Meta hat am 9. November Muse Ember vorgestellt, das kleinste und günstigste Modell seiner Muse-Familie. Es ist nicht als Allrounder gedacht, sondern für die Routinearbeit, die KI-Agenten tausendfach erledigen: Tool-Aufrufe, kleine Coding-Aufgaben, Routing, Datenextraktion und das Durchlesen langer Dokumente. Der Preis liegt bei 0,10 US-Dollar pro Million Eingabe-Token und 0,50 Dollar pro Million Ausgabe-Token. Laut Meta erreicht Muse Ember damit das Niveau von Claude Haiku 5.5 zu etwa einem Drittel der Kosten pro Aufgabe – eine Angabe, die auf Messungen von Artificial Analysis und internen Tests des Herstellers beruht.
Muse Ember: Was Meta vorgestellt hat
Nach Muse Wonder für die schwierigsten Probleme und Muse Spark für Coding und agentische Workflows schließt Ember die Lücke nach unten. Meta beschreibt das Modell in der Ankündigung auf research.meta.ai als Ausführungsmodell: Ein größeres Modell plant, Ember erledigt die Masse. Laut Meta ist Ember das erste Modell, das mit Hilfe von Muse Wonder Full trainiert wurde – Meta hatte bei der Vorstellung von Wonder angekündigt, daraus spezialisierte Modelle abzuleiten.
Die technischen Eckdaten laut Model-API-Dokumentation:
- Modell-ID:
muse-ember-1.0(nur „Standard mode“, keine Contributor-Variante) - Eingaben: Text, Bild, Video, Audio und PDF; Ausgabe: Text
- Kontextfenster: 1.048.576 Token, maximale Ausgabe: 524.288 Token
- Reasoning-Stufen: von „minimal“ bis „max“, Standard ist „max“
- Endpunkte: Responses, Chat Completions und Messages; OpenAI-kompatible Clients brauchen laut Meta nur eine andere
base_url - Funktionen: Computer Use, Bildverständnis, Tool Calling, strukturierte Ausgabe und Search Grounding
Verfügbar ist Ember über die Meta Model API und in allen Abos des Coding-Tools Muse Code. Laut Meta sind Muse Ember, Muse Spark und Muse Wonder zudem über Google Cloud und Oracle Cloud erhältlich. Von offenen Gewichten ist in der Ankündigung keine Rede – anders als beim größeren Muse Spark Open.
Preise: günstig bis 200.000 Token
Meta staffelt die Preise nach Prompt-Länge:
- Bis 200.000 Eingabe-Token: 0,10 $ pro Million Eingabe-Token, 0,004 $ für gecachte Eingaben, 0,50 $ pro Million Ausgabe-Token.
- Über 200.000 Eingabe-Token: 0,30 $, 0,012 $ bzw. 1,50 $ – also jeweils das Dreifache.
Zum Vergleich nennt Meta für Muse Spark 1.3 Listenpreise von 1,25 $ (Eingabe) und 4,25 $ (Ausgabe). Pro Aufgabe im Intelligence Index von Artificial Analysis kostet Ember laut Meta rund 0,14 $, Spark 1.3 rund 2,39 $ – bei einem Indexwert von 36 gegenüber 37. Im Entwicklerblog nennt Meta für Ember „etwa 0,13 $“ pro Aufgabe; die Werte stammen aus derselben Messung und unterscheiden sich nur durch Rundung bzw. Schätzbasis.
Benchmarks: stark bei Agenten, schwächer bei mergefähigem Code
Meta vergleicht Ember bei maximaler Reasoning-Stufe mit Claude Haiku 5.5 und GPT-6 Luna. Ein Teil der Werte stammt von Artificial Analysis (Stand 9. November), ein Teil aus Metas eigener Testsuite. Alle Zahlen sind Herstellerangaben:
- Artificial Analysis Intelligence Index: Ember 36, Haiku 5.5 36, Luna 28.
- AutomationBench-AA (End-to-End-Geschäftsabläufe): Ember 37,8 %, Luna 20,2 %, Haiku 13,9 %.
- Coding Agent Index-AA: Ember 46, Haiku 37, Luna 31.
- Terminal-Bench 4.0: Ember 40,9 %, Haiku 39,2 %, Luna 16,4 % – jeweils im besten veröffentlichten Harness, also nicht unter identischen Bedingungen.
