Meta lanzó Muse Ember el 9 de noviembre, y la propuesta es contundente. Este no es el modelo más inteligente de la sala. Es el trabajador barato al que envías a hacer los trabajos que se acumulan cuando un agente funciona todo el día.
Los agentes gastan la mayoría de sus tokens en pasos pequeños. Llaman herramientas, leen archivos, enrutan solicitudes, extraen datos de documentos largos y corrigen piezas pequeñas de código. Meta dice que Ember fue construido exactamente para esa carga, y con un precio que permite a los equipos ejecutarlo en volumen sin enviar cada paso a un modelo de frontera.
El anuncio
Meta llama a Ember su modelo más pequeño y más eficiente. Pequeño aquí significa costo y huella, no contexto. El modelo puede recibir 1,048,576 tokens en una sola llamada y devolver hasta 512K tokens de salida, según Meta. Eso es espacio suficiente para una base de código completa o un conjunto grande de documentos en una sola solicitud.
El modelo es multimodal por defecto. Lee texto, imágenes, audio y video, así que un agente puede trabajar a partir de capturas de pantalla, gráficos, documentos escaneados, notas de voz y grabaciones de reuniones sin llamar a un segundo modelo. Meta también dice que Ember es el primer modelo que entrenó usando Muse Wonder Full, la versión grande de su modelo de frontera.
La división buscada está clara en la propia línea de Meta: Muse Wonder planifica, Muse Ember se encarga del volumen. Un modelo más grande establece el plan y las reglas. Luego Ember los aplica en muchos casos, herramientas y archivos. Hemos visto la misma división crecer en herramientas como Perplexity Teammates, donde el valor no es una respuesta ingeniosa sino trabajo que sigue funcionando.
Detalles importantes
| Detalle | Muse Ember |
|---|---|
| ID del modelo | muse-ember-1.0 |
| Disponible en | Muse Code, Meta Model API, Google Cloud, Oracle Cloud |
| Precio de entrada | $0.10 por millón de tokens |
| Precio de entrada en caché | $0.004 por millón de tokens |
| Precio de salida | $0.50 por millón de tokens |
| Ventana de contexto | 1,048,576 tokens |
| Salida máxima | 512K tokens |
| Entradas | Texto, imágenes, audio, video |
Meta publicó afirmaciones de pruebas de rendimiento de Artificial Analysis con fecha del 9 de noviembre. En el Artificial Analysis Index con razonamiento máximo, Ember obtuvo 36, la misma puntuación redondeada que Claude Haiku 5.5 y por delante de GPT-6 Luna con 28. En AutomationBench-AA, que prueba flujos de trabajo empresariales de principio a fin, Meta reporta 37.8 para Ember, 20.2 para Luna y 13.9 para Haiku.
Hay que leer esos números como afirmaciones de lanzamiento, no como prueba cerrada. La tabla proviene de Meta y Artificial Analysis, y Meta eligió qué modelos rivales y qué pruebas mostrar. Ember también quedó detrás de Haiku en una prueba de codificación de la misma tabla, FrontierCode 2.0-AA, con 27.2 frente a 34.9. La lectura honesta es más estrecha: Ember se ve sólido en pruebas de flujo de trabajo y cercano en puntuaciones generales, a un precio de lista mucho menor.
Meta dice que probó Ember antes del lanzamiento bajo su marco de escalamiento para riesgos químicos y biológicos, riesgos cibernéticos y riesgos de pérdida de control. Dice que el modelo se mantuvo por debajo de los umbrales de alto riesgo en las áreas que evaluó, y que recibió el mismo entrenamiento central de seguridad que los modelos Muse más grandes. Esas son declaraciones de Meta sobre sus propias pruebas.
Qué sigue
Los pasos confirmados son simples. Ember ya está activo, admite la Responses API, y Meta dice que ya se están entrenando modelos más eficientes. No se anunciaron pesos abiertos, y Meta no publicó un conteo de parámetros en la publicación de lanzamiento.
Las preguntas abiertas son sobre cargas de trabajo reales. Las tareas de prueba son ordenadas. Los agentes de producción se topan con archivos desordenados, herramientas extrañas y cadenas largas donde un paso malo puede arruinar el resto. Los equipos aprenderán más de sus propios registros de enrutamiento en una semana que de cualquier gráfico de lanzamiento.
La conclusión trata de presión de precios, no de derechos para presumir. Cuando el modelo trabajador cuesta tan poco, los rivales tienen que justificar por qué sus modelos pequeños cuestan más por el mismo trabajo repetido. Esa presión cae sobre Haiku, sobre Luna y sobre cada plataforma de agentes que traslada los costos del modelo directamente a sus usuarios.
Hechos verificados el 10 de noviembre de 2026, frente al anuncio de Meta con fecha del 9 de noviembre de 2026.
Fuentes
- Meta, Introducing Our Smallest, Most Efficient Model: Muse Ember, November 9, 2026: https://research.meta.ai/blog/muse-ember
- TechCrunch, Meta releases Muse Ember, a new lightweight model for agent execution, November 9, 2026: https://techcrunch.com/2026/11/09/meta-releases-muse-ember-a-new-lightweight-model-for-agent-execution/
- SiliconANGLE, Meta introduces Muse Ember to power cost efficient AI agents, November 9, 2026: https://siliconangle.com/2026/11/09/meta-introduces-muse-ember-to-power-cost-efficient-ai-agents/
FIN DE LA TRANSMISIÓN
Mantén la curiosidad. Cuestiónalo todo.
