Meta bringt Muse Ember heraus, sein kleinstes Modell für Agenten-Teilaufgaben
Am 9. November 2026 bringt Meta Muse Ember (muse-ember-1.0) über seine Meta Model API und in Muse Code heraus: 0,10 $ / 0,50 $ pro Million Token, ein Kontextfenster von einer Million Token und das erste Modell, das mit Muse Wonder Full trainiert wurde.
Meta hat am 9. November 2026 Muse Ember vorgestellt, auf seinem Forschungsblog präsentiert als sein „kleinstes und effizientestes“ Modell. Es zielt nicht auf die Spitzenplätze der Bestenlisten ab: Es ist für die wiederkehrende Arbeit gedacht, die Agenten den ganzen Tag über aneinanderreihen, wie Tool-Aufrufe, Code-Teilaufgaben, das Routing von Anfragen, Datenextraktion und das Lesen langer Dokumente. Mark Zuckerberg kündigte es am selben Abend auf X an.
Verfügbarkeit und Preise
Muse Ember ist ab heute über die Meta Model API und in Muse Code unter der Kennung muse-ember-1.0 mit Unterstützung für die Responses API verfügbar. Meta nennt 0,10 $ pro Million Eingabe-Token, 0,004 $ pro Million gecachter Eingabe-Token und 0,50 $ pro Million Ausgabe-Token. Das Modell akzeptiert ein Kontextfenster von einer Million Token, kann bis zu 512 000 Token erzeugen und versteht nativ Text, Bild, Audio und Video.
Es ist laut Meta auch das erste Modell, das mithilfe von Muse Wonder Full trainiert wurde. Es setzt die mit der Wonder-Serie angekündigte Strategie in die Praxis um, die bereits bei den in Muse und Meta AI eingeführten spezialisierten Modellen sichtbar war: Ein großes Spitzenmodell dient dazu, leichtere Modelle zu trainieren, deren Betrieb günstiger ist. Die Palette umfasst nun drei Stufen: Muse Wonder für die schwierigsten Probleme, Muse Spark für Code und agentische Workflows, Muse Ember für das Volumen.
Was die Messungen zeigen
Der belastbarste Punkt stammt von einem Dritten. Artificial Analysis vergibt für Muse Ember (maximaler Aufwand) einen Wert von 36 in seinem Intelligence Index – denselben wie für Claude Haiku 5.5 (max) –, bei rund 0,14 $ pro Aufgabe gegenüber 0,41 $. Der Kostenunterschied liegt nicht an den Listenpreisen, die bei Ein- und Ausgabe mit denen von Claude Haiku 5.5 und GPT-6 Luna identisch sind, sondern an einem deutlich günstigeren Cache-Eingang und kürzeren Antworten: Nach Angaben der Organisation erzeugt Ember etwa dreimal weniger Ausgabe-Token als Claude Haiku 5.5. Muse Wonder (max) bleibt acht Punkte darüber (44), kostet aber 6,95 $ pro Aufgabe.
Im hauseigenen Code-Agenten Muse Code erzielt Ember 46 Punkte im Coding Agent Index von Artificial Analysis, gegenüber 37 für Claude Haiku 5.5 in Claude Code und 31 für GPT-6 Luna in Codex. Das Bild ist jedoch nicht durchweg positiv: Auf FrontierCode 2.0, das reale Engineering-Aufgaben anhand ihrer Merge-Fähigkeit bewertet, bleibt Ember (27,2 Prozent) hinter Claude Haiku 5.5 (34,9 Prozent) zurück. Und sein Allgemeinwissen ist schwach: 21,1 Prozent Genauigkeit auf AA-Omniscience, vor allem weil es bei 64 Prozent der Fragen die Antwort verweigert. Die Kehrseite im positiven Sinne: Seine Halluzinationsrate (17,4 Prozent) ist laut Artificial Analysis nur halb so hoch wie die von Claude Haiku 5.5.
Die übrigen Zahlen des Beitrags, wie Agents’ Last Exam (61,6 Prozent), OSWorld 2.1 oder der Personal Superintelligence Index, sind interne Bewertungen von Meta, ebenso wie die von Testpartnern (Box, Cline, Oracle, Cloudflare, You.com) berichteten Geschwindigkeitsgewinne.
Die Grenzen
Meta veröffentlicht weder die Modellgröße noch herunterladbare Gewichte: Muse Ember ist ein geschlossenes Modell, das ausschließlich über die API und Muse Code zugänglich ist. Auf der Sicherheitsseite gibt Meta an, das Modell nach seinem internen Rahmenwerk (chemische und biologische Risiken, Cybersicherheit, Kontrollverlust) evaluiert zu haben, und stuft es unterhalb der Schwellenwerte für hohe Risiken ein – was eine Selbsteinschätzung bleibt.
Unsere Einschätzung
Muse Ember tritt in der derzeit am härtesten umkämpften Kategorie an: derjenigen der kleinen, preiswerten Modelle, die Teilagenten antreiben. Sein Argument ist kein niedrigerer Token-Preis als bei Claude Haiku 5.5 oder GPT-6 Luna, sondern reduzierte Kosten pro Aufgabe dank Caching und kürzerer Antworten – was für Agenten entscheidend ist, die denselben Kontext immer wieder lesen. Die unabhängige Messung von Artificial Analysis verleiht dem Versprechen beim Gesamtindex Glaubwürdigkeit, zeigt aber auch die blinden Flecken: geringes Allgemeinwissen und ein Rückstand bei realistischeren Code-Aufgaben. Für Entwickler ist der naheliegendste Anwendungsfall jener, den Meta selbst nahelegt: Ein großes Modell plant, und Ember übernimmt die Ausführung in Masse. Eine Hürde bleibt: Man muss Metas API nutzen, die im Vergleich zu den Plattformen von Anthropic, OpenAI oder Google noch jung ist.
Quellen
- Meta AI Research — Introducing Our Smallest, Most Efficient Model: Muse Ember (9. November 2026) Primärquelle
- Mark Zuckerberg (@finkd) auf X — Ankündigung von Muse Ember (9. November 2026) Primärquelle
- Artificial Analysis (@ArtificialAnlys) auf X — Bewertung von Muse Ember (9. November 2026) Primärquelle — Messung durch Dritte: Intelligence Index, Kosten pro Aufgabe, Coding Agent Index, AA-Omniscience
- Neural Brew — Meta führt mit Muse Wonder trainierte spezialisierte Modelle in Muse und Meta AI ein (6. November 2026) Sekundärquelle — Kontext: die Strategie spezialisierter Modelle, die mit Muse Wonder trainiert wurden
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
