Muse Ember: el modelo ligero de Meta a US$0,10/M tokens

Muse Ember: el modelo de Meta que cuesta US$0,10 el millón de tokens

Meta presentó Muse Ember, un modelo que cuesta US$0,10 por millón de tokens de entrada y que la compañía describe como el más ligero y rentable que ha desarrollado hasta ahora. Para un equipo que tiene agentes corriendo en producción, ese número no es un detalle de catálogo: es lo que decide si un flujo de clasificación o extracción se puede dejar encendido todo el día o hay que apagarlo a mitad de mes.

El anuncio lo hizo Meta Superintelligence Lab el lunes 9 de noviembre de 2026. Ember es el cuarto modelo de la familia Muse, después de Spark (abril), Glimmer —la versión de código abierto de Spark, de agosto— y Wonder, el modelo de frontera presentado en octubre.

¿Qué hace Muse Ember y para qué tareas sirve?

Ember está orientado a la parte repetitiva del trabajo de un agente: llamadas a herramientas, subtareas de programación, enrutamiento de consultas, extracción de información y análisis de documentos extensos. No es un modelo para resolver el problema desde cero, sino para aplicar un criterio ya definido sobre mucho volumen.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Según TechnoBezz, el modelo tiene una ventana de contexto de 1 millón de tokens, puede generar hasta 512.000 tokens de salida y se identifica como muse-ember-1.0, disponible a través de Muse Code y del Meta Model API, con soporte para la Responses API. Ese contexto permite, por ejemplo, enviar un repositorio de código completo o un lote de documentos en una sola petición.

La entrada multimodal es uno de sus argumentos más concretos. Meta afirma que Ember fue entrenado para trabajar con texto, imágenes y audio —y, según TechnoBezz, también video—, lo que permite leer capturas de pantalla, gráficos, documentos escaneados, notas de voz y grabaciones de reuniones sin cambiar de modelo. La compañía incluso describe que el modelo puede controlar una computadora usando capturas de pantalla.

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

El precio de entrada es US$0,10 por millón de tokens, tal como confirmó Meta en el anuncio. CryptoBriefing añade el dato que la fuente original no incluye: la salida se cobra a US$0,50 por millón de tokens, y la entrada en caché cuesta US$0,004 por millón, según TechnoBezz.

Para dimensionarlo dentro de la propia casa: CryptoBriefing señala que Muse Spark 1.3 se cotiza en torno a US$1,25 por millón de tokens de entrada y US$4,25 de salida. En entrada, Spark cuesta unas 12,5 veces más que Ember.

El problema es que el precio, por sí solo, no rompe el mercado. MarkTechPost documentó en octubre que Claude Haiku 5.5 de Anthropic lista exactamente US$0,10 de entrada y US$0,50 de salida por millón de tokens para prompts de hasta 100.000 tokens, y que GPT-6 Luna de OpenAI tiene la misma tarifa de contexto corto. Es decir: Ember no llega para ser disruptivo en precio, llega a la paridad con los dos modelos pequeños que ya dominan ese segmento.

Sobre capacidad, Meta sostiene —según TechnoBezz— que Ember iguala el puntaje del Claude Haiku 5.5 más potente a aproximadamente un tercio del costo, y que ofrece más inteligencia por precio que GPT-6 Luna en cada nivel de razonamiento de su comparación. Esas mediciones usan los puntajes de Artificial Analysis y costos estimados con el precio propuesto, y la compañía sitúa a Ember en torno a US$0,14 por tarea de esa evaluación. El anuncio, como advierte la propia fuente original, no desglosa la puntuación ni los componentes del benchmark: es una afirmación comercial, no una evaluación independiente.

Meta también señaló que compite en costo con modelos de código abierto como DeepSeek V4.1 Flash y GLM 5.3 Flash.

La división del trabajo: Wonder planifica, Ember ejecuta

La idea detrás del lanzamiento se resume en una frase de la compañía: «Muse Wonder planifica, Muse Ember maneja el volumen». El modelo grande define el criterio para abordar un problema y el modelo ligero aplica esas reglas a decenas de miles de casos.

