TL;DR
Muse Ember adalah model penalaran multimodal terkecil dari Meta, dibangun untuk tugas agen volume tinggi seperti routing, ekstraksi, pemanggilan alat, dan pengodean terfokus. Meta memperkenalkan Muse Ember pada 9 November 2026.
Jendela konteks 1,048,576 token dapat menampung materi sumber yang besar. Meta menyediakan akses melalui Model API dan Muse Code; CometAPI mencantumkan muse-ember, dengan status aktivasi dibahas di bawah. Mulailah dengan tugas berulang yang hasilnya bisa Anda verifikasi, lalu bandingkan biaya per hasil yang berhasil, termasuk penalaran, alat, dan percobaan ulang.
Pokok-Pokok Utama
- Peran: Muse Ember dibuat untuk eksekusi agen berulang, termasuk klasifikasi, ekstraksi, pemanggilan alat, dan tugas pengodean berbatas.
- Input dan kapasitas: Muse Ember menerima teks, gambar, audio, dan video, dengan jendela konteks 1M token dan hingga 512K token output.
- Kinerja: Hasil Meta mengunggulkan Muse Ember pada beberapa tolok ukur agen, sementara pengujian analitik independen menunjukkan bahwa harga token rendah tidak selalu menghasilkan biaya tugas terendah.
- Harga: Permintaan di atas 200K token input masuk ke tier harga lebih tinggi; total biaya tugas juga bergantung pada penalaran dan penggunaan alat.
- Akses: Meta Model API dan Muse Code tersedia; daftar CometAPI saat ini menandai model sebagai Coming soon.
Untuk Apa Muse Ember Paling Tepat Digunakan?
Muse Ember menangani langkah eksekusi dalam alur kerja agen sementara model yang lebih besar mengelola perencanaan. Model ini cocok untuk tugas volume tinggi dengan input jelas, cakupan terbatas, dan hasil yang dapat diverifikasi oleh aplikasi Anda. Pekerjaan intinya adalah:
- Klasifikasi dan perutean: Memberi label permintaan dan mengirimkannya ke antrean atau layanan yang tepat.
- Ekstraksi: Mengubah dokumen dan media menjadi kolom terstruktur dengan bukti sumber.
- Pemanggilan alat: Memilih fungsi dan menyuplai argumen yang dieksekusi aplikasi Anda.
- Pemrosesan batch: Menerapkan operasi yang dapat diulang di banyak berkas atau rekaman.
Perutean Tiket Dukungan
Alur dukungan yang praktis dapat meminta Ember mengekstrak referensi pesanan, menetapkan kategori, dan menandai informasi yang hilang. Aplikasi Anda dapat memvalidasi referensi terhadap catatannya sebelum merutekan tiket. Jaga agar pengembalian dana, perubahan akun, dan tindakan konsekuensial lainnya tetap berada di belakang pemeriksaan otorisasi aplikasi Anda sendiri.
Ekstraksi Dokumen dengan Bukti
Untuk pemrosesan faktur atau kontrak, mintalah nilai yang diekstrak beserta halaman atau bagian yang mendukungnya. Perlakukan kolom yang absen dan tidak terbaca sebagai hasil eksplisit alih-alih mengundang model untuk menebak. Ini menghasilkan catatan yang dapat diperiksa peninjau tanpa harus membaca ulang setiap dokumen.
Pekerjaan Pengodean Terfokus
Berikan pekerja pengodean batas kepemilikan kecil: berkas yang boleh diubah, perilaku yang harus dipertahankan, dan pengujian yang mendefinisikan penyelesaian. Contoh migrasi kode paralel dari Meta mengilustrasikan pembagian pekerjaan ini. Agen di sekeliling menjalankan perintah dan memeriksa hasil; respons model saja bukan bukti bahwa perubahan lulus pengujiannya.
Visual peluncuran Muse Ember dari Meta (tautan) menyertai panduan menggabungkan model eksekusi dengan model perencana yang lebih besar.
