Meta lanza Muse Ember, su modelo más pequeño, pensado para subtareas de agentes
El 9 de noviembre de 2026, Meta lanza Muse Ember (muse-ember-1.0) en su API Meta Model y en Muse Code: 0,10 $ / 0,50 $ por millón de tokens, contexto de un millón de tokens y primer modelo entrenado con Muse Wonder Full.
Meta ha lanzado el 9 de noviembre de 2026 Muse Ember, presentado en su blog de investigación como su modelo «más pequeño y más eficiente». No aspira a liderar las clasificaciones: está concebido para el trabajo repetitivo que los agentes encadenan continuamente, como llamadas a herramientas, subtareas de código, enrutamiento de peticiones, extracción de datos y lectura de documentos extensos. Mark Zuckerberg lo anunció la misma noche en X.
Disponibilidad y precios
Muse Ember está disponible desde hoy en la API Meta Model y en Muse Code, bajo el identificador muse-ember-1.0, con compatibilidad para la Responses API. Meta establece 0,10 $ por millón de tokens de entrada, 0,004 $ por millón de tokens de entrada en caché y 0,50 $ por millón de tokens de salida. El modelo admite una ventana de contexto de un millón de tokens, puede generar hasta 512 000 tokens y comprende de forma nativa texto, imagen, audio y vídeo.
Se trata además, según Meta, del primer modelo entrenado con la ayuda de Muse Wonder Full. Materializa así la estrategia anunciada con la serie Wonder, ya visible en los modelos especializados desplegados en Muse y Meta AI: un gran modelo puntero sirve para entrenar modelos más ligeros y más económicos de ejecutar. La gama cuenta a partir de ahora con tres niveles: Muse Wonder para los problemas más complejos, Muse Spark para código y flujos agénticos, y Muse Ember para el volumen.
Lo que dicen las mediciones
El dato más sólido procede de un tercero. Artificial Analysis otorga a Muse Ember (esfuerzo máx.) una puntuación de 36 en su Intelligence Index, la misma que Claude Haiku 5.5 (máx.), por un coste aproximado de 0,14 $ por tarea frente a 0,41 $. La diferencia de coste no radica en la tarifa base por token, idéntica a la de Claude Haiku 5.5 y GPT-6 Luna en entrada y salida, sino en una entrada en caché sustancialmente más barata y en respuestas más breves: según el organismo, Ember genera cerca de tres veces menos tokens de salida que Claude Haiku 5.5. Muse Wonder (máx.) se mantiene ocho puntos por encima (44), pero a 6,95 $ por tarea.
En su propio agente de código, Muse Code, Ember alcanza un 46 en el Coding Agent Index de Artificial Analysis, frente a 37 para Claude Haiku 5.5 en Claude Code y 31 para GPT-6 Luna en Codex. El panorama no es homogéneamente favorable: en FrontierCode 2.0, que evalúa tareas de ingeniería reales según su viabilidad para fusionarse, Ember (27,2%) queda por detrás de Claude Haiku 5.5 (34,9%). Y sus conocimientos generales son limitados: 21,1% de precisión en AA-Omniscience, debido sobre todo a que rehúsa responder al 64% de las preguntas. Como contrapartida positiva, su tasa de alucinación (17,4%) es, de acuerdo con Artificial Analysis, la mitad que la de Claude Haiku 5.5.
Las demás cifras de la publicación oficial, como Agents’ Last Exam (61,6%), OSWorld 2.1 o el Personal Superintelligence Index, corresponden a evaluaciones internas de Meta, al igual que las mejoras de velocidad comunicadas por los socios de pruebas (Box, Cline, Oracle, Cloudflare, You.com).
Limitaciones
Meta no publica el tamaño del modelo ni pesos descargables: Muse Ember es un modelo cerrado, accesible únicamente a través de la API y Muse Code. En materia de seguridad, Meta afirma haberlo evaluado conforme a su marco interno (riesgos químicos y biológicos, ciberseguridad, pérdida de control) y lo sitúa por debajo de los umbrales de riesgo elevado, lo cual constituye una autoevaluación.
Nuestro análisis
Muse Ember compite en el segmento más disputado del momento: el de los modelos pequeños y económicos destinados a ejecutar subagentes. Su argumento diferencial no es un coste por token inferior al de Claude Haiku 5.5 o GPT-6 Luna, sino un coste por tarea reducido gracias a la caché y a respuestas más concisas, factor determinante para agentes que releen de forma continua el mismo contexto. La medición independiente de Artificial Analysis aporta solidez a la propuesta en el índice global, pero también pone de manifiesto sus puntos débiles: conocimientos generales escasos y un rendimiento inferior en las tareas de programación más realistas. Para un desarrollador, el uso más coherente coincide con el sugerido por Meta: un modelo de gran escala que planifica y Ember ejecutando el volumen. Queda un obstáculo práctico: depender de la API de Meta, todavía reciente en comparación con los ecosistemas de Anthropic, OpenAI o Google.
Fuentes
- Meta AI Research — Introducing Our Smallest, Most Efficient Model: Muse Ember (9 de noviembre de 2026) Fuente primaria
- Mark Zuckerberg (@finkd) en X — anuncio de Muse Ember (9 de noviembre de 2026) Fuente primaria
- Artificial Analysis (@ArtificialAnlys) en X — evaluación de Muse Ember (9 de noviembre de 2026) Fuente primaria — Medición realizada por un tercero: Intelligence Index, coste por tarea, Coding Agent Index, AA-Omniscience
- Neural Brew — Meta despliega modelos especializados entrenados con Muse Wonder en Muse y Meta AI (6 de noviembre de 2026) Fuente secundaria — Contexto: la estrategia de modelos especializados entrenados con Muse Wonder
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