En atención al cliente, el ejemplo que usa Meta, Wonder podría decidir cómo tratar una categoría de reclamo y Ember replicar esa decisión en cada ticket. La compañía presentó esa ilustración como una explicación funcional, no como un resultado medido.

Hay un detalle técnico relevante: según TechnoBezz, Ember es el primer modelo entrenado con Muse Wonder Full, lo que sugiere que la familia se diseñó como un sistema y no como modelos aislados. La línea Muse arrancó con Spark en abril de 2026 y hoy cubre cuatro tamaños distintos.

Un detalle sobre seguridad que vale para equipos en sectores regulados: Meta afirmó que sus evaluaciones previas al lanzamiento colocaron a Ember por debajo de los umbrales de alto riesgo de su Meta Superintelligence Scaling Framework en las categorías probadas, y que testearon resistencia a instrucciones ocultas en material externo y la solicitud de intervención humana antes de acciones consecuentes.

¿Qué significa esto para tu startup?

El mensaje práctico no es «cambia de modelo», sino rediseña cómo repartes el trabajo entre modelos. Durante dos años, muchos equipos resolvieron todo con el modelo más grande porque era el único que funcionaba. Con un modelo de US$0,10 el millón de tokens, la arquitectura importa más que el modelo.

1. Separa planificación de ejecución. Identifica en tu agente qué decisiones requieren criterio real y qué pasos son aplicar ese criterio. Envía lo primero al modelo de frontera y lo segundo a un modelo ligero. En un flujo de soporte, extracción o clasificación, el volumen suele estar del lado barato.

2. Mide costo por tarea terminada, no por token. TechRepublic lo advierte con precisión: los precios por token no determinan cuál modelo es más barato para completar una tarea, porque el consumo de tokens, los reintentos y la precisión cambian la factura final. Arma un tablero con costo por tarea resuelta, tasa de reintento y tasa de escalamiento a humano. Sin ese número, cualquier comparación de precios es marketing.

3. Aprovecha la multimodalidad para eliminar pasos. Si hoy tienes un pipeline de OCR separado, transcripción aparte y un LLM al final, un modelo que acepta imágenes, audio y texto reduce la superficie de integración y los puntos de falla. Prueba con tus propios documentos escaneados y notas de voz antes de migrar.

4. Revisa la letra chica de los datos. CryptoBriefing reporta que las tarifas de Ember se alinean de cerca con el nivel «Contributor» del Meta Model API, que ofrece ahorros a cambio de permitir que Meta use los datos de interacción para entrenar modelos futuros. Si gestionas información de clientes o datos personales, esa condición puede ser un bloqueador más grande que el precio.

Lo que el anuncio todavía no responde

Ninguna de las fuentes consultadas reporta benchmarks independientes ni especificaciones técnicas publicadas de Ember. CryptoBriefing lo dice explícitamente: sin reporte de rendimiento público, no está claro cómo se compara con Spark, Wonder o los modelos pequeños rivales.

Tampoco hay cifras de adopción ni resultados de uso productivo. Y el precio de entrada, por sí solo, no demuestra el costo total de una implementación: la información disponible no detalla límites de uso, gastos de infraestructura ni desempeño en escenarios reales.

Para un founder, eso significa una cosa concreta: corre tu propia prueba antes de comprometer volumen. Un fin de semana de evaluación con 200 tareas reales de tu operación vale más que cualquier tabla comparativa de un anuncio.

Conclusión

Muse Ember confirma una tendencia que ya era visible en el mercado: los modelos pequeños dejaron de ser la versión pobre de los grandes y se convirtieron en la pieza que hace viable económicamente un agente. Con US$0,10 el millón de tokens de entrada, 1 millón de contexto y entrada multimodal, Meta cubre el tramo de ejecución de la familia Muse y deja la planificación a Wonder.

Pero el lanzamiento no llega a cambiar las reglas del juego: en precio queda en paridad con Claude Haiku 5.5 y GPT-6 Luna, y la ventaja que declara la compañía no está respaldada por benchmarks independientes. La decisión sensata para tu startup no es elegir el modelo más barato del anuncio, sino construir la capa de enrutamiento que te permita cambiar de modelo sin reescribir el producto. Esa flexibilidad vale más que dos centavos por millón.