Meta AI 10 ноября 2026 года представила Muse Ember — компактную модель для агентных задач, вызовов инструментов, подзадач программирования, извлечения данных и разбора длинных документов. Базовая цена совпадает с GPT-6 Luna и Claude Haiku 5.5: $0,10 за миллион входных токенов и $0,50 за миллион выходных. Но у Ember повышенный тариф начинается после 200 тысяч токенов в промпте — раньше, чем у Luna.
Автор Simon Willison называет Ember ответом Meta AI в категории недорогих моделей уровня Claude Haiku и GPT Luna. По его наблюдениям, модель также умеет выбирать один из шести уровней рассуждений — от minimal до max.
Muse Ember — не «дешёвая болталка», а модель для повторяющейся работы агентов
Meta AI позиционирует Muse Ember как свою самую маленькую и эффективную модель для сложного выполнения рассуждений. В описании релиза перечислены конкретные сценарии: tool calls (вызовы внешних инструментов), coding subtasks (небольшие задачи по программированию), маршрутизация, извлечение информации и парсинг объёмных документов.
Это важное позиционирование. Ember не предлагают оценивать как универсальную флагманскую модель для самых сложных диалогов или генерации больших творческих текстов. Судя по заявленным сценариям, её роль — выполнять массовые операции внутри ИИ-агентов, где один запуск может состоять из множества коротких и типовых шагов.
В этой категории цена входа особенно важна, но считать только стоимость миллиона токенов уже недостаточно. Reasoning tokens — токены, которые модель расходует на внутреннее рассуждение, — могут заметно увеличить фактическую стоимость одной и той же задачи у разных моделей. Поэтому $0,10 за входной миллион токенов ещё не означает, что все три модели будут одинаково выгодны в реальном агентном пайплайне.
Willison обращает внимание на данные Artificial Analysis — площадки, которая сравнивает модели по тестам и экономике. На графике Intelligence Index versus Cost per Task Muse Ember находится на Pareto frontier: по словам Meta AI, нет другой модели, которая набирала бы больше при меньшей цене задачи. Это не означает автоматического лидерства во всех сценариях, но показывает сильную позицию Ember именно в балансе стоимости и измеряемого качества.
После 200 тысяч токенов Muse Ember становится дороже Luna, но дешевле Haiku
Все три модели — Muse Ember 1.0, GPT-6 Luna и Claude Haiku 5.5 — поддерживают до миллиона входных токенов. Однако у каждой есть порог длины промпта, после которого растут расценки на вход, кэшированный вход и выход. У Muse Ember этот порог составляет 200 тысяч токенов.
| Модель | Размер промпта | Вход, $ за 1 млн | Кэшированный вход, $ за 1 млн | Выход, $ за 1 млн |
|---|---|---|---|---|
| GPT-6 Luna | До 272 тыс. | $0,10 | $0,01 | $0,50 |
| GPT-6 Luna | Более 272 тыс. | $0,20 | $0,02 | $0,75 |
| Muse Ember 1.0 | До 200 тыс. | $0,10 | $0,004 | $0,50 |
| Muse Ember 1.0 | Более 200 тыс. | $0,30 | $0,012 | $1,50 |
| Claude Haiku 5.5 | До 100 тыс. | $0,10 | $0,01 | $0,50 |
| Claude Haiku 5.5 | Более 100 тыс. | $0,50 | $0,05 | $2,50 |
На коротких запросах Ember формально совпадает с Luna и Haiku по обычному входу и выходу. При этом кэшированный вход у Ember дешевле: $0,004 за миллион токенов против $0,01 у Luna и Haiku. Это может быть существенно для систем, которые много раз используют один и тот же контекст: например, правила агента, базовую инструкцию или индекс документа.
После 200 тысяч токенов ситуация меняется. Ember становится дороже GPT-6 Luna по всем трём строкам тарифа, но остаётся дешевле Claude Haiku 5.5. Для длинных документов или агентов, которые постоянно тащат в контекст крупную историю работы, Luna выглядит выгоднее именно по опубликованной цене токенов.
На фоне Claude Fable 5.2, также выпущенной в тот день, Ember выглядит особенно бюджетной: Fable стоит $8 за миллион входных и $40 за миллион выходных токенов. Это в 80 раз больше базовой цены Ember по каждой из этих двух метрик.
Шесть уровней reasoning дают контроль, но не гарантируют линейный рост качества
Muse Ember предлагает шесть уровней рассуждений: minimal, low, medium, high, xhigh и max. Такая шкала предполагает, что разработчик может выбирать компромисс между скоростью, стоимостью и глубиной работы модели — хотя конкретные различия по расходу токенов и времени ответа в источнике не раскрыты.
Willison проверил уровни на визуальной задаче: попросил модель создать SVG с пеликанами, едущими на велосипедах. На уровне high модель не вернула полный SVG. Остальные результаты оказались неожиданными: качество изображения не росло последовательно вместе с уровнем reasoning.
Максимальный уровень, max, дал результат, который автор счёл сопоставимым с его примерами от Muse Wonder. При этом, по его словам, Muse Wonder стоит в 40 раз дороже Muse Ember. Это единичный практический тест на генерации SVG, а не универсальное сравнение моделей, но он показывает: высокая настройка reasoning у недорогой модели может быть полезной для отдельных задач.
Для разработчика из этого следует простой рабочий подход: не назначать max уровнем по умолчанию. Разумнее измерить на собственной задаче, какой режим даёт достаточный результат, и только затем сопоставить качество с расходом токенов. Особенно это актуально для агентов, где ошибка на одном массовом шаге может быть дешевле, чем постоянная переплата за максимальное рассуждение.
Ember стоит тестировать на агентных пайплайнах, но в релизе не хватает важных деталей
Muse Ember выглядит наиболее интересно для команд, которым нужна недорогая модель на частые операции: классификацию запросов, извлечение полей из документов, вызовы API и вспомогательные подзадачи в коде. До 200 тысяч токенов она сохраняет базовую цену конкурентов, а стоимость кэшированного входа у неё ниже, чем у Luna и Haiku.
Для длинных контекстов картина сложнее. Если промпт регулярно превышает 200 тысяч токенов, Ember уже не самая дешёвая из трёх по цене токена: GPT-6 Luna повышает тариф только после 272 тысяч. Поэтому выбор здесь зависит не от маркетинговой формулы «до миллиона токенов», а от реальной длины контекста и количества повторных вызовов.
В опубликованном материале нет данных о доступности Muse Ember по регионам, API-провайдерах, лимитах запросов, скорости генерации, поддерживаемых типах входных данных и стоимости reasoning в каждом из шести режимов. Нет и независимых бенчмарков по конкретным задачам разработки, извлечения данных или вызовов инструментов.
Главное в Muse Ember — не рекордная цифра контекста и не шесть режимов сами по себе. Meta AI пытается занять точку, где модель достаточно сильна для агентной рутины, но не требует бюджета флагмана. Для коротких и кэшируемых запросов предложение выглядит конкурентным; для длинных промптов тарифную сетку придётся считать внимательнее.