Meta mengatakan Muse Ember adalah model pertama yang dilatih menggunakan Muse Wonder Full, memperluas strateginya memanfaatkan model yang lebih besar untuk mengembangkan model spesialis.
Spesifikasi Muse Ember
Spesifikasi inti adalah:
| Spesifikasi | Muse Ember |
|---|---|
| Pengembang | Meta Superintelligence Labs |
| Tanggal pengumuman | November 9, 2026 |
| Kategori model | Penalaran multimodal dan eksekusi agen |
| Jendela konteks | 1,048,576 tokens |
| Output maksimum | 524,288 tokens |
| Modality input | Teks, gambar, audio, video |
| Input berkas | Didukung melalui Responses API |
| Modality output | Teks |
| Reasoning effort | Minimal, Low, Medium, High, XHigh, Max |
| Reasoning default | Max |
| Pemanggilan alat | Didukung |
| Output terstruktur | Didukung |
| Search grounding | Didukung melalui Model API |
Meta belum merilis bobot Muse Ember atau mengungkap jumlah parameternya. Batas permintaan dan token berlaku per tim, dengan semua kunci API dalam tim tersebut berbagi alokasi model.
Konteks dan Input Multimodal
Untuk alur kerja PDF, Meta mengekstrak teks dari 100 halaman pertama dan gambar dari 50 halaman pertama, jadi bagi berkas yang lebih panjang sebelum diproses. Kirimkan materi yang dibutuhkan untuk tugas; token penalaran berbagi jatah output 524,288 token dengan jawaban akhir.
Gunakan cuplikan layar saat tata letak penting, hasil pemindaian untuk ekstraksi dokumen, audio untuk analisis rapat, dan video untuk peristiwa yang berlangsung seiring waktu. Transkrip sudah cukup untuk ringkasan berbasis teks saja. Berkas didukung melalui Responses API, dan hasil dikembalikan sebagai teks.
Upaya Penalaran yang Dapat Dikonfigurasi
Muse Ember menawarkan enam tingkat penalaran: Minimal, Low, Medium, High, XHigh, dan Max. Meta menggunakan default Max; none tidak didukung dan akan mengembalikan HTTP 400. Mulailah perutean dan klasifikasi rutin pada tingkat yang lebih rendah, lalu tingkatkan hanya ketika kenaikan jawaban yang diterima membenarkan tambahan latensi dan biaya token output.
Pemanggilan Alat dan Output Terstruktur
Muse Ember mendukung pemanggilan alat dan output terstruktur. Pemanggilan alat menghubungkan keputusan model ke fungsi aplikasi, sementara output terstruktur memudahkan validasi kolom yang diekstrak dan pengalihan ke langkah berikutnya.
Hasil tiket dukungan ilustratif ini memberi aplikasi perutean kategori, prioritas, dan flag peninjauan:
{
"category": "billing",
"priority": "high",
"requires_human_review": true
}
Meta Model API juga mendukung search grounding dan alur kerja penggunaan komputer. Aplikasi yang terhubung menyediakan alat, mengeksekusi tindakan, dan mengontrol izin.
Bagaimana Kinerja Muse Ember pada Tolok Ukur?
Hasil peluncuran Meta menggunakan reasoning effort maksimum. Agentsโ Last Exam mencakup subset Linux dalam evaluasi internal Meta, sementara Terminal-Bench menggunakan harness terbaik yang diterbitkan masing-masing model. Mereka menggabungkan hasil Artificial Analysis yang dilaporkan eksternal dengan evaluasi internal Meta; Personal Superintelligence Index adalah komposit internal Meta, bukan papan peringkat independen terpisah.
