Meta lanza Muse Ember, un modelo de bajo costo que dice superar a Claude Haiku y GPT-6 Luna

El laboratorio de investigación de Meta, Meta Superintelligence Labs, lanzó Muse Ember el 9 de noviembre de 2026, describiéndolo como su modelo más pequeño y eficiente hasta la fecha. En el anuncio Introducing Our Smallest, Most Efficient Model: Muse Ember, Meta publicó comparaciones de referencia que afirman que Muse Ember iguala los mejores puntajes de Claude Haiku 5.5 a aproximadamente un tercio del costo y supera a GPT-6 Luna en todos los escenarios evaluados.

Qué cambia con Muse Ember

• Muse Ember ya está disponible a través de la Meta Model API y Muse Code como el modelo con ID muse-ember-1.0, con soporte para la Responses API.
• El costo se fija en 0,10 USD por millón de tokens de entrada, 0,004 USD por millón de tokens de entrada en caché y 0,50 USD por millón de tokens de salida.
• El modelo admite una ventana de contexto de entrada de 1 millón de tokens, con hasta 512 mil tokens de salida.
• Meta afirma que Muse Ember es nativamente multimodal, entrenado con texto, imágenes, audio y video.
• En el benchmark AutomationBench-AA, Muse Ember obtiene 37,8%, frente a 20,2% de GPT-6 Luna y 13,9% de Claude Haiku 5.5.
• En el benchmark de uso de computadora OSWorld 2.1, Muse Ember obtiene 69,5%, frente a 68,9% de Claude Haiku 5.5 y 50,5% de GPT-6 Luna.

Qué significa para quienes construyen con IA

Meta presenta a Muse Ember como un desafío directo y respaldado por datos para Claude Haiku y GPT-6 Luna en el nivel económico y de alto volumen de los flujos de agentes, la capa que los desarrolladores usan para llamadas a herramientas, enrutamiento y subtareas repetitivas de código. Al publicar comparaciones directas con ambos rivales, Meta les da a quienes operan arquitecturas de agentes a gran escala una nueva opción de bajo costo para evaluar frente a los modelos que ya usan en estas tareas.

Dónde se ubica Muse Ember dentro de los flujos de agentes

Meta posiciona a Muse Ember como el nivel encargado del alto volumen, pensado para combinarse con su modelo más grande, Muse Wonder, dentro de una arquitectura de agentes. Los casos de uso mencionados incluyen llamadas a herramientas, subtareas de código, enrutamiento, extracción, análisis de documentos extensos, revisión de contratos y selección de candidatos, los pasos repetitivos que representan gran parte del consumo de tokens de un agente.

Fuentes

• Introducing Our Smallest, Most Efficient Model: Muse Ember (Meta (Meta Superintelligence Labs), 9 de noviembre de 2026, oficial)

Redactado con ayuda de IA, únicamente a partir de las fuentes indicadas arriba. Antes de publicarse, controles automáticos verificaron sus fechas, sus fuentes y todas sus versiones de idioma.