Meta lanzó Muse Ember, su modelo de inteligencia artificial más pequeño hasta ahora, diseñado para asumir tareas repetitivas dentro de agentes. La compañía destaca su costo: en una evaluación de Artificial Analysis, el modelo obtuvo una puntuación redondeada igual a la de Claude Haiku 5.5 por cerca de un tercio del costo por tarea, aunque ambos tienen las mismas tarifas básicas por token.
El modelo está disponible desde el 9 de noviembre de 2026 mediante Meta Model API y Muse Code. Entre los trabajos para los que fue diseñado están las llamadas a herramientas, la extracción de información, el análisis de documentos largos y pequeñas tareas de programación.
Un agente de IA puede dividir un encargo en varios pasos. En la propuesta de Meta, un modelo más potente, como Muse Wonder, puede encargarse de la planificación y delegar a Ember las operaciones que se repiten muchas veces. La compañía presenta esa combinación como una forma de manejar el volumen de trabajo, no como una garantía de que cada tarea se completará correctamente.
Meta afirma que Ember es el primer modelo que entrenó con Muse Wonder Full. Días antes, la empresa había anunciado otros modelos especializados, entrenados con Muse Wonder, para mejorar funciones de memoria y seguimiento de objetivos en Muse y Meta AI. Ese anuncio anterior no identificaba esos modelos como Ember.
Gerardo Pavez
Un menor costo por tarea con tarifas básicas iguales
Artificial Analysis, firma que evalúa modelos de IA, asignó a Muse Ember y a Claude Haiku 5.5 una puntuación redondeada de 36 en su Intelligence Index, con ambos en su nivel máximo de razonamiento. GPT-6 Luna obtuvo 28 en esa misma comparación. El índice combina pruebas de programación, conocimiento y otras capacidades.
El empate depende del redondeo: la gráfica publicada por Meta muestra 35.8 puntos para Ember y 36.2 para Haiku. Según esa comparación, el costo promedio ponderado por tarea del índice fue de aproximadamente 0.14 dólares para Ember, 0.41 para Haiku y 0.15 para Luna.
Esas cifras describen el costo calculado para las pruebas del índice, no una tarifa fija por cualquier tarea. El gasto de un proyecto depende de la cantidad de información que recibe el modelo, lo que genera y cuánto contenido puede reutilizarse desde caché.
Ahí aparece una diferencia. Artificial Analysis señala que Ember, Haiku 5.5 y Luna comparten las tarifas básicas de 0.10 dólares por millón de tokens de entrada y 0.50 dólares por millón de tokens de salida. En sus evaluaciones, Ember también generó menos tokens de salida que Haiku y tenía una tarifa menor para la entrada recuperada de caché, es decir, información ya procesada que se reutiliza en una solicitud.
El precio sube con solicitudes de más de 200,000 tokens
En la API de Meta, las tarifas de Ember se dividen en dos tramos según los tokens de entrada de cada solicitud, incluidos los recuperados de caché. Hasta 200,000 tokens de entrada, Meta cobra 0.10 dólares por millón de tokens de entrada, 0.004 dólares por millón de entrada en caché y 0.50 dólares por millón de tokens de salida.
Si la solicitud supera los 200,000 tokens de entrada, las tres tarifas se triplican: pasan a 0.30 dólares por millón de entrada, 0.012 por millón de entrada en caché y 1.50 por millón de salida. Meta aclara que el tramo superior se aplica a toda la solicitud, no solo a los tokens que exceden el umbral. Un historial de conversación incluido en una solicitud también cuenta para ese límite.
La ventana de contexto de Ember es de hasta un millón de tokens, pero esa capacidad no implica que una solicitud extensa conserve el precio del tramo inferior. Para los equipos que procesan documentos largos, la diferencia entre capacidad y precio puede cambiar el costo de uso.
La documentación de Meta también distingue las condiciones de datos entre sus productos. Ember funciona en la API en modo Standard, cuyo contenido, según la empresa, no se utiliza para entrenar sus modelos. Las suscripciones de Muse Code activan por defecto el modo Contributor, que permite usar contenido para entrenar futuros modelos y puede desactivarse en los ajustes, de acuerdo con Meta.
Dónde destaca y dónde queda detrás
Ember acepta texto, imágenes, audio y video como entrada, según Meta. Eso permite plantear tareas como extraer datos de un documento escaneado o trabajar con una grabación sin añadir otro modelo para interpretar ese material. Su salida es texto.
Las pruebas tampoco muestran una ventaja uniforme. En FrontierCode 2.0, una evaluación de tareas de programación, Artificial Analysis registró 27.2% para Ember frente a 34.9% para Haiku 5.5. En la comparación de Terminal-Bench 4.0 presentada por Meta, cada modelo usó un entorno de agente distinto, un detalle relevante al interpretar los resultados.
La propuesta de Ember se centra así en repartir trabajo entre modelos según la dificultad y el volumen. La evaluación independiente ofrece una referencia de costo y desempeño para ese enfoque, mientras que las tarifas de contexto largo y los resultados de cada prueba delimitan cuánto puede trasladarse esa ventaja a un uso concreto.
Gerardo Pavez
