The Pulse

Meta lancia Muse Ember a 0,10 dollari per milione di token in input

Muse Ember, il modello Muse più piccolo di Meta, punta sui sotto-compiti degli agenti agli stessi prezzi base di Haiku 5.5. Artificial Analysis gli assegna 36 punti a circa 0,14 dollari per compito; diversi confronti di Meta usano ambienti

AI.info Team · Scritto con l’IA · verificato · 2026-11-09

Meta ha aggiunto un modello più piccolo alla sua linea Muse. Muse Ember, rilasciato il 9 novembre, è il modello più piccolo ed economico dell’azienda ed è pensato per le operazioni che un agente di IA ripete continuamente: chiamare strumenti, gestire sotto-compiti di programmazione, instradare richieste, estrarre dati dai documenti e analizzare file lunghi. Meta indica un prezzo di 0,10 dollari per milione di token in input e 0,50 dollari per milione di token in output, le stesse tariffe base applicate da Anthropic a Claude Haiku 5.5 per i prompt più brevi.

La proposta punta sul costo in rapporto alle capacità, più che sulle capacità assolute. Meta afferma che Ember offre più intelligenza per dollaro di Haiku 5.5 o GPT-6 Luna di OpenAI a ogni livello di ragionamento riportato nel suo grafico, e che raggiunge all’incirca il punteggio del livello più alto di Haiku per circa un terzo del costo.

Cosa offre Meta e a quale prezzo

Il modello è disponibile tramite Meta Model API e Muse Code, l’agente di programmazione di Meta, con l’identificativo muse-ember-1.0. Accetta fino a 1 milione di token di contesto e può restituire fino a 512.000 token in output; Meta afferma inoltre che funziona con la Responses API.

Le tariffe di 0,10 e 0,50 dollari non esauriscono il listino. La tabella dei prezzi di Muse Code di Meta suddivide Ember in due fasce in base alla lunghezza del contesto:

• Richieste con meno di 200.000 token di contesto: 0,10 dollari per milione di token in input, 0,004 dollari per milione di token in input presenti nella cache, 0,50 dollari per milione di token in output.
• Richieste con oltre 200.000 token di contesto: 0,30 dollari in input, 0,012 dollari in input dalla cache e 1,50 dollari in output, per milione di token.

Haiku 5.5 di Anthropic usa uno schema simile a due fasce, con una soglia più bassa: 0,10 e 0,50 dollari per prompt fino a 100.000 token, e 0,50 e 2,50 dollari oltre tale soglia, con le letture dalla cache a 0,01 dollari nella fascia inferiore, secondo la tabella dei prezzi di Anthropic. Per i prompt lunghi, le tariffe a listino di Ember sono inferiori a quelle di Haiku; per quelli brevi, le tariffe in input e output sono uguali e i token in input dalla cache di Ember costano meno.

All’interno del catalogo di Meta, il divario è maggiore. Muse Spark 1.3, che Meta offre per la programmazione e il lavoro degli agenti, ha un prezzo a listino di 1,25 dollari per milione di token in input e 4,25 dollari per milione di token in output nella versione i cui dati non vengono usati per migliorare i prodotti di Meta.

I risultati dei benchmark e le note metodologiche

La società di valutazione Artificial Analysis assegna a Ember, al massimo livello di ragionamento, un punteggio di 36 nel suo Intelligence Index, contro una mediana di 24 per i modelli di una fascia di prezzo comparabile, e ne stima il costo a circa 0,14 dollari per compito dell’indice. Nella tabella di confronto di Meta, anche Haiku 5.5 ottiene 36 punti nello stesso indice e GPT-6 Luna ne ottiene 28. Muse Spark 1.3 ottiene 37 punti, uno in più, ma costa 2,39 dollari per compito, afferma Meta citando i dati di Artificial Analysis.

Il grafico di Meta riporta separatamente ogni livello di ragionamento. Al livello massimo, Ember ottiene 35,8 punti a 0,136 dollari per compito, mentre Haiku 5.5 raggiunge 36,2 punti a 0,411 dollari. Su questi dati si basa l’affermazione secondo cui il costo è «circa un terzo». La didascalia del grafico di Meta descrive i costi di Ember come stime basate sui prezzi proposti, mentre la nota a piè di pagina precisa che il costo per compito usa i prezzi di listino.

Prezzi bassi per token non significano pochi token. Artificial Analysis afferma che Ember ha prodotto 115 milioni di token in output durante l’esecuzione dell’indice, un risultato che definisce piuttosto verboso rispetto alla mediana di 90 milioni per la sua fascia.

