Meta выпустила Muse Ember — лёгкую ИИ-модель для агентных задач

В понедельник Meta Superintelligence Lab выпустила новую ИИ-модель Muse Ember — самую лёгкую и экономичную в своей линейке. Об этом сообщает TechCrunch. Модель предназначена для сложных рассуждений и тех задач, которые агенты выполняют постоянно: вызовов инструментов, подзадач кодинга, маршрутизации, извлечения информации и разбора длинных документов. Ключевое преимущество Ember — низкая стоимость: 10 центов за миллион входных токенов.

Для чего нужна Muse Ember

Meta делает акцент на стоимости выполнения задачи (cost-per-task). Для сравнения используется композитный бенчмарк Artificial Analysis, по которому Ember оказывается дешевле и умнее конкурентов вроде Anthropic Haiku и OpenAI Luna. При цене 10 центов за миллион входных токенов модель значительно дешевле передовых конкурентов и сопоставима по стоимости с открытыми решениями, такими как DeepSeek V4.1 Flash и GLM 5.3 Flash.

Модель спроектирована для работы в паре с более крупной моделью, например Meta Muse Wonder, в агентной среде. В случае агента поддержки клиентов тяжёлая модель может устанавливать правила обработки конкретного вопроса, а лёгкая — применять эти правила к десяткам тысяч случаев. Как формулирует сама Meta: «Muse Wonder планирует, Muse Ember обрабатывает объём».

Мультимодальность и место в линейке

С учётом объёмных сценариев Ember обучена работать с разными типами медиа: текстом, изображениями и аудио. Это позволяет агенту читать скриншоты, графики и сканированные документы, а также обрабатывать голосовые заметки, записи встреч и видео без отдельной модели.

Ember стала четвёртой моделью под брендом Muse. До неё вышли средняя Spark (в апреле), её открытая версия Glimmer (в августе) и флагманская Wonder (в октябре). Флагманский потребительский продукт Muse Agent был выпущен в сентябре и, по данным TechCrunch, имел неожиданный успех; новые функции Spaces и видеочат появились ранее в этом месяце.

Что это значит

Выпуск Muse Ember показывает, что Meta развивает линейку моделей не только в сторону наращивания возможностей, но и в сторону снижения стоимости выполнения массовых операций. Ориентация на экономичность и мультимодальность делает модель инструментом для агентных сценариев, где важна цена за задачу, а не только пиковые показатели бенчмарков. Для рынка это ещё один сигнал, что конкуренция смещается к эффективности моделей при обработке больших объёмов данных.