US$0,10 por millón de tokens de entrada y US$0,50 por millón de salida. Ese es el precio con el que Meta presentó Muse Ember, el modelo más pequeño que la compañía ha lanzado, y la razón por la que el anuncio le importa a cualquier founder que esté pagando la factura de un agente que corre todo el día.
Según las cifras que recogió The Next Web, Ember obtiene 36 puntos en el Intelligence Index de Artificial Analysis, el mismo puntaje que Claude Haiku 5.5 de Anthropic, pero con un costo estimado de US$0,14 por tarea frente a US$0,41 del modelo de Anthropic. Meta lo resumió en boca de su jefe de IA, Alexandr Wang: «nuestro pequeño modelo Muse Ember está ahora en la frontera eficiente».
¿Qué es Muse Ember y dónde encaja en la familia Muse?
Muse Ember es el cuarto modelo de la familia Muse. Llega después de Spark (abril), Glimmer —la versión de código abierto de Spark, publicada en agosto— y Wonder, el modelo de frontera presentado en octubre, según la cronología que reportó DiarioBitcoin.
¿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 →La tesis de producto es una división del trabajo explícita. Meta la resumió con una frase: «Muse Wonder planifica, Muse Ember maneja el volumen». Un modelo grande define el criterio y el pequeño aplica esas reglas decenas de miles de veces. El ejemplo que dio la compañía es atención al cliente: Wonder decide cómo tratar un tipo de problema, Ember lo resuelve en cada caso concreto.
Para un equipo que construye producto, eso cambia el diseño del sistema. En lugar de mandar cada paso intermedio al modelo más caro, se separa la capa de razonamiento de la capa de ejecución. Es la misma lógica que ya aplican muchas startups con un modelo de frontera para el planner y uno pequeño para las herramientas.
¿Cuánto cuesta Muse Ember frente a Claude Haiku 5.5 y GPT-6 Luna?
El dato duro es el precio de lista: US$0,10 por millón de tokens de entrada y US$0,50 por millón de tokens de salida. Está disponible desde el día del anuncio en la Meta Model API y en Muse Code, y se ofrece como muse-ember-1.0, compatible con la API Responses. La entrada en caché cuesta US$0,004 por millón de tokens, según Unite.AI.
Aquí hay un detalle que casi nadie mira con atención: Claude Haiku 5.5 y GPT-6 Luna tienen el mismo precio de lista, según The Next Web. Entonces, ¿de dónde sale la ventaja de costo de Ember? De los tokens que consume cada tarea. Meta estima US$0,14 por tarea en el Intelligence Index, contra US$0,41 de Haiku y US$0,15 de Luna. Ahí está el tercio de costo que pregona la compañía.
La lección para quien opera agentes es incómoda pero valiosa: el precio por millón no dice nada sobre tu factura mensual. Lo que la determina es cuántos tokens quema cada tarea terminada, incluidos los reintentos.
¿En qué pruebas gana Muse Ember y en cuál pierde?
Meta publicó una batería de resultados con el razonamiento al máximo. Estos son los números que recopiló Unite.AI:
| Prueba | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA (flujos de negocio) | 37,8% | 13,9% | 20,2% |
| Terminal-Bench 4.0 (tareas de ingeniería) | 40,9% | 39,2% | 16,4% |
| Coding Agent Index-AA | 46 | 37 | 31 |
| OSWorld 2.1 (control de computadora) | 69,5% | 68,9% | 50,5% |
| FrontierCode 2.0 (¿se fusionaría el código?) | 27,2% | 34,9% | 25,2% |
La última fila es la más honesta del anuncio y la que conviene leer dos veces. En FrontierCode 2.0, que mide si un mantenedor aceptaría los cambios de código del modelo, Haiku gana con 34,9% contra 27,2% de Ember. Es decir: Ember es bueno ejecutando tareas acotadas y orquestando herramientas, pero no es el modelo al que le entregas la decisión final sobre un pull request crítico.
Además, varias de esas pruebas son internas de Meta (Agents’ Last Exam y OSWorld, según Unite.AI), y Terminal-Bench se evaluó con la configuración publicada en la que cada modelo obtuvo su mejor resultado. Son resultados promocionales, no una auditoría independiente.
¿Qué gana un agente con 1 millón de tokens de contexto y cuatro modalidades?