- FrontierCode 2.0-AA (Mergefähigkeit echter Engineering-Aufgaben): Haiku 34,9 %, Ember 27,2 %, Luna 25,2 % – hier liegt Ember klar hinten.
- OSWorld 2.1 (intern, Teilpunkte): Ember 69,5 %, Haiku 68,9 %, Luna 50,5 %.
- Agents‘ Last Exam (intern, Linux-Teilmenge): 61,6 % vs. 57,0 % (Haiku) und 57,1 % (Luna).
- GDP.pdf-AA (lange Dokumente): Ember und Luna je 22,8 %, Haiku 20,8 %.
Die Kernaussage zum Preis-Leistungs-Verhältnis stützt sich auf die Kosten pro Aufgabe: Ember kommt bei maximalem Reasoning auf 35,8 Indexpunkte für geschätzte 0,136 $ pro Aufgabe, Haiku 5.5 auf 36,2 Punkte für 0,411 $. Daraus leitet Meta das „etwa ein Drittel der Kosten“ ab. Wichtig: Die Ember-Kosten sind laut Meta Schätzungen auf Basis der Listenpreise; die Konkurrenzwerte sind gemessene Werte von Artificial Analysis.
Partnerstimmen und Praxisbeispiel
Meta zitiert mehrere Testpartner. Cloudflare berichtet von bis zu 30 Prozent schnelleren Antworten „at the tail“ gegenüber einem vergleichbaren Modell, You.com von einer p95-Latenz von 2,2 Sekunden in eigenen Coding-Tests. Im Entwicklerblog zeigt Meta ein Beispiel: Muse Wonder plant die Portierung von 16 Lexern der Python-Bibliothek Pygments nach Rust, 16 Ember-Agenten arbeiten parallel in eigenen Git-Worktrees. Die 16 Portierungen seien mit nur rund sechs Minuten Abstand zueinander fertig geworden. Unabhängig nachgeprüft ist das nicht; das Beispiel samt Prompts liegt im Meta-Model-Cookbook.
Sicherheit und Grenzen
Vor der Veröffentlichung hat Meta Ember nach eigenem „Meta Superintelligence Scaling Framework“ geprüft – auf chemische und biologische Risiken, Cyber-Fähigkeiten und Kontrollverlust. Das Modell liege in allen bewerteten Kategorien unter den Hochrisiko-Schwellen. Zusätzlich habe Meta getestet, ob Ember Nutzerabsichten respektiert, mit sensiblen Daten angemessen umgeht, versteckten Anweisungen in Webseiten oder Tool-Ausgaben widersteht und vor folgenreichen Aktionen nachfragt. Eine ausführliche Systemkarte mit Einzelergebnissen nennt die Ankündigung nicht; Meta verweist auf einen Evaluationsbericht.
Praktische Grenzen ergeben sich aus der Positionierung: Für schwierige Einzelaufgaben, wissensintensive Fragen oder visuelles Coding empfiehlt Meta ausdrücklich Muse Spark oder Muse Wonder. Und wer lange Kontexte nutzt, zahlt ab 200.000 Eingabe-Token den dreifachen Preis. Gerade in Agenten-Schleifen mit wachsender Historie kann diese Schwelle schneller erreicht sein, als man denkt.
Einordnung
Muse Ember zielt auf einen Markt, der mit Agenten-Workflows rasant wächst: kleine, schnelle Modelle als Subagenten, die von einem großen Modell gesteuert werden. Auch Anthropic setzt auf diese Arbeitsteilung: Haiku dient häufig als günstiger Subagent, und bei Claude Fable 5.2 stellte der Hersteller Experimente vor, in denen ein Modell viele Agenten koordiniert. Meta setzt dabei vor allem auf den Preis – und auf eine Modellfamilie, in der Planer und Arbeiter dieselbe Request-Struktur verwenden, sodass ein Wechsel oft nur die Modell-ID betrifft.
Ob die Benchmarks halten, müssen unabhängige Tests zeigen. Auffällig ist, dass Ember bei FrontierCode deutlich hinter Haiku liegt, also dort, wo es um mergefähigen Code für echte Engineering-Aufgaben geht. Für Routing, Extraktion und Tool-Ketten könnte das Modell dagegen eine günstige Option sein. Wer bereits mit Muse Wonder oder Spark arbeitet, kann Ember mit geringem Aufwand als Arbeitsmodell testen.
