La compañía presentó su modelo de inteligencia artificial más pequeño y eficiente, diseñado para programación, automatización y procesamiento de documentos.
Esta capacidad permite trabajar con documentos extensos, repositorios de código y grandes colecciones de información.
El sistema también es multimodal: puede interpretar texto, fotografías, capturas de pantalla, grabaciones de audio y videos.
Así, un agente puede examinar documentos escaneados, detectar elementos en una imagen o extraer información de una reunión grabada sin depender necesariamente de otro modelo especializado.
La empresa difundió resultados que comparan Muse Ember con Claude Haiku 5.5, de Anthropic, y GPT-6 Luna, de OpenAI.
En OSWorld 2.1, una prueba sobre el uso de computadoras, Ember obtuvo un 69,5% con evaluación de crédito parcial, frente al 68,9% de Haiku y el 50,5% de Luna.
En Terminal-Bench 4.0, orientada a tareas de programación, alcanzó 40,9 puntos, frente a 39,2 y 16,4, respectivamente.
No obstante, los resultados varían según la evaluación. En FrontierCode 2.0, Claude Haiku obtuvo una puntuación superior.
Estas comparaciones corresponden a configuraciones y pruebas específicas, por lo que no implican una superioridad general del modelo en todas las actividades.
Meta informó que Muse Ember fue evaluado frente a riesgos relacionados con ciberseguridad, materiales peligrosos y pérdida de control, y que permaneció por debajo de los umbrales de alto riesgo establecidos por la compañía.
También examinó su capacidad para respetar instrucciones, manejar información sensible y resistir órdenes maliciosas ocultas en documentos.
El modelo ya está disponible en Meta Model API y Muse Code, identificado como muse-ember-1.0.
Con esta incorporación, Meta busca que las tareas frecuentes de los agentes autónomos puedan ejecutarse a menor costo, mientras los sistemas más avanzados se concentran en resolver los problemas de mayor complejidad.
Meta presentó Muse Ember, un nuevo modelo de inteligencia artificial desarrollado para realizar tareas repetitivas dentro de sistemas de agentes autónomos. La herramienta, anunciada el 9 de noviembre de 2026, busca reducir los costos de operaciones como analizar documentos, ejecutar pruebas de software, modificar código y procesar información.
El lanzamiento forma parte de la estrategia de Meta Superintelligence Labs, que desarrolla la familia Muse. A diferencia de los modelos más grandes, orientados a resolver problemas complejos, Ember está preparado para ejecutar numerosas subtareas específicas con un menor consumo de recursos.
La herramienta puede leer archivos, analizar grandes cantidades de código, extraer datos, ejecutar instrucciones mediante herramientas y colaborar en tareas de programación.
Por ejemplo, un agente autónomo encargado de modificar una aplicación podría utilizar un modelo avanzado para planificar los cambios y delegar en Muse Ember la revisión de archivos, las correcciones puntuales y las pruebas.
Meta propone combinarlo con Muse Wonder o Muse Spark, reservando los modelos de mayor capacidad para las decisiones que requieren planificación y razonamiento más profundo.
Además, Ember fue entrenado utilizando Muse Wonder Full, una de las versiones más avanzadas de la familia.
Uno de los principales atractivos del lanzamiento es su precio. Meta fijó una tarifa inicial de USD 0,10 por millón de tokens de entrada y USD 0,50 por millón de tokens de salida.
Los tokens son unidades de información que los modelos procesan para interpretar instrucciones y generar respuestas.
La compañía también ofrece una tarifa de USD 0,004 por millón de tokens de entrada almacenados en caché, lo que permite reducir el costo de instrucciones reutilizadas.
Sin embargo, existe una condición importante: cuando una solicitud supera los 200.000 tokens de entrada, las tarifas aumentan a USD 0,30 por millón de entrada y USD 1,50 por millón de salida.
Muse Ember admite una ventana de contexto de hasta un millón de tokens y puede generar respuestas de hasta 512.000 tokens, según las especificaciones oficiales.