Hasil Benchmark Muse Ember
| Benchmark | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA | 37.8 | 13.9 | 20.2 |
| Agents' Last Exam | 61.6 | 57.0 | 57.1 |
| Personal Superintelligence Index | 46.8 | 36.1 | 37.0 |
| Terminal-Bench 4.0 | 40.9 | 39.2 | 16.4 |
| Coding Agent Index-AA | 46 | 37 | 31 |
| FrontierCode 2.0-AA | 27.2 | 34.9 | 25.2 |
| GDP.pdf-AA | 22.8 | 20.8 | 22.8 |
| OSWorld 2.1 (partial score) | 69.5 | 68.9 | 50.5 |
| OSWorld 2.1 (binary score) | 33.8 | 27.8 | 17.0 |
| PerceptionBench (with tools) | 80.6 | 78.6 | 62.8 |
| Artificial Analysis Intelligence Index | 36 | 36 | 28 |
Terminal-Bench 4.0 menggunakan mini-swe-agent untuk Muse Ember, Claude Code untuk Haiku 5.5, dan Codex untuk GPT-6 Luna. Ini bukan lingkungan eksekusi yang identik. OSWorld 2.1 melaporkan skor kredit parsial dan skor biner, sementara PerceptionBench menyertakan alat. Hasil Artificial Analysis Intelligence Index berasal dari versi 5 yang dipublikasikan pada 9 November 2026.
Analisis Benchmark Muse Ember
Eksekusi agen adalah area terkuat Muse Ember.
Pada AutomationBench-AA, Muse Ember meraih 37.8, dibandingkan 13.9 untuk Haiku 5.5 dan 20.2 untuk GPT-6 Luna. Ini mendukung posisi Meta terhadap Muse Ember sebagai model untuk alur kerja bisnis end-to-end dan operasi agen berulang.
Kinerja pengodean kompetitif, tetapi tidak selalu unggul.
Muse Ember meraih 40.9 pada Terminal-Bench 4.0 dan 46 pada Coding Agent Index-AA. Namun, skornya 27.2 pada FrontierCode 2.0-AA, di bawah 34.9 milik Haiku 5.5. Ini menunjukkan bahwa Muse Ember merupakan kandidat yang berguna untuk sub-tugas pengodean berbatas, sementara pekerjaan rekayasa yang lebih sulit sebaiknya diuji terhadap alternatif yang lebih kuat.
Hasil multimodal dan penggunaan komputer menjanjikan.
Muse Ember mencetak 80.6 pada PerceptionBench dengan alat dan 69.5 pada OSWorld 2.1 dengan penilaian kredit parsial. Hasil ini mendukung posisinya untuk alur kerja yang melibatkan pemahaman visual dan interaksi komputer.
Kecerdasan umum sebanding dengan Haiku 5.5.
Muse Ember dan Haiku 5.5 sama-sama membulat ke 36 pada Artificial Analysis Intelligence Index, di atas GPT-6 Luna di 28. Untuk keputusan pemilihan, pasangkan perbandingan luas itu dengan hasil spesifik tugas di atas.
Kecerdasan Muse Ember vs. Biaya Per Tugas

Bagan Meta membandingkan skor Artificial Analysis Intelligence Index dengan perkiraan biaya per tugas pada berbagai pengaturan reasoning effort.
Pada reasoning effort maksimum, Muse Ember mencetak 35.8 pada Artificial Analysis Intelligence Index dengan perkiraan biaya $0.136 per tugas. Haiku 5.5 mencetak 36.2 pada $0.411, sementara GPT-6 Luna mencetak 27.8 pada $0.152. Pada benchmark ini, Ember mendekati skor Haiku dengan kira-kira sepertiga biaya tugas dan melampaui skor Luna dengan biaya yang sedikit lebih rendah.
Perkiraan ini menggunakan konsumsi token benchmark dan harga daftar. Evaluasi berikut menunjukkan mengapa aktivitas alat penting saat memilih model untuk alur kerja tertentu.
