Meta's Muse Ember eguaglia Claude Haiku a un terzo del costo

Cosa potresti farci

• Un team di sviluppo software potrebbe impiegare un agente AI per gestire sotto-compiti ripetitivi di codifica, chiamate a strumenti e instradamento di richieste 24 ore su 24, per circa un terzo del costo rispetto ai concorrenti ¹.
• Un'azienda che gestisce agenti per il supporto clienti potrebbe instradare le richieste, estrarre dati dai file e smistare le domande senza pagare prezzi premium per chiamata ¹.
• Uno sviluppatore potrebbe abbinare Ember al più grande modello Muse Wonder di Meta, in modo che Ember elabori l'enorme volume giornaliero di testo, immagini, audio e video, mentre Wonder risolve i problemi più complessi ².

Più economico a parità di intelligenza

Per ogni milione di token di input, Ember costa $0,10, mentre i token di output raggiungono $0,50 per milione. I suoi due rivali più vicini, Claude Haiku 5.5 e GPT-6 Luna, hanno gli stessi prezzi di listino.

Ma Meta afferma che si ottiene di più per ogni dollaro. L'affermazione è suffragata dall'Intelligence Index di Artificial Analysis, un'azienda indipendente di benchmarking. Nella sua impostazione di sforzo massimo, Ember ha segnato 36 — lo stesso punteggio di Haiku 5.5. Luna ha segnato 28.

Eseguire quel test di benchmark è costato circa $0,14 per compito con Ember, $0,41 con Haiku e $0,15 con Luna. Questo rende Ember sostanzialmente in parità con Haiku, a circa un terzo del costo per risultati uguali ¹².

"Il nostro minuscolo modello Muse Ember è ora sulla frontiera dell'efficienza, eguagliando Haiku a un costo per compito 3 volte inferiore," ha scritto Alexandr Wang, capo di Meta AI, su X ¹.

Come si posiziona altrove

Su AutomationBench, che testa flussi di lavoro aziendali completi da capo a fondo, Ember ha segnato il 37,8%. Luna ha segnato il 20,2% e Haiku solo il 13,9% ².

Ha inoltre vinto il test di codifica interno Terminal-Bench di Meta e l'Agent Index di Artificial Analysis ². Ma non è vincente su tutto. Su FrontierCode 2.0 — un benchmark che verifica se ingegneri reali accetterebbero le modifiche al codice di un modello — Haiku ha guadagnato il 34,9% e Ember ha segnato il 27,2% . Alcuni altri confronti, tra cui il Personal Superintelligence Index di Meta, provengono da test interni di Meta ¹.

Progettato per lavorare con un cervello più grande

Ember gestisce testo, immagini, audio e video. Può leggere fino a un milione di token in una volta sola — abbastanza per un intero codice sorgente. Meta prevede di abbinarlo a Muse Wonder, il suo modello frontier più grande. "Per i problemi più difficili, abbinalo a Muse Wonder: Muse Wonder pianifica, Muse Ember si occupa dell'elaborazione di grandi volumi," ha scritto Meta ².

Ember è anche il primo modello Meta ad essere stato addestrato utilizzando il sistema più ampio Muse Wonder full ². I pesi rimangono privati, come per i precedenti rilasci Muse ¹. Meta ha sottoposto Ember al proprio framework di sicurezza, che include test per armi chimiche e biologiche, minacce alla cybersicurezza e rischi di perdita di controllo. L'azienda afferma che Ember è rimasto al di sotto delle soglie di alto rischio in ogni categoria .

Ember è disponibile ora sulla Meta Model API e in Muse Code, lo strumento di codifica di Meta ¹². Modelli più efficienti sono ancora in fase di addestramento, ha detto Meta .

Questa notizia segnala una tendenza solo a scopo informativo. Non costituisce un consiglio né un invito a intraprendere alcuna di queste attività.

I fatti principali

¹ - Muse Ember chiede $0,10 per ogni milione di token di input e $0,50 per ogni milione di token di output.

• Ember eguaglia il punteggio di 36 di Claude Haiku 5.5 a circa un terzo del costo per compito ($0,14 vs $0,41)
• Ember segna il 37,8% su AutomationBench, battendo GPT-6 Luna (20,2%) e Claude Haiku 5.5 (13,9%)
• Haiku batte Ember su FrontierCode 2.0 (34,9% vs 27,2%); alcuni risultati provengono da test interni di Meta
• Disponibile ora tramite Meta Model API e Muse Code

Fonti

1. Meta’s Muse Ember matches Claude Haiku at a third of the cost — thenextweb.com
2. Introducing Our Smallest, Most Efficient Model: Muse Ember