Meta выпускает Muse Ember: легковесную модель для агентских задач

Конкретные показатели на платформе Artificial Analysis показывают, что Ember набирает 33.9 балла при стоимости задачи $0.116 и 35.8 балла при $0.136. Это делает ее эффективнее любой настройки рассуждений (reasoning setting) от GPT-6 Luna. Модель превосходит конкурентов в задачах, где важна скорость принятия решений и точность вызова API, обеспечивая максимальную отдачу от каждого инвестированного цента.

• Score (Artificial Analysis): 35.8 при $0.136 за задачу
• Сравнение с Claude Haiku 5.5: Эффективность в 3 раза выше по стоимости
• Сравнение с GPT-6 Luna: Превосходство во всех настройках reasoning-per-dollar
• Методология: Оценка проводилась на основе стоимости выполнения конкретных агентских задач

Ценообразование API

Meta представила крайне агрессивную ценовую политику, направленную на захват рынка агентских решений. Предложенные тарифы делают внедрение Muse Ember в высоконагруженные системы практически неограниченным по масштабу.

Стоимость использования через Meta Model API составляет всего $0.10 за миллион входных токенов и $0.50 за миллион выходных токенов. Такая структура цен позволяет разработчикам запускать циклы рассуждений (reasoning loops), которые раньше были экономически нецелесообразными из-за высокой стоимости токенов флагманских моделей.

• Входные токены (Input): $0.10 / 1M tokens
• Выходные токены (Output): $0.50 / 1M tokens
• Доступность: Meta Model API и Muse Code

Сценарии использования (Use Cases)

Благодаря своей архитектуре, Muse Ember идеально подходит для задач, требующих высокой частоты вызовов. В разработке ПО она может выступать в роли 'микро-агента', который берет на себя написание юнит-тестов, рефакторинг небольших функций или выполнение специфических подзадач в рамках более крупного процесса кодинга.

В корпоративном секторе модель может использоваться для интеллектуального парсинга длинных юридических или финансовых документов, автоматической маршрутизации входящих тикетов в службы поддержки и извлечения структурированных данных из неструктурированных потоков аудио и текста. Ее способность работать с контекстом в 1 млн токенов делает ее незаменимой в RAG-системах (Retrieval-Augmented Generation) нового поколения.

• Автономные агенты: Tool calling и планирование задач
• Программирование: Coding subtasks и автоматизация тестов
• Data Engineering: Извлечение данных и парсинг документов
• RAG: Обработка сверхдлинных контекстов

Как начать работу

Muse Ember уже доступна для интеграции. Разработчики могут получить доступ к модели через Meta Model API, что позволяет использовать ее в любых кастомных приложениях. Для тех, кто работает непосредственно с кодом, модель интегрирована в среду Muse Code.

Рекомендуется начать с тестирования модели на задачах маршрутизации (routing) и извлечения (extraction), чтобы оценить экономическую выгоду по сравнению с текущими решениями от Anthropic или OpenAI. Благодаря поддержке стандартных SDK, переход на Muse Ember должен быть бесшовным для большинства существующих агентских фреймворков.

• Доступ через Meta Model API
• Интеграция в Muse Code
• Поддержка мультимодальных запросов (текст/аудио/фото)

API Pricing — Input: $0.10 per million tokens (proposed) / Output: $0.50 per million tokens (proposed) / Context: 1,000,000 tokens

Sources