Meta apresenta o Muse Ember, modelo multimodal menor e mais eficiente para tarefas de agentes

O Muse Ember (identificador muse-ember-1.0) é o menor e mais eficiente modelo da Meta, voltado ao trabalho que agentes repetem o dia inteiro: tool calls, subtarefas de código, routing, extraction e parsing de documentos longos. Está disponível na Meta Model API e no Muse Code, 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.

Os números técnicos: janela de contexto de 1M de tokens e até 512K de saída, o que permite jogar um codebase ou um conjunto de documentos inteiro numa única chamada. O modelo entende texto, imagem, áudio e vídeo de forma nativa, e opera um computador a partir de screenshots. Segundo a Meta, ele iguala a melhor pontuação do Claude Haiku 5.5 por cerca de um terço do custo e supera todas as configurações do GPT-6 Luna. A empresa também diz que ele fica na fronteira de eficiência do ranking da Artificial Analysis, a cerca de US$ 0,14 por tarefa. São dados da própria Meta. Na avaliação FrontierCode 2.0, segundo o resumo da notícia, o Haiku fica à frente.

O Muse Ember completa uma linha que o CEVIU vem acompanhando. Em 9 de abril de 2026, o CEVIU noticiou "Meta Apresenta Muse Spark: Modelo Multimodal para Superinteligência Pessoal". Em 6 de agosto de 2026, veio "Meta Apresenta Muse Code: Agente de Codificação para Desafios Complexos", e em 13 de outubro de 2026, "Meta Apresenta Muse Wonder: Novo Horizonte em Agentes de IA para Desenvolvimento e Produtividade", que citava o Muse Wonder Full.

Agora a Meta liga os pontos: diz que o Muse Ember é o primeiro treinado com o Muse Wonder Full, como havia sinalizado ao apresentar o Muse Wonder. O portfólio fica dividido assim: Muse Wonder para os problemas mais difíceis, Muse Spark para código e fluxos agênticos, e Muse Ember para tarefas repetíveis em escala. O Muse Code, coberto em agosto, aparece como um dos pontos de acesso ao novo modelo.

Para quem monta agentes, a conta é a de sempre: a maior parte dos tokens vai para passos pequenos e estruturados. Um modelo barato, com contexto longo e entrada multimodal, pode virar o executor de volume, enquanto um modelo maior planeja. A própria Meta sugere esse arranjo, com Muse Wonder planejando e Muse Ember executando. O ponto de atenção é o FrontierCode 2.0, em que o Haiku lidera: antes de trocar de modelo em produção, vale rodar os benchmarks sobre o seu próprio workload.