Muse Ember, el modelo más barato de Meta para agentes

Muse Ember: el modelo de Meta para el trabajo repetitivo de los agentes

Meta lanzó Muse Ember, su modelo más pequeño y eficiente hasta ahora, y lo ubicó en la categoría donde compiten Claude Haiku 5.5 de Anthropic y GPT-6 Luna de OpenAI. El precio de lista es de US$0.10 por millón de tokens de entrada y US$0.50 por millón de salida, exactamente el mismo que el de sus dos rivales directos.

La diferencia aparece cuando se mide lo que cuesta resolver una tarea completa. Muse Ember cierra una tarea del Intelligence Index de Artificial Analysis por unos US$0.14, frente a US$0.41 de Claude Haiku 5.5, según el análisis independiente de Artificial Analysis recogido por OfficeChai. Para un founder que paga facturas de inferencia todos los meses, esa brecha es la noticia.

Meta no apunta a los problemas más difíciles. Apunta a lo que los agentes hacen cientos de veces por sesión: llamadas a herramientas, subtareas de código, enrutamiento de solicitudes, extracción de datos y lectura de documentos largos. Mark Zuckerberg anunció el lanzamiento en X, y Alexandr Wang, responsable de Meta Superintelligence Labs, señaló que es el primer modelo publicado por la compañía entrenado con Muse Wonder Full.

Cuánto cuesta Muse Ember frente a Claude Haiku 5.5 y GPT-6 Luna

El precio por token engaña cuando hay tokens de razonamiento de por medio: dos modelos con la misma tarifa pueden consumir cantidades muy distintas de tokens para resolver el mismo problema. Aun así, la estructura de precios importa, sobre todo porque los tres modelos suben de precio cuando el prompt crece.

Dos detalles de esa tabla son los que mueven la aguja. El primero: la entrada cacheada de Muse Ember cuesta US$0.004 por millón de tokens, un 60% menos que en Haiku 5.5 y Luna, según Artificial Analysis. El segundo: el modelo genera muchos menos tokens de salida, unos 84.000 por tarea del Intelligence Index frente a los aproximadamente 226.000 de Haiku 5.5 en modo max.

El mismo día del anuncio, Anthropic publicó Claude Fable 5.2, un modelo que cuesta 80 veces más: US$8 por millón de entrada y US$40 por millón de salida. La distancia entre ambos lanzamientos resume hacia dónde se mueve la competencia: ya no se trata de quién tiene el modelo más potente, sino de quién resuelve el trabajo de volumen a menor costo.

Dónde gana y dónde pierde Muse Ember

En el Intelligence Index v5.0.1 de Artificial Analysis, Muse Ember (max) obtiene 36 puntos, el mismo puntaje que Claude Haiku 5.5 (max) y por delante de un grupo apretado de modelos eficientes: Grok 4.7 (xhigh) y Tencent Hy4 con 35, Qwen3.8 Max con 34, DeepSeek V4.1 Flash 1017 (max) con 33, GLM-5.3 (max) con 32 y Gemini 3.8 Flash (high) con 31. GPT-6 Luna en max se queda en 28.

Los puntos fuertes:

• Automatización de tareas de negocio. En AutomationBench-AA, Muse Ember alcanza 68,1%, a la par de Muse Wonder (max) y GPT-6 Astra. Meta reportó 37,8% en esa misma prueba usando pass@1 estricto, una diferencia metodológica que conviene tener presente antes de comparar cifras de anuncios con cifras de terceros.
• Uso de terminal. En Terminal-Bench 4.0 supera a Haiku 5.5 por 40,9% a 32,8% en las pruebas de Artificial Analysis.
• Agentes de código. Dentro de su propio agente, Muse Code, Muse Ember (max) obtiene 46 en el Coding Agent Index, por delante de Claude Haiku 5.5 en Claude Code (37) y de GPT-6 Luna en Codex (31).

