Metas Superintelligence Lab presenterade Muse Ember den 9 November 2026. Enligt företaget är det deras hittills minsta och mest effektiva modell, utvecklad för rutinuppgifter som AI-agenter utför hela dagen – anropa verktyg, hantera mindre kodningsuppgifter, dirigera förfrågningar, extrahera data och tolka långa dokument.
Muse Ember kan läsa och generera text, bilder, ljud och video, och bearbeta upp till en miljon token i en och samma prompt. Modellen finns nu tillgänglig via Meta Model API och Muse Code. Priset är $0.10 per miljon inmatningstoken och $0.50 per miljon utmatningstoken, vilket motsvarar cirka $0.14 per uppgift i Artificial Analysis benchmark.
Så står sig modellen mot konkurrenterna
I Metas eget Artificial Analysis Intelligence Index får Ember 36 poäng och kostar $0.14 per uppgift. Det är betydligt billigare än den större Muse Spark 1.3, som kostar $2.39 för ett nästan identiskt resultat på 37. Meta säger att Ember slår Anthropics Claude Haiku 5.5 och OpenAI:s GPT-6 Luna när det gäller intelligens i förhållande till kostnad i de flesta av företagets tester. På kodningsbenchmarken FrontierCode 2.0-AA får Haiku däremot 34.9 procent, jämfört med Embers 27.2 procent, enligt företaget.
TechCrunch noterar att Embers pris per miljon inmatningstoken är jämförbart med priset för modeller med öppen källkod som DeepSeek V4.1 Flash och GLM 5.3 Flash, vilket gör den konkurrenskraftig i stor skala.
Embers plats i Metas modellutbud
Ember är den fjärde modellen i Metas Muse-serie. Före den kom mellanklassmodellen Spark (April 2026), dess motsvarighet med öppen källkod Glimmer (Augusti 2026) och den avancerade modellen Wonder (Oktober 2026). Meta tänker sig att Ember ska arbeta tillsammans med den större Muse Wonder: den kraftfullare modellen sätter riktlinjerna, medan Ember tillämpar dem på tiotusentals ärenden, till exempel inom automatiserad kundsupport.
Varför det spelar roll
För företag som kör många automatiserade agenter för kundsupport eller datautvinning är Ember ett billigare sätt att utföra repetitiva moment, samtidigt som modellen kan arbeta med text, bilder, ljud och video. Den lägre kostnaden per uppgift kan göra AI-flöden med stora volymer mer överkomliga, även om kodningsförmågan fortfarande är sämre än hos vissa konkurrenter.
