Meta lanza Muse Ember, su modelo de IA pequeño y económico para tareas cotidianas de agentes

Qué podrías hacer con él

• Un desarrollador podría construir agentes de IA que realicen llamadas a herramientas, enruten solicitudes y ejecuten subtareas de programación todo el día por una fracción del costo de los modelos anteriores ¹.
• Una empresa podría configurar un sistema automatizado que lea y extraiga información de documentos largos o PDF sin pagar precios premium por tarea ².
• Un investigador que compare frentes de eficiencia podría ejecutar Muse Ember junto a rivales en conjuntos de pruebas como el ranking de Artificial Analysis para medir inteligencia por dólar gastado ¹.

Un modelo pequeño para tareas de agentes

Meta describió a Muse Ember como su entrada «más pequeña y eficiente» dirigida específicamente al tipo de trabajo repetitivo que los agentes de IA manejan todo el día: hacer llamadas a herramientas, ejecutar subtareas de programación, enrutar solicitudes, extraer información de documentos y analizar archivos grandes ².

La compañía dice que el modelo se posiciona justo en lo que denomina frontera de eficiencia, lo que significa que ningún modelo obtiene una puntuación más alta por menos por tarea en el ranking de Artificial Analysis ². Meta también afirma que iguala la mejor puntuación de Claude Haiku 5.5 a aproximadamente un tercio del precio y supera todas las configuraciones de GPT-6 Luna .

Artificial Analysis publicó datos de gráficos que muestran la posición de Muse Ember frente a esos dos rivales en diferentes niveles de razonamiento ¹.

Cuánto cuesta

Para prompts breves, el precio estándar asciende a $0,10 por cada millón de tokens de entrada y $0,50 por cada millón de tokens de salida, lo que coincide con el coste indicado de GPT-6 Luna y Claude Haiku 5,5 ¹. Eso lo sitúa muy por debajo de modelos más caros como el recientemente anunciado Claude Fable 5.2, que cuesta unas 80 veces más, a $8 por millón de tokens de entrada y $40 por millón de tokens de salida .

Las cosas se vuelven más complejas cuando los prompts superan ciertos límites de longitud. Los tres modelos económicos admiten hasta un millón de tokens de entrada, pero cada uno incrementa su precio tras un umbral ¹:

• GPT-6 Luna se duplica a $0,20 / $0,02 / $0,75 más allá de 272k tokens
• Muse Ember sube a $0,30 / $0,012 / $1,50 más allá de 200k tokens
• Claude Haiku 5.5 aumenta a $0,50 / $0,05 / $2,50 más allá de 100k tokens ¹

Pero comparar el precio en crudo por token pierde algo importante: hoy en día los modelos usan cantidades muy distintas de tokens para resolver el mismo problema debido a los «tokens de razonamiento», que son cálculos internos adicionales que un modelo genera antes de dar una respuesta ¹. Por eso Artificial Analysis mide la inteligencia por dólar gastado en su lugar .

Puntuaciones en pruebas comunes

Según los resultados de benchmarks de Artificial Analysis reportados por Meta, Muse Ember lideró varias categorías con esfuerzo máximo de razonamiento: Agents AutomationBench-AA (37,8 frente a 13,9 para Haiku y 20,2 para Luna), Agents' Last Exam (61,6 vs. 57,0 vs. 57,1), Personal Superintelligence Index (46,8 vs. 36,1 vs. 37,0), Coding Terminal-Bench 4.0 (40,9 vs. 39,2 vs. 16,4), Coding Agent Index-AA (46 vs. 37 vs. 31), FrontierCode 2.0-AA (34,9 vs. 27,2 vs. 25,2) y Multimodal GDP.pdf-AA (empatado a 22,8 con Luna, por delante del 20,8 de Haiku) ².

Simon Willison probó el modelo él mismo y generó seis conjuntos de imágenes de pelícanos montando bicicletas usando los distintos niveles de razonamiento de Ember —mínimo, bajo, medio, alto, muy alto y máximo— ¹. El nivel alto falló al devolver un archivo de imagen completo, y señaló que la calidad visual no seguía claramente la fuerza de razonamiento . Comparó el resultado con imágenes de Muse Wonder, un modelo unas 40 veces más caro, y encontró una calidad comparable .

Muse Ember está disponible ahora a través de las plataformas de Meta AI.

Fuentes

1. Introducing Our Smallest, Most Efficient Model: Muse Ember — simonwillison.net
2. Introducing Our Smallest, Most Efficient Model: Muse Ember — research.meta.ai