Meta mengumumkan peluncuran Muse Ember pada 9 November, memposisikan model baru ini sebagai solusi hemat biaya untuk pekerjaan repetitif yang menjaga operasional agen AI. Berbeda dengan saudara tertingginya, Muse Wonder, Ember dibangun untuk menangani aksi bervolume tinggi dan kompleksitas rendah seperti routing permintaan, ekstraksi data dokumen, pemrosesan file panjang, dan tugas pemrograman sederhana. Perusahaan memasarkan model ini sebagai “mesin volume” yang bekerja selaras dengan Muse Wonder, yang membuat keputusan strategis sementara Ember melaksanakan langkah-langkah yang diperlukan.

Kemampuan dan harga model

Muse Ember adalah entri keempat dalam seri Muse dari Meta, menyusul Muse Spark, Muse Glimmer, dan Muse Wonder. Model ini dapat diakses melalui Meta Model API dan Muse Code, menawarkan jendela konteks satu juta token serta dukungan multimodal untuk gambar, audio, dan video. Harga ditetapkan sebesar $0,10 per juta token input, $0,004 per juta token input yang di-cache, dan $0,5 per juta token output, sebuah struktur yang menurut Meta membuat operasi agen berskala besar jauh lebih murah daripada alternatif yang ada.

Benchmark performa independen

Artificial Analysis mengevaluasi Ember terhadap model-model terkemuka. Suite pengujian memberikan skor Intelligence Index 36 untuk Ember, identik dengan Claude Haiku 5.5 dari Anthropic, tetapi biaya estimasi Ember per tugas benchmark adalah $0,14 dibandingkan $0,41 untuk Claude Haiku. Pada AutomationBench-AA, Ember mencetak skor 68,1%, menyamai Muse Wonder, sementara performa pemrogramannya bervariasi: melampaui Claude Haiku pada Terminal-Bench 4.0 (40,9% vs 32,8%) tetapi tertinggal pada FrontierCode 2.0 (27,2% vs 34,9%). Pengetahuan umum tetap menjadi titik lemah, dengan Ember hanya mencapai akurasi 21,1% pada AA-Omniscience dan melewatkan 64% kueri. Tingkat halusinasi model relatif rendah di angka 17,4%, mencerminkan gaya respons yang konservatif.

Reaksi industri dan konteks pasar

Mitra awal menyoroti kecepatan dan utilitas tugas spesifik Ember. CTO Cloudflare, Dane Knecht, melaporkan waktu inferensi yang cepat, sementara kepala inferensi You.com, Chak Pothina, mencatat kemampuan model untuk menilai kontrak per klausul terhadap playbook negosiasi. Meskipun ada anekdot menjanjikan ini, analis memperingatkan bahwa biaya token yang lebih rendah tidak otomatis berujung pada nilai bisnis yang lebih tinggi. Gartner memproyeksikan pengeluaran agen AI akan mencapai $29,2 miliar pada 2026, dan IDC mengharapkan biaya per aksi turun 95% pada 2030, meskipun biaya pengiriman token keseluruhan meningkat drastis. Kekhawatiran seputar privasi data, keamanan, dan tata kelola tetap menjadi isu utama, dengan 73% perusahaan yang disurvei mengungkapkan kekhawatiran, menurut FII Institute.