메타는 11월 9일 자사에서 가장 작고 효율이 높다고 밝힌 모델 Muse Ember를 공개했다. 주된 용도는 AI 에이전트가 자주 처리하는 잡무다. 도구 호출, 코딩 하위 작업, 라우팅, 정보 추출, 긴 문서 분석 등이 꼽힌다. 텍스트, 이미지, 오디오, 영상을 기본으로 지원하며 컨텍스트는 100만 토큰, 1회 최대 출력은 51만 2,000토큰이다.
Ember는 현재 Meta Model API(모델명 muse-ember-1.0, Responses API 지원)와 Muse Code를 통해 제공된다. Google Cloud와 Oracle Cloud에서도 이용할 수 있고, 개발자는 dev.meta.ai에서 써볼 수 있다. 발표 페이지에는 오픈 웨이트 언급이 없어, 현재 정보로는 API 전용 모델로 보인다. 메타는 Ember가 Muse Wonder Full로 학습한 첫 모델이라는 점도 밝혔다.
가격은 두 구간
Ember는 프롬프트 길이에 따라 구간별로 과금하며, 가격은 100만 토큰 기준이다.
| 항목 | 20만 토큰 이내 | 20만 토큰 초과 |
|---|---|---|
| 입력 | 0.10달러 | 0.30달러 |
| 캐시 입력 | 0.004달러 | 0.012달러 |
| 출력 | 0.50달러 | 1.50달러 |
같은 Muse 계열의 Muse Spark 1.3은 입력 1.25달러, 출력 4.25달러다. Artificial Analysis 지능 지수에서 두 모델은 각각 36과 37로 1점 차이에 불과하지만, 평가 과제 하나당 비용은 0.14달러 대 2.39달러로 약 17배 차이가 난다.
벤치마크는 승패가 갈린다
메타는 max 추론 강도의 Ember를 Claude Haiku 5.5, GPT-6 Luna와 비교했다. 격차가 가장 큰 것은 AutomationBench-AA로, Ember 37.8%, Haiku 5.5 13.9%, GPT-6 Luna 20.2%다. 컴퓨터 조작 벤치마크 OSWorld 2.1(이진 채점)에서는 Ember가 33.8%, Haiku 5.5가 27.8%다. Terminal-Bench 4.0에서 Ember는 40.9%로, Haiku 5.5의 39.2%보다 1.7%포인트 높은 데 그쳤다.
밀린 항목은 코딩이다. FrontierCode 2.0-AA에서 Ember는 27.2%, Haiku 5.5는 34.9%다. GDP.pdf-AA에서는 GPT-6 Luna와 같은 22.8%였다. 종합 Artificial Analysis Index는 Ember와 Haiku 5.5가 모두 36, Luna는 28이다.
비용 산점도에는 더 세부적인 수치가 나온다. Ember의 두 추론 단계는 작업당 각각 0.116달러, 0.136달러이고 지수는 33.9와 35.8이다. Haiku 5.5는 0.411달러 단계에 가서야 지수 36.2에 도달한다. 지수가 같은 수준일 때 Ember의 작업당 비용은 Haiku 5.5의 약 3분의 1이다.
서브 에이전트 하나의 일일 청구액 어림하기
발표 페이지의 가격으로 대략 계산해 보자. 코딩 서브 에이전트가 호출 한 번에 3만 토큰을 읽고 2,000토큰을 출력한다고 가정한다. 이 가운데 2만 토큰은 캐시에 적중하는 시스템 프롬프트와 코드 컨텍스트다.
- 캐시되지 않은 입력 1만 토큰: 약 0.001달러
- 캐시 입력 2만 토큰: 약 0.00008달러
- 출력 2,000토큰: 약 0.001달러
1회 약 0.002달러, 하루 1만 번 호출하면 약 21달러다. 이는 20만 토큰 이내 가격일 뿐이며, 긴 문서 분석이 이 선을 넘으면 세 항목의 단가가 동시에 세 배로 오른다. 실제 청구액은 추론 단계에서 생기는 사고 토큰에도 좌우되는데, 발표 페이지에는 이 부분의 과금 방식이 따로 나와 있지 않다.
파트너사의 평가는 속도에 집중돼 있다. You.com은 구체적인 지연 시간 수치를 제시했다.
"with the lowest latency of any model we tested: a p95 of 2.2 seconds"
(우리가 테스트한 모든 모델 중 지연 시간이 가장 낮으며, p95는 2.2초)
Cline은 코딩, 문서 분석 같은 서브 에이전트 작업에 적합하다고 말했다. 안전 측면에서 메타는 출시 전에 자사의 초지능 확장 프레임워크로 평가했으며, 화학·생물, 사이버 보안, 통제 상실 세 가지 위험이 모두 고위험 임계치 아래였다고 밝혔다. 위의 벤치마크 수치는 모두 메타가 공개한 것으로, 독립적인 재검증 결과는 아직 나오지 않았다.
참고 출처: CocoLoop, Meta 공식 리서치 블로그. 구간별 가격, 각 벤치마크 점수, 작업당 비용, 파트너사 발언은 블로그에서 확인했으며, 일일 청구액은 공개 단가를 바탕으로 한 추산이다.