Meta Superintelligence Labs ha pubblicato Muse Ember, il suo modello più piccolo e, secondo l’azienda, più efficiente. Si tratta di un modello di ragionamento multimodale ospitato, progettato per le fasi ripetitive degli agenti di IA, quei programmi in grado di concatenare azioni in modo autonomo. Meta lo destina in particolare alle chiamate di strumenti, alle sotto-attività di programmazione, al routing, all’estrazione di dati e all’analisi di documenti lunghi.
Un posto nella gamma Muse
Muse Ember è il quarto modello del marchio Muse, dopo Spark, Glimmer e Wonder. Meta lo colloca al di sotto dei suoi modelli più importanti: Muse Wonder affronta i problemi più complessi, mentre Muse Spark copre la programmazione e i flussi di lavoro agentici. Ember gestisce le attività di programmazione e di agente ripetibili, su larga scala. L’azienda riassume così la suddivisione: « Muse Wonder pianifica, Muse Ember gestisce il volume. » Secondo Meta, Muse Ember è il primo modello addestrato a partire da Muse Wonder Full, il suo modello più grande.
Il modello accetta nativamente testo, immagini, audio e video. Un agente può così leggere screenshot, grafici, pagine scansionate, memo vocali o registrazioni di riunioni senza ricorrere a un modello separato. Può anche utilizzare applicazioni desktop a partire da screenshot. La sua finestra di contesto, cioè la quantità di informazioni che può elaborare in una singola chiamata, raggiunge 1 milione di token, quanto basta per contenere una base di codice o un insieme completo di documenti. Un token è un’unità di testo elaborata dal modello. L’output può arrivare fino a 512K token, cioè quattro volte il limite di 128K token dei due concorrenti citati da Meta.
Risultati annunciati da Meta
I risultati presentati di seguito sono quelli pubblicati da Meta, in sforzo di ragionamento massimo. Alcuni provengono da Artificial Analysis, altri dalla suite interna di Meta. Sull’Artificial Analysis Intelligence Index, Muse Ember ottiene 36 punti, alla pari con Claude Haiku 5.5 e davanti a GPT-6 Luna, che ne ottiene 28.
Su AutomationBench-AA, che raggruppa 657 flussi di lavoro professionali Zapier, Ember riesce nel 37,8% delle attività, contro il 20,2% di GPT-6 Luna e il 13,9% di Claude Haiku 5.5. In programmazione, supera Haiku su Terminal-Bench 4.0, con 40,9 contro 39,2. Al contrario, viene superato su FrontierCode 2.0-AA, dove ottiene 27,2 contro 34,9 di Haiku. Meta indica che questo risultato fa della programmazione di repository reali, il cui codice può essere fuso, il punto debole del modello.
Un costo per attività più basso a tariffe uguali
Muse Ember viene fatturato 0,10 dollari per milione di token in input e 0,50 dollari per milione di token in output. Il costo degli input memorizzati nella cache ammonta a 0,004 dollari per milione. Claude Haiku 5.5 e GPT-6 Luna mostrano le stesse tariffe di base. La differenza di costo per attività deriverebbe quindi dal numero di token utilizzati. Sul grafico di Meta, Muse Ember ottiene 35,8 per 0,136 dollari per attività, contro 36,2 per 0,411 dollari per Haiku 5.5 in sforzo massimo. Artificial Analysis riassume questa situazione come una performance equivalente a Haiku per un terzo del costo per attività.
Le tariffe cambiano sulle richieste lunghe. Claude Haiku 5.5 fattura 0,50 dollari e 2,50 dollari oltre i 100K token in input, e GPT-6 Luna raddoppia le sue tariffe di input oltre i 272K token. Meta non prevede una soglia di tariffazione per i contesti lunghi su Muse Ember.
Accesso
Muse Ember è disponibile tramite la Meta Model API e in Muse Code, l’agente di programmazione di Meta. Supporta l’API Responses. Tra i partner che hanno partecipato ai primi test figurano Box, Cline, Oracle, Cloudflare e You.com. I pesi del modello restano privati: non può quindi essere eseguito in locale, su un computer portatile o con una versione quantizzata.
