет повторяющиеся недорогие задачи для тысяч объектов. Такой подход призван значительно снизить стоимость каждой задачи.
Как Ember сравнивается с конкурентами
Meta оценивала Ember по Artificial Analysis Index — бенчмарку, который объединяет тесты на программирование, финансы и автоматизацию бизнес-процессов. По данным Meta, по общему результату Ember сравнялась с Claude Haiku 5.5 от Anthropic, обходясь примерно втрое дешевле за задачу. Она также превзошла модель Luna от OpenAI в том же бенчмарке и показала результат на 17 % выше на наборе из 657 задач для облачных приложений AutomationBench‑AA.
Цены отражают стремление сделать модель недорогой: 10 центов за миллион входных токенов и 50 центов за миллион выходных. Кэширование может снизить стоимость входных токенов до 0.4 цента за миллион. Как указано в документации Model API, для запросов с контекстом более 200 K входных токенов действуют повышенные тарифы.
Где доступна Ember
Muse Ember уже доступна через Model API от Meta и в Muse Code — в рамках любого плана с оплатой по факту использования или подписки. Модель работает только в стандартном режиме, который предоставляет каждому запросу максимальный объём аппаратных ресурсов. Она принимает запросы в том же формате, что и Muse Spark, поэтому для переключения достаточно изменить ID модели в вызове API.
Разработчики могут использовать Ember для ограниченных задач, которые нужно многократно повторять: например, классифицировать обращения в службу поддержки, создавать подписи к большим наборам изображений, извлекать данные из PDF или запускать команды терминала в рамках более крупного процесса.
Почему это важно
Для компаний, которые выполняют множество однотипных задач с помощью ИИ — например, распределяют обращения клиентов или обрабатывают документы в больших объёмах, — Muse Ember предлагает более дешёвый способ масштабирования без отказа от работы с разными типами данных. Более низкая цена токена может сократить операционные расходы, однако заявления о результатах бенчмарков пока не подтверждены независимой сторонней проверкой.