Hasil Analisis Data Independen
Evaluasi analisis data Plotly pada 10 November 2026 (tautan) menguji 43 pertanyaan di Plotly Studio Embedded terhadap dataset angin sintetis. Muse Ember dijalankan melalui OpenRouter; biaya yang dilaporkan menggunakan harga yang tersedia saat masing-masing model dijalankan. Ini adalah hasil spesifik beban kerja, bukan pengujian penagihan API native Meta.
| Metrik evaluasi | Muse Ember | GPT-6 Luna | Claude Haiku 5.5 |
|---|---|---|---|
| Pertanyaan yang lulus | 38/43 | 38/43 | 37/43 |
| Biaya tes penuh | $1.04 | $0.13 | $0.38 |
| Waktu median per pertanyaan | 28 seconds | 18 seconds | 14 seconds |
Untuk beban kerja analisis data ini, GPT-6 Luna memberikan jumlah lulus 38/43 yang sama dengan Ember dengan biaya total seperdelapan, dan waktu respons median lebih rendah. Haiku yang tercepat pada 14 detik per pertanyaan, dengan 37/43 lulus. Luna adalah kandidat awal yang lebih kuat untuk alur kerja analitik sensitif biaya yang serupa; tarif token rendah Ember saja tidak menjadikannya pilihan termurah.
Plotly menemukan bahwa Muse Ember membuat rata-rata 78 kueri pada pertanyaan yang melibatkan pola tersembunyi, dibanding median 25 di seluruh model yang diuji. Aktivitas alat tambahan meningkatkan konsumsi token dan total biaya.
Tes juga menunjukkan kekuatan: Muse Ember menjawab dengan benar semua 20 pertanyaan analitik yang didefinisikan jelas, semua lima pertanyaan ambigu, semua lima permintaan yang mustahil, dan semua tiga pemeriksaan kualitas data. Model ini paling kesulitan dengan pola tersembunyi dalam data.
Plotly menjalankan setiap model sekali dan mengamati variasi hingga tiga pertanyaan saat mengulang model lain. Perlakukan hitungan lulus 38 versus 37 sebagai berdekatan; perbedaan yang lebih jelas di sini adalah penggunaan alat dan total biaya.
Muse Ember vs Muse Wonder vs Muse Spark
Pilih model Muse berdasarkan tanggung jawab yang akan diemban: perencanaan, loop agen utama, atau eksekusi berulang.
| Dimensi | Muse Wonder | Muse Spark 1.3 | Muse Ember |
|---|---|---|---|
| Peran utama | Penalaran frontier dan rekayasa kompleks | Model pengodean dan agen utama | Eksekusi volume tinggi |
| Kekuatan utama | Perencanaan, tugas panjang, pengodean kompleks | Alur kerja pengodean dan agensi | Subtugas repetitif dan pemanggilan alat |
| Beban kerja tipikal | Rekayasa skala repositori | Eksekusi agen utama | Klasifikasi, perutean, ekstraksi |
| ID model API | muse-wonder-1.0 | muse-spark-1.3 | muse-ember-1.0 |
| Jendela konteks | 1M tokens | 1M tokens | 1M tokens |
| Reasoning default | Max | High | Max |
| Harga input standar / 1M | $4.00 | $1.25 | $0.10 |
| Harga output standar / 1M | $20.00 | $4.25 | $0.50 |
Tabel menggunakan harga token mode Standar Meta. Harga Ember di sini berlaku untuk permintaan hingga 200K token input; Wonder dan Spark tidak memiliki premi konteks panjang seperti Ember.
Pemilihan Model Muse
Pilih Wonder untuk perencanaan sulit, rekayasa skala repositori, dan pemulihan di sepanjang urutan langkah yang panjang. Pilih Spark untuk menjalankan loop pengodean atau agen utama. Pilih Ember untuk subtugas berulang dengan output yang dapat diverifikasi secara independen, seperti perutean, ekstraksi, dan perubahan berkas terarah.
Sebagai contoh, migrasi repositori dapat menugaskan analisis dependensi ke model yang lebih besar dan perubahan berkas yang sangat terarah ke Ember. Serah terima harus menyebutkan berkas, perilaku yang diharapkan, dan pemeriksaan penerimaan. Pembagian itu hanya berguna ketika koordinasi dan peninjauan tugas yang lebih kecil biayanya lebih rendah daripada menyelesaikan seluruh pekerjaan dengan model utama.
