Meta lança Muse Ember, seu menor modelo, projetado para subtarefas de agentes
Em 9 de novembro de 2026, a Meta lança o Muse Ember (muse-ember-1.0) em sua Meta Model API e no Muse Code: US$ 0,10 / US$ 0,50 por milhão de tokens, contexto de um milhão de tokens, primeiro modelo treinado com o Muse Wonder Full.
A Meta lançou em 9 de novembro de 2026 o Muse Ember, apresentado em seu blog de pesquisa como seu modelo “menor e mais eficiente”. Ele não busca o topo dos rankings: foi feito para o trabalho repetitivo que os agentes executam o dia todo, como chamadas de ferramentas, subtarefas de código, roteamento de requisições, extração de dados e leitura de documentos extensos. Mark Zuckerberg fez o anúncio na mesma noite no X.
Disponibilidade e preços
O Muse Ember já está disponível na Meta Model API e no Muse Code, sob o identificador muse-ember-1.0, com suporte à Responses API. A Meta cobra US$ 0,10 por milhão de tokens de entrada, US$ 0,004 por milhão de tokens de entrada em cache e US$ 0,50 por milhão de tokens de saída. O modelo aceita uma janela de contexto de um milhão de tokens, pode gerar até 512.000 tokens e compreende nativamente texto, imagem, áudio e vídeo.
Também é, segundo a Meta, o primeiro modelo treinado com a ajuda do Muse Wonder Full. Ele concretiza a estratégia anunciada com a série Wonder, já visível nos modelos especializados implementados no Muse e no Meta AI: um modelo de ponta de grande porte é usado para treinar modelos mais leves e mais baratos de operar. A linha conta agora com três níveis: Muse Wonder para os problemas mais complexos, Muse Spark para código e fluxos de agentes, e Muse Ember para volume.
O que dizem as medições
O dado mais consistente vem de terceiros. A Artificial Analysis atribui ao Muse Ember (esforço máx.) uma pontuação de 36 em seu Intelligence Index, a mesma do Claude Haiku 5.5 (máx.), por cerca de US$ 0,14 por tarefa contra US$ 0,41. A diferença de custo não se deve ao preço de tabela, idêntico ao do Claude Haiku 5.5 e do GPT-6 Luna na entrada e na saída, mas a uma entrada em cache muito mais barata e a respostas mais curtas: segundo a entidade, o Ember gera cerca de três vezes menos tokens de saída do que o Claude Haiku 5.5. O Muse Wonder (máx.) segue oito pontos acima (44), mas a US$ 6,95 por tarefa.
Em seu próprio agente de código, o Muse Code, o Ember alcança 46 no Coding Agent Index da Artificial Analysis, contra 37 para o Claude Haiku 5.5 no Claude Code e 31 para o GPT-6 Luna no Codex. O cenário não é totalmente favorável: no FrontierCode 2.0, que avalia tarefas reais de engenharia pela capacidade de serem mescladas em produção, o Ember (27,2%) fica atrás do Claude Haiku 5.5 (34,9%). E seus conhecimentos gerais são baixos: 21,1% de precisão no AA-Omniscience, principalmente porque ele se recusa a responder a 64% das perguntas. Como ponto positivo, sua taxa de alucinação (17,4%) é, de acordo com a Artificial Analysis, metade da registrada pelo Claude Haiku 5.5.
Os outros números do artigo, como Agents’ Last Exam (61,6%), OSWorld 2.1 ou o Personal Superintelligence Index, são avaliações internas da Meta, assim como os ganhos de velocidade relatados pelos parceiros de teste (Box, Cline, Oracle, Cloudflare, You.com).
As limitações
A Meta não divulga o tamanho do modelo nem pesos para download: o Muse Ember é um modelo fechado, acessível apenas pela API e pelo Muse Code. No quesito segurança, a Meta afirma tê-lo avaliado segundo sua estrutura interna (riscos químicos e biológicos, cibersegurança, perda de controle) e o classifica abaixo dos limites de alto risco, o que não deixa de ser uma autoavaliação.
Nossa leitura
O Muse Ember entra na categoria mais disputada do momento: a dos modelos pequenos e econômicos que sustentam os subagentes. Seu diferencial não é um preço por token menor que o do Claude Haiku 5.5 ou do GPT-6 Luna, mas um custo por tarefa reduzido graças ao cache e a respostas mais enxutas — o que pesa muito para agentes que releem constantemente o mesmo contexto. A medição independente da Artificial Analysis dá credibilidade à promessa no índice geral, mas também escancara seus pontos cegos: poucos conhecimentos gerais e desempenho inferior nas tarefas de código mais realistas. Para um desenvolvedor, o caso de uso mais lógico é aquele sugerido pela própria Meta: um modelo grande que planeja e o Ember executando em volume. Resta um obstáculo: é preciso passar pela API da Meta, ainda recente quando comparada às plataformas da Anthropic, da OpenAI ou do Google.
Fontes
- Meta AI Research — Introducing Our Smallest, Most Efficient Model: Muse Ember (9 de novembro de 2026) Fonte primária
- Mark Zuckerberg (@finkd) no X — anúncio do Muse Ember (9 de novembro de 2026) Fonte primária
- Artificial Analysis (@ArtificialAnlys) no X — avaliação do Muse Ember (9 de novembro de 2026) Fonte primária — Medição de terceiros: Intelligence Index, custo por tarefa, Coding Agent Index, AA-Omniscience
- Neural Brew — Meta implementa modelos especializados treinados com Muse Wonder no Muse e Meta AI (6 de novembro de 2026) Fonte secundária — Contexto: a estratégia de modelos especializados treinados com Muse Wonder
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.
