Catorce céntimos por tarea frente a cuarenta y uno. Eso es lo que separa a Muse Ember, el modelo pequeño que Meta presentó el 9 de noviembre de 2026, de Claude Haiku 5.5 en el índice de inteligencia de Artificial Analysis, donde los dos empatan con 36 puntos en su nivel máximo de razonamiento. Al mismo precio por token, Ember gasta alrededor de un tercio de los tokens de salida.
No es un modelo para conversar. Meta lo ha diseñado para el trabajo repetitivo de los agentes: llamadas a herramientas, subtareas de código, enrutado de peticiones, extracción de datos y lectura de documentos largos. Justo el trabajo que en un sistema de agentes multiplica la factura.
Qué trae Muse Ember
Es el modelo más pequeño de la familia Muse y el primero entrenado con Muse Wonder Full. Acepta texto, imágenes, audio, vídeo y PDF, tiene una ventana de contexto de un millón de tokens y puede generar hasta 512.000 tokens de salida. Tiene seis niveles de razonamiento, de minimal a max.
El precio tiene dos tramos:
| Prompt | Entrada | Entrada en caché | Salida |
|---|---|---|---|
| Hasta 200.000 tokens | 0,10 $ | 0,004 $ | 0,50 $ |
| Más de 200.000 tokens | 0,30 $ | 0,012 $ | 1,50 $ |
Precios por millón de tokens.
Se puede usar desde la Meta Model API y Muse Code, y Meta lo anuncia también en Google Cloud y Oracle Cloud. Meta no dice si publicará los pesos.
Cómo probarlo
La Meta Model API sigue el formato de la Responses API, así que basta con la clave de dev.meta.ai y el id muse-ember-1.0:
curl https://api.meta.ai/v1/responses \
-H "Authorization: Bearer $MODEL_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "muse-ember-1.0",
"input": "Classify this ticket as billing, outage or feature request: ..."
}'La guía de inicio de Meta usa también el SDK de OpenAI para Python apuntando a https://api.meta.ai/v1, lo que facilita cambiar de proveedor en un enrutador ya existente.
Frente a Claude Haiku 5.5 y GPT-6 Luna
Los dos rivales naturales cobran lo mismo por token en prompts cortos (0,10 $ de entrada y 0,50 $ de salida por millón), así que la diferencia está en cuántos tokens gasta cada uno y en qué acierta. Estos son los datos de Artificial Analysis y de Meta, todos en el nivel de razonamiento máximo:
| Muse Ember | Claude Haiku 5.5 | GPT-6 Luna | |
|---|---|---|---|
| Índice de inteligencia (AA) | 36 | 36 | 28 |
| Coste por tarea del índice | 0,14 $ | 0,41 $ | — |
| Coding Agent Index (AA) | 46 | 37 | 31 |
| FrontierCode 2.0 (AA) | 27,2 % | 34,9 % | 25,2 % |
| Terminal-Bench 4.0 (AA) | 40,9 % | 32,8 % | — |
| Acierto en AA-Omniscience | 21,1 % | 34,7 % | — |
En el Coding Agent Index, Ember se mide dentro de Muse Code, Haiku dentro de Claude Code y Luna dentro de Codex: compara agentes completos, no solo modelos.
Dónde gana y dónde pierde
Gana en coste por tarea agéntica. Llegar a la misma nota que Haiku 5.5 por un tercio del dinero es exactamente lo que importa en un orquestador que lanza decenas de subagentes por petición. En Terminal-Bench 4.0, que mide trabajo real en una terminal, también sale por delante, y el caché de entrada es un 60 % más barato que el de sus rivales, algo que se nota en agentes que reenvían el mismo contexto en cada turno.
Pierde en código difícil. En FrontierCode 2.0, la prueba de tareas de programación reales, Haiku 5.5 le saca casi ocho puntos. Si el subagente tiene que escribir código que llega a producción, Ember no es la opción obvia.
Sabe poco y lo admite. En AA-Omniscience, que mide conocimiento factual, acierta el 21,1 % de las preguntas frente al 34,7 % de Haiku 5.5, pero se niega a contestar el 64 % y su tasa de alucinación es aproximadamente la mitad que la de Haiku. Para extracción y enrutado con los datos en el prompt, ese comportamiento es una ventaja; para preguntas sin contexto, un problema.
Hay que tener en cuenta además que varias de las pruebas de la tabla de Meta son internas (Agents' Last Exam, Personal Superintelligence Index) y que las cifras de socios como You.com o Cloudflare las publica Meta sin verificación independiente. Por eso la tabla de arriba se apoya en las mediciones de Artificial Analysis.
Para quién sí y para quién no
Sí, si tienes un sistema de agentes con mucho volumen de llamadas a herramientas, clasificación, extracción o lectura de documentos largos, y pagas por ello con un modelo pequeño. Es el candidato más claro para una prueba A/B en el enrutador: mismo precio por token, menos tokens y mejor nota agéntica.
No, como sustituto directo del modelo que escribe tu código, donde Haiku 5.5 rinde mejor, ni para respuestas que dependan de conocimiento del modelo sin contexto aportado. Y si necesitas pesos abiertos o desplegarlo en tu infraestructura, por ahora no hay nada anunciado.
Fuentes
- Muse Ember, Meta, 9 de noviembre de 2026.
- Meta's Muse Ember is the cheapest model scoring 36 on the Intelligence Index, Artificial Analysis, 9 de noviembre de 2026.
- Muse Ember, Simon Willison, 10 de noviembre de 2026.
- Quickstart, documentación de la Meta Model API.