Las limitaciones también son claras. El conocimiento es su punto débil: su precisión en AA-Omniscience es de 21,1%, la más baja entre los modelos de inteligencia similar que comparó Artificial Analysis, frente a 34,7% de Haiku 5.5. La razón es que se niega a responder el 64% de las preguntas. El lado positivo de esa cautela es una tasa de alucinación de 17,4%, cerca de la mitad que la de Haiku 5.5. Para agentes que hacen llamadas a herramientas y extracción, un modelo que admite no saber en lugar de inventar puede ser un buen negocio; para tareas que dependen de recuerdo, no.

También queda atrás en FrontierCode 2.0 (27,2% contra 34,9% de Haiku 5.5) y en AA-Briefcase.

Qué significa esto para tu startup

1. Deja de mirar el precio por token y mide el costo por tarea. La tarifa de entrada y salida de Muse Ember es idéntica a la de Haiku 5.5 y GPT-6 Luna, pero el costo real por tarea es casi tres veces menor. Antes de decidir, instrumenta tu propio agente: cuenta tokens de entrada, de salida y de razonamiento por tarea resuelta. Si no tienes esa métrica, cualquier comparación de precios es una ilusión.

2. Aprovecha la entrada cacheada. A US$0.004 por millón de tokens, el caché de Muse Ember es un 60% más barato que el de sus rivales. Si tu agente reutiliza el mismo system prompt, las mismas instrucciones de herramientas o el mismo contexto de documentos en cada llamada, mover ese contenido fijo al caché es la optimización de costos más directa que tienes disponible hoy.

3. Separa planificación de ejecución. El patrón que Meta propone es explícito: un modelo grande como Muse Wonder planifica y descompone la tarea, y Muse Ember ejecuta los pasos repetitivos. Si tu producto usa un modelo frontera para todo, estás pagando precio de planificación por trabajo de ejecución.

4. No asumas que más razonamiento es mejor. Muse Ember tiene seis niveles de razonamiento (minimal, low, medium, high, xhigh y max), y en las pruebas de Simon Willison el nivel high no llegó a devolver un SVG completo, mientras que el nivel de razonamiento no se correspondió de forma limpia con la calidad visual del resultado. Prueba tus propias tareas en varios niveles antes de fijar uno por defecto.

5. Si tu agente necesita conocimiento, combínalo con recuperación. La debilidad de Muse Ember está en el recuerdo, no en la ejecución. Un agente de atención al cliente o de análisis documental que resuelve el conocimiento con RAG y deja la ejecución a Ember aprovecha lo mejor de cada modelo.

Muse Ember está disponible como muse-ember-1.0 en la Meta Model API, en Muse Code, y también en Google Cloud y Oracle Cloud, con soporte para la Responses API, ventana de contexto de un millón de tokens y salidas de hasta 512.000 tokens. Acepta texto, imágenes, audio y video, lo que permite procesar capturas de pantalla, grabaciones de reuniones y documentos escaneados sin cambiar de modelo.

Para el ecosistema hispanohablante, donde los equipos suelen operar con presupuestos de infraestructura más ajustados que sus competidores en Estados Unidos, la llegada de un modelo de ejecución a este precio cambia el cálculo: tareas que antes no eran rentables de automatizar —revisar contratos, clasificar tickets, leer expedientes completos— empiezan a tener sentido económico.

Fuentes

• Introducing Our Smallest, Most Efficient Model: Muse Ember (fuente original)
• Meta’s Muse Ember Matches Claude Haiku 5.5 On Artificial Analysis Intelligence Index At One-Third Of The Price
• Meta introduces Muse Ember to power cost-efficient AI agents
• Meta launches Muse Ember, a cheaper AI model built for repetitive tasks
• Meta Launches Muse Ember With a 1M-Token Context Window
• Meta introduces Muse Ember AI model, claims higher intelligence at lower cost
• Meta rolls out Muse Ember as a cost-efficient AI model for agentic tasks

Artículos relacionados:

Muse Ember: la IA de Meta a US$0,10 por millón de tokens Muse Ember: el modelo ligero de Meta a US$0,10/M tokens Meta lanza Muse Ember, modelo para agentes a US$0.10 Muse Ember, el modelo ligero de Meta, ya en AI Gateway Meta lanza Muse Ember: 14 centavos por tarea de IA