Meta zaprezentowała Muse Ember 9 listopada 2026 r. jako swój najmniejszy i najbardziej efektywny model AI, przeznaczony do powtarzalnych zadań agentów. Firma zaleca go do wywoływania narzędzi, kierowania żądań i przetwarzania kolekcji plików lub rekordów. Dla programisty ważny jest też szczegół cennika: przekroczenie 200 000 tokenów wejściowych uruchamia wyższe stawki dla całego żądania, łącznie z odpowiedzią modelu.
Jaką rolę Ember ma pełnić w systemie agentowym
Meta proponuje podział pracy: Muse Wonder lub Muse Spark zajmuje się planowaniem i trudniejszymi problemami, a Ember wykonuje wielokrotnie powtarzane kroki. To model do roli podagenta, czyli komponentu, któremu większy system deleguje określoną część zadania. Według Meta Ember jest też pierwszym wyspecjalizowanym modelem wytrenowanym z wykorzystaniem Muse Wonder Full.
Taki podział ma sens przy pracy na dużych zbiorach: ten sam rodzaj ekstrakcji danych trzeba wykonać dla kolejnych dokumentów, obrazów czy rekordów. Podobnie jest z wyborem narzędzia lub skierowaniem kolejnego żądania do odpowiedniego etapu procesu. Ember ma obsługiwać właśnie tę powtarzalność.
Granice zastosowania są dość konkretne. Meta kieruje trudne zadania programistyczne wykonywane w jednym podejściu, pytania wymagające rozległej wiedzy oraz programowanie na podstawie materiałów wizualnych do Muse Spark lub Muse Wonder. Ember zaleca przede wszystkim do ograniczonych zakresem, powtarzalnych podzadań.
Rolę takiego wykonawcy podkreślił również Saoud Rizwan, założyciel Cline:
Muse Ember is purpose-built for, and excels at, subagent work like coding and document analysis.— Saoud Rizwan, założyciel Cline, w komentarzu opublikowanym przez Meta
To inna warstwa technologii niż opisany wcześniej Meta Muse i kwestia kontroli użytkownika nad działaniami osobistego agenta. W przypadku Ember decyzja dotyczy modelu, któremu twórca systemu powierza wybrane podzadania.
Co przyjmuje API i jak wywołać model
W Meta Model API identyfikator modelu to muse-ember-1.0. Meta udostępnia go przez interfejsy Responses, Chat Completions oraz Messages. Specyfikacja Muse Ember określa następujące możliwości i limity:
- Dane wejściowe: tekst, obrazy, wideo, dźwięk i pliki PDF.
- Odpowiedź: tekst.
- Okno kontekstu: 1 048 576 tokenów.
- Maksymalna długość odpowiedzi: 524 288 tokenów.
Tokeny są jednostką, w której API określa długość kontekstu i rozlicza przetwarzanie. Rozmiar kontekstu i limit odpowiedzi to osobne parametry: pierwszy określa zakres materiału uwzględnianego podczas pracy modelu, drugi długość generowanego tekstu.
Meta wymienia również interpretowanie obrazów, obsługę komputera, wywoływanie narzędzi, odpowiedzi o ustalonej strukturze oraz wykorzystywanie wyników wyszukiwania przy tworzeniu odpowiedzi. Dzięki temu zakres integracji wykracza poza zwykłe przesłanie tekstowego pytania.
Warto zwrócić uwagę na ustawienie nakładu na rozumowanie. Dostępne wartości mieszczą się między minimal a max, a domyślną wartością jest max. Jeśli przekierowujesz do Ember proste, seryjnie wykonywane kroki, uwzględnij ten parametr w konfiguracji. Sposób jego przekazania zależy od używanego interfejsu API; Meta opisuje różnice w instrukcji ustawień rozumowania.
Próg 200 000 tokenów zmienia rozliczenie całego żądania
Oficjalny cennik Meta Model API podaje stawki w dolarach amerykańskich za milion tokenów. Osobno rozliczane są nowe dane wejściowe, wejście odczytywane z pamięci podręcznej oraz wygenerowana odpowiedź.
| Liczba tokenów wejściowych w żądaniu | Wejście za milion tokenów | Wejście z pamięci podręcznej za milion tokenów | Wyjście za milion tokenów |
| Do 200 000 włącznie | 0,10 dol. | 0,004 dol. | 0,50 dol. |
| Ponad 200 000 | 0,30 dol. | 0,012 dol. | 1,50 dol. |
O wyborze progu decyduje liczba tokenów wejściowych w całym żądaniu. Wliczają się do niej także tokeny z pamięci podręcznej oraz historia rozmowy przekazywana przez previous_response_id. Krótka nowa wiadomość może więc trafić do droższego progu przez rozbudowaną historię.
Po przekroczeniu granicy wszystkie trzy stawki rosną trzykrotnie i obejmują całe żądanie. Przy 200 001 tokenach wejścia wyższa taryfa dotyczy wszystkich tych tokenów, a także wygenerowanej odpowiedzi. Pamięć podręczna pozostaje tańszą kategorią wejścia, lecz jej zawartość również zwiększa licznik decydujący o progu.
Koszt obliczasz osobno dla każdej kategorii: dzielisz jej liczbę tokenów przez milion i mnożysz przez właściwą stawkę, a następnie sumujesz trzy kwoty. Przy długich rozmowach istotna jest zatem pełna zawartość kolejnego żądania, nie sama długość dopisanej wiadomości.