Untuk memilih di antara mereka, jalankan tugas perwakilan yang sama melalui kandidat Anda dengan pemeriksaan penerimaan yang sama. Pertama tolak konfigurasi yang meleset dari tingkat keberhasilan atau target latensi yang Anda butuhkan. Di antara yang lulus, bandingkan total pengeluaran dibagi hasil yang diterima, termasuk percobaan ulang dan pemanggilan alat. Tugaskan Ember pada jenis tugas di mana model ini menurunkan biaya tersebut, dan rute kasus yang belum terselesaikan kembali ke Spark atau Wonder.
Berapa Biaya Muse Ember?
Tabel memasangkan tarif resmi Meta dengan estimasi diskon 20% untuk CometAPI, dalam USD per satu juta token. Setiap sel menampilkan Meta / estimasi diskon. Daftar CometAPI belum menerbitkan tarif live; gunakan angka diskon untuk perencanaan anggaran.
| Penggunaan per 1M token (Meta / estimasi diskon 20%) | Hingga 200K token input | Di atas 200K token input |
|---|---|---|
| Input | $0.10 / $0.08 | $0.30 / $0.24 |
| Input yang di-cache | $0.004 / $0.0032 | $0.012 / $0.0096 |
| Output | $0.50 / $0.40 | $1.50 / $1.20 |
Total token input permintaan, termasuk input yang di-cache, menentukan tier. Permintaan di atas 200K token input menggunakan tarif lebih tinggi untuk seluruh permintaan, termasuk outputnya. Dengan previous_response_id milik Meta, riwayat percakapan yang tersimpan dihitung ke total input tersebut.
Biaya Permintaan Muse Ember yang Umum
Dengan input tak ter-cache dan 20K token output yang ditagih, termasuk penalaran, permintaan input 200K berbiaya $0.0300 pada tarif Meta, atau $0.0240 dalam skenario diskon 20%. Meningkatkan input menjadi 220K memindahkan seluruh permintaan ke tier lebih tinggi: 20K output yang sama kemudian membawa total menjadi $0.0960 pada tarif Meta, atau perkiraan $0.0768 dengan diskon. Contoh ini tidak memasukkan biaya alat terpisah. Menjaga konteks yang relevan tetap dalam tier yang lebih rendah dapat menghemat lebih dari diskon 20% itu sendiri.
| Skenario | Token input | Token output yang ditagih | Biaya Meta | Biaya CometAPI |
|---|---|---|---|---|
| Permintaan standar | 200K | 20K | $0.0300 | $0.0240 |
| Permintaan konteks panjang | 220K | 20K | $0.0960 | $0.0768 |
Token penalaran dihitung sebagai output yang ditagih. Untuk API native Meta, web search grounding berbiaya tambahan $2.50 per 1,000 kueri, dan Ember tidak memiliki varian Contributor-mode. Perbandingan harga token di atas tidak menerapkan diskon 20% pada biaya alat terpisah.
Cara Mengakses Muse Ember
Daftar CometAPI: halaman model mengidentifikasi model sebagai muse-ember, tetapi status katalog adalah Coming soon per 16 November 2026. Ikuti halaman tersebut untuk aktivasi dan harga; untuk akses sekarang, gunakan Meta Model API atau Muse Code.
Melalui Meta Model API: gunakan muse-ember-1.0 dengan https://api.meta.ai/v1. API native mendukung format Responses, Chat Completions, dan Messages. Input berkas menggunakan Responses. Jaga endpoint dan pengenal model masing-masing penyedia tetap berpasangan saat mengonfigurasi klien Anda.
Batas API native dan akses lainnya: Meta mencantumkan 3,000 permintaan per menit dan 4,000,000 token per menit per tim, dibagi oleh kunci API tim. Muse Ember juga tersedia di Muse Code. Periksa batas rute yang Anda pilih saat menyiapkan batch, dan gunakan panduan integrasi Meta untuk penyiapan API native.
Apa Keterbatasan Muse Ember?
