Meta lança o Muse Ember, modelo de baixo custo que diz superar Claude Haiku e GPT-6 Luna

O laboratório de pesquisa da Meta, Meta Superintelligence Labs, lançou o Muse Ember em 9 de novembro de 2026, descrevendo-o como o menor e mais eficiente modelo da empresa até agora. No anúncio Introducing Our Smallest, Most Efficient Model: Muse Ember, a Meta publicou comparações de benchmark afirmando que o Muse Ember iguala as melhores pontuações do Claude Haiku 5.5 a cerca de um terço do custo e supera o GPT-6 Luna em todos os cenários testados.

O que mudou com o Muse Ember

• O Muse Ember já está disponível pela Meta Model API e pelo Muse Code como o modelo de ID muse-ember-1.0, com suporte à Responses API.
• O preço é de US$ 0,10 por milhão de tokens de entrada, US$ 0,004 por milhão de tokens de entrada em cache e US$ 0,50 por milhão de tokens de saída.
• O modelo suporta uma janela de contexto de entrada de 1 milhão de tokens, com até 512 mil tokens de saída.
• A Meta afirma que o Muse Ember é nativamente multimodal, treinado em texto, imagens, áudio e vídeo.
• No benchmark AutomationBench-AA, o Muse Ember obtém 37,8%, contra 20,2% do GPT-6 Luna e 13,9% do Claude Haiku 5.5.
• No benchmark de uso de computador OSWorld 2.1, o Muse Ember obtém 69,5%, contra 68,9% do Claude Haiku 5.5 e 50,5% do GPT-6 Luna.

O que isso significa para quem constrói com IA

A Meta apresenta o Muse Ember como um desafio direto, baseado em números, ao Claude Haiku e ao GPT-6 Luna na camada barata e de alto volume dos pipelines de agentes, a camada que os desenvolvedores usam para chamadas de ferramentas, roteamento e subtarefas repetitivas de código. Ao publicar pontuações comparativas diretas com os dois rivais, a Meta oferece a quem roda arquiteturas de agentes em escala uma nova opção de baixo custo para avaliar frente aos modelos que já usam nessas tarefas.

Onde o Muse Ember se encaixa nos pipelines de agentes

A Meta posiciona o Muse Ember como a camada responsável pelo alto volume, pensada para atuar junto ao seu modelo maior, o Muse Wonder, dentro de uma arquitetura de agentes. Os casos de uso listados incluem chamadas de ferramentas, subtarefas de código, roteamento, extração, análise de documentos longos, revisão de contratos e triagem de candidatos, as etapas repetitivas que representam boa parte do consumo de tokens de um agente.

Fontes

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

Escrito com ajuda de IA, apenas a partir das fontes listadas acima. Antes de ir ao ar, verificações automáticas conferiram as datas, as fontes e todas as versões de idioma.