Meta ha annunciato Muse Ember il 9 novembre 2026 come modello di IA per le attività ripetitive degli agenti: chiamare strumenti, smistare richieste, estrarre informazioni ed eseguire sottoattività di programmazione. Per chi sviluppa, il punto è scegliere quali passaggi affidargli e come dimensionare le richieste: oltre 200.000 token in ingresso, l’API applica le tariffe superiori all’intera richiesta, contando anche la cache e la cronologia riportata nella conversazione.

Julian Goldie illustra in inglese, con diapositive, il ruolo di Muse Ember negli agenti e i confronti pubblicati da Meta e Artificial Analysis.

La divisione del lavoro proposta da Meta prevede Muse Wonder o Muse Spark per pianificare e affrontare i problemi più impegnativi, con Ember incaricato dei passaggi circoscritti da ripetere su molti file o record. È un tassello del mondo degli agenti, il contesto più ampio già affrontato nel nostro approfondimento su Meta Muse e la privacy.

Quali attività affidare a Muse Ember

Muse Ember è pensato per lavorare come subagente, cioè come componente che riceve un incarico delimitato all’interno di un flusso più ampio. Meta lo consiglia per richiamare strumenti, instradare richieste e applicare un’operazione a raccolte di immagini, documenti o altri dati. Il vantaggio cercato è rendere sostenibile la ripetizione di questi passaggi, anziché usare un modello più impegnativo per ogni singola operazione.

Il confine cambia quando il compito richiede di risolvere un problema difficile in una sola esecuzione. Per la programmazione complessa senza passaggi intermedi, le domande che richiedono molte conoscenze e la programmazione basata su riferimenti visivi, Meta indirizza verso Muse Spark o Muse Wonder. Se stai progettando un agente, questa distinzione suggerisce una scelta concreta: separare la pianificazione dalle operazioni ripetute, invece di assegnare automaticamente tutto allo stesso modello.

Un esempio arriva da Box. Nella sua valutazione iniziale, l’azienda ha descritto l’uso di Ember per esaminare contratti clausola per clausola rispetto a criteri negoziali e per confrontare candidati con un profilo di selezione dettagliato. Sono incarichi nei quali una stessa procedura viene applicata a numerosi elementi.

Il ruolo di esecutore specializzato è anche quello sottolineato da Saoud Rizwan, fondatore di Cline, nell’annuncio di Meta:

Muse Ember is purpose-built for, and excels at, subagent work like coding and document analysis.

API: identificatore, formati e limiti

Per richiamare Ember tramite Meta Model API, l’identificatore è muse-ember-1.0. Meta supporta gli endpoint Responses, Chat Completions e Messages: puoi quindi scegliere l’interfaccia prevista dalla tua applicazione fra queste tre opzioni.

La documentazione di Muse Ember specifica le caratteristiche che incidono sull’integrazione:

  • Input: testo, immagini, video, audio e PDF.
  • Output: testo.
  • Finestra di contesto: 1.048.576 token.
  • Output massimo: 524.288 token.
  • Funzioni supportate: chiamate a strumenti, output strutturati, comprensione delle immagini, interazione con il computer e risposte basate su ricerche.

I token sono le unità in cui il sistema suddivide e conteggia i contenuti elaborati. La finestra di contesto indica quanto contenuto può rientrare nell’elaborazione; il limite di output riguarda invece la quantità massima generabile. Questa distinzione conta anche sul piano economico: la soglia tariffaria dei 200.000 token arriva ben prima della capacità massima di contesto.

Un’impostazione da controllare subito è lo sforzo di ragionamento. I livelli vanno da minimal a max, con max come valore predefinito. Anche le valutazioni comparative pubblicate da Meta utilizzano lo sforzo massimo. Il parametro va configurato secondo l’endpoint scelto, perché la sua collocazione nella richiesta cambia fra le interfacce, come spiega la guida al ragionamento.

Prezzi API: il salto oltre 200.000 token

Il listino di Meta Model API distingue due fasce in base ai token di ingresso della richiesta. Gli importi sono quelli pubblicati da Meta in dollari statunitensi per milione di token.

Token in ingresso della richiestaInput non in cacheInput in cacheOutput
Fino a 200.000, inclusi0,10 $0,004 $0,50 $
Oltre 200.0000,30 $0,012 $1,50 $

La regola di fatturazione di Meta è particolarmente importante per gli agenti che accumulano contesto: superata la soglia, le tariffe della seconda riga valgono per tutta la richiesta, output compreso. Il prezzo unitario di ogni categoria triplica.

Nel conteggio entrano anche i token di input recuperati dalla cache e la cronologia della conversazione richiamata tramite previous_response_id. La cache mantiene una tariffa molto più bassa rispetto all’input ordinario, ma i suoi token contribuiscono comunque a determinare la fascia. Un agente che conserva molti passaggi precedenti può quindi oltrepassare la soglia anche quando il nuovo messaggio è breve.

Applicando il listino alla sola componente di ingresso, 200.001 token non in cache vengono fatturati a 0,30 $ per milione: 0,200001 × 0,30 $ = 0,0600003 $. Il calcolo esclude l’output, che nella stessa richiesta ricade nella tariffa da 1,50 $ per milione di token.