La tabella più ampia dei benchmark di Meta, tutti al massimo livello di ragionamento, mostra Ember in vantaggio nella maggior parte delle righe e in svantaggio in una:

• AutomationBench-AA, l’insieme privato di Zapier di 657 compiti relativi a flussi di lavoro aziendali, eseguiti da Artificial Analysis: Ember 37,8%, GPT-6 Luna 20,2%, Haiku 5.5 13,9%.
• Terminal-Bench 4.0: Ember 40,9%, Haiku 5.5 39,2%, Luna 16,4%.
• OSWorld 2.1, uso del computer su desktop, con punteggio parziale: Ember 69,5%, Haiku 5.5 68,9%, Luna 50,5%. Nella misura rigorosa dei compiti completati interamente, i valori sono rispettivamente 33,8%, 27,8% e 17,0%.
• FrontierCode 2.0-AA, compiti su repository reali valutati in base alla disponibilità di un manutentore a integrarli: Haiku 5.5 è in testa con il 34,9%, seguito da Ember con il 27,2% e Luna con il 25,2%.

Il rapporto metodologico pubblicato da Meta insieme al lancio spiega perché alcuni di questi numeri non sono direttamente comparabili. Su Terminal-Bench 4.0, il risultato di Ember proviene dall’esecuzione di Artificial Analysis nell’ambiente mini-swe-agent, quello di Haiku è il dato dichiarato dalla stessa Anthropic tramite Claude Code e quello di Luna è il risultato di Codex nella classifica pubblica. Su Agents’ Last Exam, Meta ha eseguito la suddivisione dei compiti per Linux e ha escluso cinque dei 105 compiti del benchmark per ogni modello. OSWorld 2.1 è stato eseguito in un ambiente interno anziché con lo strumento di esecuzione ufficiale. Meta definisce inoltre le proprie esecuzioni interne sui modelli concorrenti come effettuate al meglio delle possibilità, osservando che prompt, strumenti e ambiente di esecuzione potrebbero non essere ottimizzati per i modelli rivali. Diverse righe, tra cui Agents’ Last Exam, OSWorld e PerceptionBench, riportano valutazioni di Meta anziché risultati di terze parti.

Costruito a partire da Muse Wonder Full

Quando Meta ha presentato Muse Wonder e Muse Wonder Full, ha dichiarato che avrebbe fatto leva sui due modelli per costruire modelli specializzati da rendere disponibili a tutti. Ember è il primo modello addestrato usando Muse Wonder Full, afferma Meta. L’azienda descrive ora una gamma in tre parti: Wonder per i problemi più difficili, Spark per la programmazione e i flussi di lavoro degli agenti, ed Ember per i compiti ripetibili su larga scala. Suggerisce di abbinarli, affidando a Wonder la pianificazione e a Ember la gestione dei volumi.

Ember non è un modello rilasciato con pesi aperti: Artificial Analysis lo classifica come proprietario e afferma che Meta non ne ha divulgato le dimensioni né il numero di parametri.

Meta afferma che Ember comprende nativamente testo, immagini, audio e video. La scheda di Artificial Analysis riporta input testuali e visivi e output testuali.

Cosa hanno riferito i primi tester

L’annuncio di Meta include commenti di Box, Cline, Oracle, Cloudflare e You.com, che hanno testato il modello prima del rilascio. Il direttore tecnologico di Cloudflare ha richiamato l’attenzione sulla latenza:

Ciò che è emerso nei nostri test è stata la velocità. Muse Ember è stato fino al 30% più veloce nei casi di latenza più alta rispetto al modello comparabile che abbiamo testato e ha gestito bene compiti di indagine ad ampio raggio su più repository.

Dane Knecht, direttore tecnologico, Cloudflare

Il responsabile dell’inferenza di You.com, Chak Pothina, ha affermato che Ember ha completato ogni compito di programmazione nei test dell’azienda con una latenza p95 di 2,2 secondi, un risultato che ha descritto come «da circa 4 a 13 volte più veloce dei principali modelli con pesi aperti», con il 36–48% di token in output in meno. Si tratta di risultati dei partner pubblicati da Meta, non di test indipendenti.

Test di sicurezza

Meta afferma di aver valutato Ember secondo il proprio Meta Superintelligence Scaling Framework, esaminando i rischi chimici e biologici, quelli legati alla cybersicurezza e alla perdita di controllo, e di aver riscontrato che il modello è rimasto al di sotto delle soglie di rischio elevato previste dal quadro nelle categorie valutate. L’azienda afferma che il modello più piccolo ha ricevuto lo stesso addestramento di base sulla sicurezza dei suoi modelli più grandi e che ne ha testato il comportamento quando agisce per conto degli utenti, compresa la resistenza alle istruzioni nascoste in pagine web, documenti o output degli strumenti e la richiesta di un intervento umano prima di azioni ad alto impatto.

Meta conclude affermando di avere in addestramento modelli più efficienti. Artificial Analysis indica un fornitore di API per Ember, mentre Meta afferma che Muse Ember, Muse Spark e Muse Wonder sono ora disponibili su Google Cloud e Oracle Cloud.