Jak Ember wypadł w testach opublikowanych przez Meta
Meta opublikowała 9 listopada 2026 r. wyniki porównujące Muse Ember, Claude Haiku 5.5 i GPT-6 Luna przy maksymalnym ustawieniu rozumowania. Zestawienie obejmowało zarówno wyniki Artificial Analysis, jak i wewnętrzne ewaluacje Meta: Agents’ Last Exam, Personal Superintelligence Index, OSWorld oraz PerceptionBench.
| Test przy maksymalnym ustawieniu rozumowania | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
| AutomationBench-AA | 37,8% | 13,9% | 20,2% |
| Agents’ Last Exam — zadania w Linuksie | 61,6% | 57,0% | 57,1% |
| Personal Superintelligence Index | 46,8% | 36,1% | 37,0% |
| Terminal-Bench 4.0 | 40,9% | 39,2% | 16,4% |
| Coding Agent Index-AA | 46 pkt | 37 pkt | 31 pkt |
| FrontierCode 2.0-AA | 27,2% | 34,9% | 25,2% |
| GDP.pdf-AA | 22,8% | 20,8% | 22,8% |
| OSWorld 2.1 — ocena z punktami częściowymi | 69,5% | 68,9% | 50,5% |
| OSWorld 2.1 — ocena binarna | 33,8% | 27,8% | 17,0% |
| PerceptionBench — z narzędziami | 80,6% | 78,6% | 62,8% |
| Artificial Analysis Intelligence Index — wynik zaokrąglony | 36 pkt | 36 pkt | 28 pkt |
Najbardziej użyteczna dla twórców agentów jest różnica między rodzajami pracy. AutomationBench-AA sprawdza biznesowe procesy z wymaganiem zaliczenia za pierwszym podejściem. Tutaj Ember uzyskał wyższy wynik od obu porównywanych modeli. Z kolei FrontierCode 2.0-AA ocenia zadania inżynierii oprogramowania pod kątem gotowości zmian do włączenia do projektu — i w tym teście wyższy wynik osiągnął Claude Haiku 5.5.
Przy agencie programistycznym znaczenie ma więc to, na czym kończy się podzadanie: na wykonaniu czynności w terminalu czy na przygotowaniu zmiany gotowej do połączenia z kodem projektu. Meta podała przy tym, że w Terminal-Bench 4.0 każdy model korzystał ze swojego najlepszego opublikowanego środowiska testowego.
Pozostałe wyniki opisują kolejne obszary: GDP.pdf-AA dotyczy pracy zawodowej na długich dokumentach, a OSWorld — obsługi komputera. W OSWorld oddzielnie oceniano częściowe wykonanie zadania i pełne zaliczenie. To dwa różne sposoby punktowania tej samej kategorii pracy.
Równie konkretny jest remis w Intelligence Index. Tabela Meta zaokrągliła wyniki Ember i Haiku do 36 punktów, podczas gdy wykres podawał odpowiednio 35,8 i 36,2 punktu. Dla tych punktów Meta przytoczyła szacunki kosztu zadania Artificial Analysis: 0,136 dol. dla Ember i 0,411 dol. dla Haiku, obliczone przy proponowanej cenie Meta. Stosunek tych szacunków wynosi około 3,02 do 1 i dotyczy wskazanych ustawień oraz zadań indeksu.
Co zgłosili pierwsi partnerzy
W wypowiedziach opublikowanych przez Meta 9 listopada partnerzy opisali własne zastosowania i wyniki wczesnych prób:
- Box: Yashodha Bhavnani, wiceprezeska ds. produktów AI, opisała ocenianie umów klauzula po klauzuli według firmowych zasad negocjacyjnych oraz ocenianie kandydatów na podstawie szczegółowych wymagań. To przykłady wielokrotnego stosowania tego samego zestawu kryteriów do treści przedsiębiorstwa.
- Cloudflare: Dane Knecht, dyrektor techniczny, podał, że Ember działał do 30% szybciej w najwolniejszej części pomiarów od porównywanego modelu. Pozytywnie ocenił też zadania wymagające badania wielu repozytoriów kodu.
- You.com: Chak Pothina, szef zespołu inferencji, zgłosił wykonanie wszystkich zadań programistycznych w firmowym teście z najniższą latencją wśród badanych modeli. Podał p95 wynoszące 2,2 sekundy, czyli czas obejmujący 95% pomiarów. Według jego relacji Ember był około 4–13 razy szybszy od porównywanych modeli z otwartymi wagami i generował o 36–48% mniej tokenów wyjściowych.
Te relacje dotyczą różnych procesów: analizy dokumentów, badania repozytoriów i określonego zestawu zadań programistycznych. Przy doborze podagenta odpowiada im praktyczne rozróżnienie między poprawnością zastosowania kryteriów, czasem wykonania kroku i długością odpowiedzi, za którą płaci się w API.
Dostęp przez API, Muse Code i dostawców chmury
Przy premierze Meta wymieniła cztery kanały dostępu do Ember: Meta Model API, Muse Code, Google Cloud i Oracle Cloud. W Muse Code firma opisała korzystanie rozliczane według zużycia oraz dostęp abonamentowy.
Dla muse-ember-1.0 Meta określa limity na poziomie 3000 żądań na minutę i 4 000 000 tokenów na minutę. Obowiązują one cały zespół, a nie pojedynczy klucz API, co ma znaczenie przy równoległym uruchamianiu wielu podagentów.
Ember jest oferowany w Meta Model API wyłącznie w trybie Standard, bez wariantu Contributor. Meta deklaruje, że treści przesłane w trybie Standard nie są wykorzystywane do trenowania jej modeli.