Ember admite hasta un millón de tokens de entrada y genera hasta 512.000 tokens de salida, suficiente para procesar una base de código completa o un lote de documentos en una sola llamada. Y es multimodal nativo: entiende texto, imágenes, audio y video, así que un agente puede leer capturas de pantalla, diagramas, documentos escaneados o notas de voz sin cambiar de modelo.
Meta también publicó testimonios de pruebas tempranas. Dane Knecht, CTO de Cloudflare, dijo que Ember corrió hasta un 30% más rápido en la cola de latencia que el modelo comparable que probaron. Chak Pothina, responsable de inferencia de You.com, reportó una latencia de 2,2 segundos en el percentil 95 y entre 36% y 48% menos tokens de salida en los retos de programación. Son datos de partners, no de terceros, pero apuntan a lo mismo: el ahorro no viene solo del precio, viene de hablar menos.
¿Por qué el precio por token no es el costo real de tu agente?
Un agente que corre miles de veces al día tiene tres costos que no aparecen en la tabla de precios.
El primero son los reintentos. Un modelo barato que falla una de cada cinco tareas puede salir más caro que uno que falla una de cada veinte, porque cada fallo consume contexto completo otra vez.
El segundo es la caché. Con entrada a US$0,004 por millón, reenviar el mismo contexto cuesta una fracción de lo que cuesta el primer envío. Un sistema que reconstruye el prompt desde cero en cada llamada está pagando veinticinco veces más de lo necesario por la misma información.
El tercero es el cierre. A diferencia de Glimmer, Meta mantiene los pesos de Ember privados, igual que en sus lanzamientos anteriores de Muse, según reportó The Next Web. Para una startup eso significa que no hay ruta de autoalojamiento: si el precio o las condiciones cambian, la única salida es migrar de proveedor.
¿Qué significa esto para tu startup?
El lanzamiento no es una noticia sobre Meta. Es una señal de que el mercado de modelos se está partiendo en dos capas con precios muy distintos, y quien no diseñe para esa separación va a pagar de más.
Estas son las acciones concretas que puedes ejecutar esta semana:
- Mide costo por tarea terminada, no por token. Instrumenta tu agente para registrar cuántos tokens consume cada flujo completo, incluidos reintentos y llamadas fallidas. Es la única métrica que se compara con la tabla de arriba.
- Rutea por capa. Reserva el modelo grande para planificar y descomponer el problema; manda la ejecución repetitiva al modelo chico. Es exactamente la arquitectura que Meta propone con Wonder y Ember, y funciona igual con cualquier par de proveedores.
- Activa caché de entrada donde ya esté disponible. Si tu agente reenvía el mismo system prompt o el mismo documento en cada turno, estás dejando sobre la mesa un ahorro de un orden de magnitud.
- No delegues el merge. Los propios números de Meta muestran que Ember pierde contra Haiku cuando se evalúa si un humano fusionaría el cambio. Deja la revisión final y las decisiones de arquitectura en manos humanas.
- Limita permisos desde el diseño. Meta evaluó el modelo contra su marco de riesgos de seguridad —químico, biológico, ciberseguridad y pérdida de control— y reportó que se mantuvo bajo los umbrales de alto riesgo. Sus pruebas de comportamiento también cubrieron la resistencia a instrucciones ocultas en páginas web y la consulta a una persona antes de acciones de alto impacto. Ese último punto es una política que tú tienes que implementar, no un default que viene activado.
Conclusión
Muse Ember es un modelo pensado para el trabajo invisible de los agentes: llamar herramientas, enrutar solicitudes, extraer datos, correr pruebas. Con US$0,10 y US$0,50 por millón de tokens y resultados sólidos en pruebas de agente, Meta está compitiendo donde se decide la economía real de la automatización, no donde se decide el récord de capacidad.
Las dos advertencias siguen vigentes. La primera: casi todos esos números los publicó Meta, y el único benchmark donde el modelo pierde claro —FrontierCode— es justamente el que mide si el código se puede integrar. La segunda: el precio por token no es tu costo por tarea. La diferencia entre una startup que automatiza con agentes de forma rentable y otra que quema presupuesto está en medir la segunda cifra, no la primera.
Fuentes
- Hipertextual — Muse Ember, la IA de Meta para programar
- The Next Web — Meta’s Muse Ember matches Claude Haiku at a third of the cost per task
- Unite.AI — Meta lanza Muse Ember para reducir los costos de las tareas de agentes y programación
- DiarioBitcoin — Meta presenta Muse Ember, un modelo ligero para ejecutar agentes de IA a menor costo
¿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 →
