Інструменти / Аналіз
Meta показала, як Muse Ember переносить 16 лексерів під керівництвом більшої моделі
Ember виконує повторювані завдання з кодом і документами за базовою ціною $0,10 за мільйон вхідних токенів. Приклади Meta пояснюють, чому важливіші повна вартість роботи та правильність результату.

Шістнадцять виконавців беруть окремі частини кодової бази Python і переписують їх на Rust. Більша модель готує завдання та перевіряє результат; менша виконує повторювану роботу. Так Meta демонструє Muse Ember — модель, яку компанія представила 9 листопада для завдань, що постійно повторюються всередині AI-агентів.
Ember доступна через Meta Model API та Muse Code під ідентифікатором muse-ember-1.0. За документацією Meta, вона приймає текст, зображення, аудіо, відео й PDF та повертає текст. Контекстне вікно становить 1 048 576 токенів, максимальна відповідь — 524 288. Контекстне вікно визначає обсяг інформації, яку можна передати моделі, але саме по собі не гарантує однаково уважної роботи з кожною її частиною.
Один планувальник і багато окремих завдань
Значна частина роботи агента може складатися з невеликих операцій: прочитати файл, знайти поле, змінити один модуль або передати запит потрібному інструменту. Якщо кожен крок викликає велику модель, вартість накопичується, навіть коли складне міркування потрібне лише час від часу.
Meta пропонує доручити повторювані дії Ember, а планування та складніші рішення залишити Muse Wonder або Muse Spark. При цьому документація прямо уточнює межу: для складних одноразових завдань із програмування, питань із великим обсягом спеціальних знань і візуальних завдань із кодом компанія радить більшу модель.
Приклад перенесення з Python на Rust показує, як це працює. Команда переносить 16 лексерів Pygments — частин програми, які розпізнають у коді ключові слова, рядки, коментарі та інші елементи. Wonder планує й координує роботу, а окремі виконавці на Ember займаються перенесенням. За даними Meta, результат збігся з оригіналом на 383 тестових входах і 62 додаткових файлах із 18 публічних репозиторіїв, які надали лише після завершення роботи над кодом. Вартість моделей для цього запуску компанія оцінює приблизно у $3,96; результати різних запусків можуть відрізнятися.
Це демонстрація компанії, яку ми не відтворювали самостійно, а не гарантія для будь-якого проєкту. Наявність оригінальних реалізацій і перевірок тут важлива: вони дають виконавцям конкретну ціль і спосіб знайти помилки. Роботу зі спільними файлами, нечіткими вимогами чи без еталона складніше поділити та перевірити.
Джерела: Meta for Developers [2] · Meta for Developers [3]
Що тут означає мультимодальність
Модель працює не лише з кодом. Meta заявляє підтримку зображень, відео, аудіо, PDF і тексту на вході; результатом залишається текст. Йдеться про розуміння різних типів матеріалів у процесі роботи, а не про генерацію готових відео чи зображень.
В іншому прикладі Meta описує сортування 10 000 фотографій. Wonder обирає категорії за вибіркою, пише конвеєр і запускає 16 виконавців на Ember. Кожен запит містить по вісім фотографій; Ember повертає підписи й назви альбомів, а конвеєр перейменовує та розкладає файли. За словами Meta, приблизно для 86% фотографій обрані альбоми збіглися з найближчими категоріями набору даних. Ця цифра корисна саме тому, що «обробити всі файли» та «правильно їх упорядкувати» — різні результати.
На сторінці розробників компанія наводить дві різні підсумкові вартості цього запуску, тому ми не подаємо жодну з них як остаточно перевірений рахунок. Сам приклад усе ж показує компроміс: паралельна обробка прискорює роботу з великим масивом, але якість підписів і категорій потрібно перевіряти відповідно до конкретної колекції.
Джерела: Meta for Developers [2] · Meta for Developers [3]
Ціна залежить від усієї роботи
Для запитів до 200 000 вхідних токенів Meta вказує $0,10 за мільйон вхідних токенів, $0,004 за мільйон кешованих вхідних і $0,50 за мільйон вихідних. Понад 200 000 вхідних токенів тарифи зростають відповідно до $0,30, $0,012 і $1,50. Це важливо для агента, який щоразу передає довгу історію розмови або великий документ: мільйонне контекстне вікно доступне, але більший запит переходить на інший тариф.
Вищий тариф застосовується до всього запиту, а не лише до токенів понад 200 тисяч. До порога зараховуються кешовані вхідні дані та історія збереженої розмови. Тому постійне додавання контексту може змінити вартість роботи, навіть якщо кожне нове завдання для виконавця залишається коротким.
Так само варто читати порівняння в тестах. 10 листопада Artificial Analysis вказувала для Ember у режимі максимального міркування 36 балів Intelligence Index v5.0.1 та орієнтовну вартість близько $0,14 за завдання індексу. Ця сума залежить від токенів у тестовому наборі; це не ціна кожного запиту й не прогноз для іншого процесу. У дописі Meta для розробників наведено близько $0,13, тоді як актуальна сторінка Artificial Analysis на момент перевірки показувала $0,14.
У таблиці Meta Ember, GPT-6 Luna та Claude Haiku 5.5 порівнюються в режимі максимального міркування. Ember набрала 37,8% в AutomationBench-AA проти 20,2% у Luna та 13,9% у Haiku. У FrontierCode 2.0-AA її 27,2% нижчі за 34,9% Haiku і вищі за 25,2% Luna. Це результати зазначених умов тестування; вони не встановлюють універсального рейтингу для всіх завдань чи середовищ агента.
Джерела: Meta for Developers [4] · Artificial Analysis [5] · Meta AI Research [1] · Meta for Developers [2]
Результат Intelligence Index та орієнтовна вартість завдання
Порівняння Meta використовує результати Artificial Analysis від 9 листопада 2026 року та стандартні тарифи Ember. Кожна точка відповідає режиму міркування; орієнтовна вартість стосується тестового навантаження, а не кожного застосування моделі.
Як оцінити такий розподіл
Ember дає розробникам змогу витрачати ресурси більшої моделі на планування, а повторювані вузькі завдання виконувати за нижчим тарифом. Економія залежить від того, наскільки вдало поділено роботу: чітка відповідальність за файли, обмежений спільний контекст і результат, який можна перевірити, роблять такий розподіл корисним.
У прикладі з кодом є еталонна реалізація та перевірка відповідності розпізнаних елементів. У прикладі з фотографіями — показник узгодженості категорій. Ці перевірки є частиною процесу поряд з агентами. Щоб оцінити Ember у власному проєкті, потрібно разом порахувати планування, роботу виконавців, повторні спроби й перевірку, а результат порівняти з критерієм правильності, визначеним до запуску.
Джерела: Meta for Developers [2] · Meta for Developers [3]
ДЖЕРЕЛА ТА МЕТОД
Що стоїть за цим матеріалом
Перевірено 10 листопада 2026 року. Доступність і тарифи наведено за документацією Meta; результати перенесення коду та сортування фото — за описом запусків компанії. Результат незалежного індексу наводить Artificial Analysis. Signals не відтворював ці процеси й не проводив власного порівняльного тесту моделі.
- Introducing Our Smallest, Most Efficient Model: Muse Ember Meta AI Research · 9 November 2026
- Start building with Muse Ember, our smallest, most efficient model Meta for Developers · 9 November 2026
- Muse Ember — Meta Model API Meta for Developers
- Pricing and rate limits — Muse Ember Meta for Developers
- Muse Ember (max): intelligence, performance and price analysis Artificial Analysis




