9 ноября 2026 года Meta выпустила Muse Ember (muse-ember-1.0) — самую маленькую и дешёвую модель линейки Muse, рассчитанную на массовые агентские задачи: вызовы инструментов, подзадачи кодинга, маршрутизацию и работу с длинными документами. По замерам Artificial Analysis, её интеллект сопоставим с Claude Haiku 5.5 при примерно втрое меньшей стоимости задачи. Модель уже доступна через Meta Model API, Muse Code, Google Cloud Model Garden и Oracle Cloud.
Что произошло
Meta выпустила модель под идентификатором muse-ember-1.0, закрывающую нижний ценовой эшелон линейки Muse. Она мультимодальная: работает с текстом, изображениями, аудио и видео. Контекстное окно достигает 1 млн токенов, предел выхода — до 524 288 токенов. Тарификация: $0.10 за 1 млн входных токенов, $0.50 за 1 млн выходных и $0.004 за 1 млн кэшированных входных, то есть кэш дешевле базового входа в 25 раз. По данным Artificial Analysis за 9 ноября 2026 года, в режиме max reasoning модель набирает 35.8 балла Artificial Analysis Intelligence Index при примерно $0.136 за задачу; Claude Haiku 5.5 показывает 36.2 балла при примерно $0.411 за задачу, а GPT-6 Luna — 27.8 балла при $0.152. Подключение возможно через Meta Model API и Muse Code, а также в Google Cloud Model Garden в статусе Preview с глобальным endpoint и в Oracle Cloud.
Контекст
В линейке Muse верхний уровень занимают фронтирные модели Muse Wonder и Muse Spark 1.3, которые остаются для планирования и сложных решений, а Ember отведена роль дешёвого исполнителя массовых шагов пайплайна. Льготный тариф на кэшированный вход в сочетании с длинным контекстом выдаёт целевую нагрузку: многошаговые агентские циклы, где один и тот же контекст активно переиспользуется, а не собирается заново. Расстановка сил с конкурентами описывает сегментацию рынка, а не вытеснение: если замеры Artificial Analysis воспроизводятся, Ember задаёт стандарт в сегменте примерно $0.13–0.15 за задачу, Claude Haiku 5.5 остаётся лидером по абсолютному качеству при иной цене, а GPT-6 Luna при сопоставимой с Ember цене уступает ей 8 баллов.
Почему это важно для индустрии
Массовые шаги агентских пайплайнов — вызовы инструментов, извлечение и разбор данных, фрагменты кода, маршрутизация — превращаются из дорогой статьи расходов в дешёвый строительный блок, который можно отдать исполнителю уровня Ember, оставив фронтирные модели планированию. Сочетание контекста в 1 млн токенов с длинным выходом меняет класс задач, решаемых за один вызов: так можно загружать целые кодовые базы и документальные массивы целиком. Если независимые замеры подтвердятся, ожидаемо закрепление двухслойных архитектур вида «дешёвый исполнитель плюс дорогой планировщик», а ценовое давление сместится в сегмент моделей класса Haiku. По мере коммодитизации доступа к дешёвым исполнителям ценность продуктов перемещается к оркестрации, проприетарным данным, качеству evals и интеграционной поверхности.
Почему это важно для пользователей
Проверить модель можно уже сейчас: muse-ember-1.0 подключается через Meta Model API и Muse Code, а также открыта в Google Cloud Model Garden со статусом Preview и в Oracle Cloud. Разумный первый шаг — пилот на некритичных задачах с фолбэком на текущую модель и сравнением с Claude Haiku 5.5 и GPT-6 Luna на своей нагрузке при фиксированном бюджете. Для прикладных сценариев это дешёвый способ автоматизировать рутину без сторонних инструментов: обработку скриншотов, записей встреч и длинных документов, а кэшированный вход делает дешевле повторные прогоны по одному и тому же контексту.
Что пока неизвестно / ограничения
Независимое подтверждение качества пока одно: это единственный замер Artificial Analysis за один день по одному индексу, без раскрытой методологии в предоставленных материалах; второй источник по качеству — evaluation report самой Meta, то есть данные производителя. В источниках расходится лимит выхода: текст поста называет 512 тыс. токенов, сводка — 524 288. Формулировка об обходе конкурентов верна только в метрике цена/интеллект: в абсолютном интеллекте Ember чуть уступает Claude Haiku 5.5. Корпоративный доступ через Google Cloud пока остаётся в Preview, и перед переносом нагруженных пайплайнов заявленные цифры стоит воспроизвести на собственной нагрузке.
Источники
- Introducing Our Smallest, Most Efficient Model: Muse Ember — Meta AI Research
- Muse Ember Evaluation Report — Meta AI Research
- Muse Ember 1.0 — Google Cloud Gemini Enterprise Agent Platform Documentation
Автор
Look at AI, редакция