Meta merilis Muse Ember pada 9 November, yang disebut sebagai model terkecil dan paling efisien yang dimilikinya saat ini. Model ini ditujukan untuk pekerjaan remeh berfrekuensi tinggi yang dikerjakan agen AI: pemanggilan alat, subtugas coding, routing, ekstraksi informasi, dan penguraian dokumen panjang. Model ini mendukung teks, gambar, audio, dan video secara native, dengan konteks 1 juta token dan output maksimal 512.000 token per permintaan.
Ember kini tersedia lewat Meta Model API (nama model muse-ember-1.0, mendukung Responses API) dan Muse Code. Model ini juga sudah tayang di Google Cloud dan Oracle Cloud, dan pengembang dapat mencobanya di dev.meta.ai. Halaman pengumuman tidak menyebut bobot terbuka, sehingga berdasarkan informasi saat ini model ini hanya tersedia lewat API. Meta juga menyebut Ember sebagai model pertama yang dilatih dengan Muse Wonder Full.
Harga dua tingkat
Ember dihargai berdasarkan panjang prompt, per sejuta token:
| Item | Hingga 200.000 token | Di atas 200.000 token |
|---|---|---|
| Input | US$0,10 | US$0,30 |
| Input ter-cache | US$0,004 | US$0,012 |
| Output | US$0,50 | US$1,50 |
Saudaranya, Muse Spark 1.3, dihargai US$1,25 untuk input dan US$4,25 untuk output. Pada indeks kecerdasan Artificial Analysis keduanya mencetak 36 dan 37, hanya selisih 1 poin, tetapi biaya satu tugas evaluasi adalah US$0,14 berbanding US$2,39, selisih sekitar 17 kali lipat.
Hasil benchmark: ada menang, ada kalah
Meta membandingkan Ember pada tingkat penalaran max dengan Claude Haiku 5.5 dan GPT-6 Luna. Selisih terbesar ada di AutomationBench-AA: Ember 37,8%, Haiku 5.5 13,9%, GPT-6 Luna 20,2%. Pada OSWorld 2.1 untuk pengoperasian komputer, dengan penilaian biner, Ember meraih 33,8% dan Haiku 5.5 27,8%. Di Terminal-Bench 4.0, Ember mencetak 40,9%, hanya 1,7 poin persentase di atas Haiku 5.5 yang 39,2%.
Yang kalah adalah coding. Di FrontierCode 2.0-AA, Ember mendapat 27,2% sementara Haiku 5.5 34,9%; di GDP.pdf-AA skornya sama dengan GPT-6 Luna, yaitu 22,8%. Pada Artificial Analysis Index gabungan, Ember dan Haiku 5.5 sama-sama 36, sedangkan Luna 28.
Diagram sebar biaya memberi angka yang lebih rinci. Dua tingkat penalaran Ember masing-masing menghabiskan US$0,116 dan US$0,136 per tugas, dengan indeks 33,9 dan 35,8. Haiku 5.5 baru mencapai indeks 36,2 pada tingkat US$0,411. Pada indeks yang sama, biaya per tugas Ember sekitar sepertiga dari Haiku 5.5.
Perkiraan tagihan harian satu subagen
Berikut perhitungan kasar dengan harga di halaman pengumuman. Anggap sebuah subagen coding membaca 30.000 token dan mengeluarkan 2.000 token per panggilan, dengan 20.000 token di antaranya berupa system prompt dan konteks kode yang kena cache:
- Input tanpa cache 10.000 token: sekitar US$0,001
- Input ter-cache 20.000 token: sekitar US$0,00008
- Output 2.000 token: sekitar US$0,001
Satu panggilan sekitar US$0,002, dan 10.000 panggilan sehari sekitar US$21. Ini hanya harga di bawah 200.000 token; begitu penguraian dokumen panjang melewati batas itu, ketiga harga satuan naik tiga kali lipat sekaligus. Tagihan sebenarnya juga bergantung pada token berpikir yang dihasilkan tiap tingkat penalaran, dan halaman pengumuman tidak merinci cara penagihan bagian ini.
Umpan balik dari mitra berpusat pada kecepatan. You.com menyebut angka latensi yang konkret:
"with the lowest latency of any model we tested: a p95 of 2.2 seconds"
(latensi terendah dari semua model yang kami uji, p95 sebesar 2,2 detik.)
Cline menilai model ini cocok untuk pekerjaan subagen seperti coding dan analisis dokumen. Dari sisi keamanan, Meta menyatakan telah mengevaluasi model ini sebelum rilis dengan kerangka kerja Superintelligence Scaling miliknya, dan ketiga jenis risiko, yaitu kimia-biologi, keamanan siber, dan hilangnya kendali, berada di bawah ambang risiko tinggi. Semua angka benchmark di atas dipublikasikan oleh Meta, dan hasil uji ulang independen belum ada.
Sumber: CocoLoop, blog riset resmi Meta; blog tersebut dipakai untuk memverifikasi harga bertingkat, skor setiap evaluasi, biaya per tugas, dan kutipan mitra, sedangkan tagihan harian adalah estimasi berdasarkan harga satuan yang dipublikasikan.