Per stimare il costo di un flusso, dunque, servono tre conteggi distinti: ingresso ordinario, ingresso in cache e uscita. La lunghezza complessiva dell’ingresso determina quale serie di tariffe applicare a tutti e tre.

I benchmark premiano attività diverse

Nei risultati pubblicati da Meta, Ember ottiene punteggi superiori a Claude Haiku 5.5 e GPT-6 Luna in diverse prove di automazione. FrontierCode 2.0-AA, che valuta le modifiche al codice in base alla possibilità di integrarle nel progetto, favorisce invece Haiku 5.5. La scelta cambia quindi con il lavoro che vuoi far eseguire.

La tabella riporta le valutazioni con sforzo di ragionamento massimo per tutti e tre i modelli. Agents’ Last Exam, Personal Superintelligence Index, OSWorld e PerceptionBench sono valutazioni interne di Meta; gli altri risultati provengono da Artificial Analysis e sono riprodotti nell’annuncio dell’azienda.

ValutazioneMuse EmberClaude Haiku 5.5GPT-6 Luna
AutomationBench-AA37,8%13,9%20,2%
Agents’ Last Exam, sottoinsieme Linux61,6%57,0%57,1%
Personal Superintelligence Index46,8%36,1%37,0%
Terminal-Bench 4.040,9%39,2%16,4%
Coding Agent Index-AA, punti463731
FrontierCode 2.0-AA27,2%34,9%25,2%
GDP.pdf-AA22,8%20,8%22,8%
OSWorld 2.1, punteggio parziale69,5%68,9%50,5%
OSWorld 2.1, esito binario33,8%27,8%17,0%
PerceptionBench con strumenti80,6%78,6%62,8%
Artificial Analysis Intelligence Index, punti363628

Le condizioni spiegano alcune differenze importanti. AutomationBench-AA valuta il completamento di flussi operativi al primo tentativo; GDP.pdf-AA riguarda il lavoro professionale su documenti lunghi. OSWorld distingue il credito parziale dal completamento valutato con esito binario: sono due criteri di assegnazione del punteggio. Per Terminal-Bench 4.0, Meta precisa di aver utilizzato per ciascun modello la migliore configurazione di esecuzione pubblicata.

Per un agente che smista richieste e richiama strumenti, le prove di automazione sono pertinenti alla scelta. Se il risultato utile è una modifica pronta per essere integrata nel codice, FrontierCode introduce un criterio più vicino a quell’obiettivo. È il motivo pratico per cui il punteggio generale va affiancato alla prova che rappresenta il tuo lavoro.

Il costo per attività dell’Intelligence Index

Il pareggio a 36 punti fra Ember e Haiku nasce dall’arrotondamento: il grafico pubblicato da Meta riporta rispettivamente 35,8 e 36,2. Negli stessi punti, le stime di Artificial Analysis riprodotte da Meta indicano un costo per attività di 0,136 $ per Ember e 0,411 $ per Haiku, calcolato ai prezzi indicati nel grafico.

Il rapporto fra queste due stime è circa 3,02. È un confronto riferito alle attività dell’Intelligence Index e a quelle impostazioni di ragionamento; il costo del tuo agente dipende dai token che elabora e produce e dalla fascia tariffaria raggiunta da ciascuna richiesta.

Che cosa hanno riferito i primi partner

La latenza è un altro criterio concreto per chi esegue molte sottoattività. Nei resoconti dei partner pubblicati da Meta, Dane Knecht, direttore tecnico di Cloudflare, ha segnalato risposte fino al 30% più rapide nella coda della distribuzione delle latenze rispetto al modello utilizzato nel proprio confronto. Cloudflare ha inoltre riferito buoni risultati nelle indagini estese su più repository.

Chak Pothina, responsabile dell’inferenza di You.com, ha riportato il completamento di tutti gli incarichi di programmazione della propria prova, con una latenza al 95º percentile di 2,2 secondi: il valore entro cui ricade il 95% delle richieste. You.com ha descritto prestazioni circa da 4 a 13 volte più rapide rispetto ai principali modelli a pesi aperti del suo confronto, con il 36–48% di token di output in meno. Questi valori riguardano le prove di programmazione svolte da You.com.

Accesso, modalità Standard e quote condivise

Al lancio Meta ha indicato quattro canali per Muse Ember: Meta Model API, Muse Code, Google Cloud e Oracle Cloud. Per Muse Code, la documentazione descrive accesso a consumo e tramite abbonamento.

Su Meta Model API, Ember usa la modalità Standard. Meta esclude per questo modello la variante Contributor e dichiara che, in modalità Standard, i contenuti inviati non vengono utilizzati per addestrare i suoi modelli.

Per dimensionare un’applicazione che distribuisce numerose sottoattività, contano infine le quote di muse-ember-1.0: 3.000 richieste al minuto e 4.000.000 di token al minuto. Meta applica entrambi i limiti al team, con una quota condivisa fra le sue chiavi API.