Meta AI Research ha presentato il 9 novembre 2026 Muse Ember, il modello di dimensioni più contenute della famiglia Muse, sviluppato per ridurre i costi delle operazioni ripetitive svolte dagli agenti di intelligenza artificiale e dalle applicazioni di programmazione assistita. Il modello è stato reso disponibile nello stesso giorno attraverso Muse Code e Meta Model API, con un prezzo di 0,10 dollari per milione di token in ingresso e 0,50 dollari per milione di token in uscita. Gli input recuperati dalla cache hanno un costo dichiarato di 0,004 dollari per milione di token. Ember, identificato nell’API dalla sigla muse-ember-1.0, supporta la Responses API, dispone di una finestra di contesto da un milione di token e permette di generare fino a 512.000 token in uscita. La configurazione è pensata per attività che richiedono numerose chiamate a strumenti, elaborazione di documenti, estrazione di informazioni, esecuzione di sottocompiti di programmazione e coordinamento di procedure amministrative. Meta sostiene che una parte considerevole dei token consumati dagli agenti venga impiegata proprio in operazioni relativamente semplici e strutturate, per le quali l’utilizzo continuativo di modelli più costosi non è sempre necessario.
Ember è stato addestrato utilizzando Muse Wonder Full e viene inserito in un’architettura che assegna compiti differenti ai modelli della famiglia. Muse Wonder è destinato alla pianificazione dei problemi più complessi, Muse Spark alle attività avanzate di programmazione e ai procedimenti agentici, mentre Muse Ember viene utilizzato per eseguire su larga scala operazioni ripetitive e ben definite. Questa organizzazione permette a un agente di affidare la pianificazione a un modello più potente e delegare a Ember le successive chiamate ai sistemi esterni, la consultazione dei documenti, l’aggiornamento dei dati e l’esecuzione dei passaggi operativi. Meta presenta Ember come un modello capace anche di coordinare autonomamente sequenze di strumenti, recuperare record e aggiornare applicazioni differenti per completare un processo aziendale. Oltre al testo, il sistema elabora nativamente immagini, audio e video, consentendo agli agenti di utilizzare schermate, grafici, documenti acquisiti tramite scansione, registrazioni vocali, riunioni e filmati senza dover necessariamente ricorrere a un modello multimodale separato.
Nel confronto comunicato da Meta, Muse Ember ha ottenuto 36 punti nell’Artificial Analysis Intelligence Index, contro i 37 di Muse Spark 1.3, ma con un costo stimato per attività di 0,14 dollari rispetto ai 2,39 dollari del modello superiore. L’azienda dichiara inoltre che Ember raggiunge il miglior risultato di Claude Haiku 5.5 nello stesso indice con un costo per attività pari a circa un terzo, e supera GPT-6 Luna nei livelli di ragionamento considerati nella valutazione complessiva. Si tratta di confronti basati sulle condizioni di prova indicate e su costi stimati utilizzando i prezzi di listino Meta, non di una misura universale delle prestazioni. Nei benchmark operativi condotti con il massimo livello di ragionamento, Ember ha ottenuto il 37,8% in AutomationBench-AA, dedicato ai flussi aziendali, contro il 13,9% di Claude Haiku 5.5 e il 20,2% di GPT-6 Luna. Nel sottoinsieme Linux di Agents’ Last Exam ha raggiunto il 61,6%, rispetto al 57,0% e al 57,1% dei due modelli concorrenti. In Terminal-Bench 4.0 ha registrato il 40,9%, contro il 39,2% di Haiku e il 16,4% di Luna. Nel Coding Agent Index-AA Ember ha ottenuto 46 punti, rispetto a 37 e 31, mentre in OSWorld 2.1, utilizzando il credito parziale, ha raggiunto il 69,5%, contro il 68,9% e il 50,5%.
Il quadro cambia nel benchmark FrontierCode 2.0-AA, che misura la qualità delle modifiche software rispetto alla possibilità di integrarle in progetti reali. In questo caso Ember ha ottenuto il 27,2%, superando il 25,2% di GPT-6 Luna ma rimanendo sotto il 34,9% di Claude Haiku 5.5. Meta precisa che AutomationBench-AA utilizza una valutazione rigorosa pass@1 e che Terminal-Bench considera per ogni modello l’infrastruttura di esecuzione migliore tra quelle pubblicate. I risultati di Agents’ Last Exam e OSWorld derivano invece da valutazioni interne dell’azienda. La differenza registrata su FrontierCode mostra che il vantaggio economico e i risultati positivi nell’automazione non corrispondono necessariamente a prestazioni superiori in tutte le attività di ingegneria del software.
Le verifiche di sicurezza di Muse Ember sono state condotte nell’ambito del Superintelligence Scaling Framework di Meta, includendo rischi chimici e biologici, cybersicurezza e perdita di controllo. Secondo l’azienda, il modello è rimasto sotto le soglie di rischio elevato previste dal framework nelle categorie esaminate ed è stato sottoposto alle procedure fondamentali di addestramento e valutazione della sicurezza. Le prove sui comportamenti agentici hanno incluso il rispetto delle intenzioni dell’utente, il trattamento delle informazioni sensibili, la resistenza a istruzioni malevole nascoste nelle pagine web, nei documenti e negli output degli strumenti, oltre alla richiesta di intervento umano prima delle operazioni con conseguenze rilevanti. I primi test presso partner esterni hanno coinvolto Cloudflare e You.com. Cloudflare ha segnalato una riduzione fino al 30% della latenza nella parte finale della distribuzione rispetto al modello utilizzato come riferimento, insieme a risultati positivi nelle indagini che coinvolgono repository differenti. You.com ha dichiarato una latenza al 95° percentile di 2,2 secondi e il completamento delle attività di programmazione considerate con la latenza più bassa tra i modelli provati, utilizzando dal 36% al 48% di token in uscita in meno. Questi risultati si riferiscono alle configurazioni e ai carichi sperimentati dai singoli partner. Muse Ember viene quindi distribuito come componente operativo economico della famiglia Muse, destinato soprattutto alle esecuzioni ripetute e alle procedure agentiche nelle quali il consumo cumulativo di token rappresenta una parte importante del costo di esercizio.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)