Tiga faktor menentukan apakah Ember cocok untuk alur kerja Anda berikutnya:
- Rekayasa kompleks tetap bergantung pada beban kerja. Ember tertinggal dari Haiku 5.5 pada FrontierCode 2.0-AA meski unggul pada Terminal-Bench. Kemenangan sempit dalam pengodean tidak menetapkan kelayakan untuk setiap perubahan skala repositori.
- Konteks panjang dan harga token rendah tidak menjamin biaya tugas rendah. Permintaan besar berpindah ke tier harga lebih tinggi, dan penggunaan alat berulang dapat mengonsumsi token cukup banyak hingga menutupi tarif per token yang rendah.
- Dukungan alat tetap memerlukan aplikasi. Sistem di sekeliling mengeksekusi panggilan, mengontrol izin, dan memvalidasi hasil. Kemampuan model untuk meminta tindakan tidak serta-merta menyediakan alur kerja yang andal.
Kesimpulan
Adopsi Ember di tempat kriteria penerimaan cukup jelas untuk diukur. Penerapan awal yang berguna adalah langkah volume tinggi yang sudah memiliki hasil diketahui, seperti merutekan tiket berlabel atau mengekstraksi kolom dari dokumen yang telah ditinjau. Bandingkan biaya per tugas yang berhasil, tingkat kesalahan, dan latensi terhadap model Anda saat ini sebelum memperluas perannya. Bukti itu akan memberi tahu Anda apakah Ember menurunkan biaya alur kerja Anda sambil mempertahankan kualitas yang dibutuhkan.
FAQ
Bagaimana Anda harus memvalidasi hasil ekstraksi Muse Ember?
Bangun set referensi dokumen dengan jawaban yang diperiksa manusia, termasuk kolom yang hilang, pemindaian yang tidak terbaca, dan nilai yang bertentangan. Ukur akurasi per kolom alih-alih memperlakukan setiap respons JSON yang valid sebagai keberhasilan. Periksa apakah setiap nilai yang diekstrak didukung oleh bagian sumber yang dikutip, dan kirim ketidakcocokan ke peninjauan. Ini memisahkan keandalan pemformatan dari keandalan faktual.
Kapan subtugas Muse Ember harus dikembalikan ke agen utama?
Tetapkan kondisi eskalasi sebelum eksekusi: berkas yang diperlukan berada di luar cakupan yang ditetapkan, sumber tidak sejalan, pemeriksaan penerimaan gagal berulang kali, atau tugas memerlukan keputusan yang tidak diotorisasi untuk dibuat oleh pekerja. Kembalikan bukti, langkah yang dicoba, dan pertanyaan yang belum terselesaikan ke agen utama. Serah terima yang jelas lebih berguna daripada membiarkan pekerja memperluas penugasannya tanpa batas.
Apa yang harus Anda catat saat menguji Muse Ember di produksi?
Catat penyedia dan pengenal model persisnya, pengaturan penalaran, token input dan token output yang ditagih, token yang di-cache, jumlah pemanggilan alat, percobaan ulang, latensi, dan hasil penerimaan akhir. Simpan hasil validasi berdampingan dengan catatan penggunaan agar Anda dapat menghitung biaya per tugas yang diterima. Bandingkan jenis tugas serupa secara terpisah; rata-rata lintas perutean, pengodean, dan pekerjaan dokumen panjang dapat menyembunyikan di mana model membantu atau menambah biaya.
Bagaimana Anda dapat mencegah tindakan duplikat dalam alur kerja Muse Ember?
Jadikan aplikasi bertanggung jawab atas identitas tindakan dan status penyelesaian. Untuk operasi seperti membuat tiket, tetapkan kunci operasi yang stabil, periksa apakah sudah selesai, dan gunakan dukungan idempotensi API tujuan bila tersedia. Setelah batas waktu, periksa status tindakan sebelum mencoba lagi. Desain ini menghindari memperlakukan respons yang tidak pasti sebagai bukti bahwa tindakan asli tidak pernah terjadi.
