Meta brengt Muse Ember uit voor agenttaken

Muse Ember, Meta’s kleinste model voor herhaalde AI-agenttaken, is sinds 9 november beschikbaar via de Meta Model API voor $0,10 per miljoen invoertokens en $0,50 per miljoen uitvoertokens, meldt Meta.

Een agent die 1.000 afgebakende stappen uitvoert, kost bij 10.000 nieuwe invoer- en 2.000 uitvoertokens per stap ongeveer $2 aan modelgebruik, zolang iedere prompt onder 200.000 invoertokens blijft. Zo kan terugkerend werk naar een kleiner model. De rekening verandert boven die promptgrens.

De prijs stijgt bij lange prompts

Meta’s prijstabel geeft voor prompts tot 200.000 tokens een tarief van $0,10 voor invoer en $0,50 voor uitvoer per miljoen tokens. Boven 200.000 tokens stijgt dat naar $0,30 en $1,50. De API-pagina zet beide staffels naast hetzelfde contextvenster van 1 miljoen tokens. De aankondiging noemt ook maximaal 512.000 uitvoertokens.

Cached input kost volgens dezelfde tabel $0,004 per miljoen tokens onder die grens en $0,012 erboven. Dat tarief speelt mee voor context die Meta bij herhaalde agentcalls als cached input factureert. Een groot contextvenster betekent niet dat een lange prompt tegen het basistarief wordt verwerkt.

De basistarieven zijn gelijk aan die van OpenAI’s GPT-6 Luna: ook OpenAI rekent $0,10 invoer en $0,50 uitvoer per miljoen tokens. Ember wordt daarmee niet goedkoper per token. Meta’s prijsclaim draait om de kosten per voltooide taak, die afhangen van hoeveel tokens een model gebruikt en hoeveel rondes een agent nodig heeft.

Ember doet het herhaalwerk

Meta bouwde Ember voor toolaanroepen, programmeersubtaken, routering, extractie en lange documenten. Het model verwerkt tekst, beeld, audio en video. Meta zegt dat de Model API met bestaande OpenAI SDK-clients werkt: een ontwikkelaar kan de basis-URL wijzigen en model-id muse-ember-1.0 instellen. In een agentketen kan een groter model het plan maken, waarna Ember veel afgebakende stappen uitvoert.

Meta’s ontwikkelaarsblog beschrijft een codeermigratie met zestien parallelle agents en een proef met 10.000 foto’s. Voor de migratie van zestien Pygments-lexers van Python naar Rust maakte Muse Wonder het plan en verdeelde het werk. Zestien Ember-agents werkten ieder aan een afgebakende lexer. Hun resultaten kwamen binnen ongeveer zes minuten van elkaar klaar. Alle zestien kwamen overeen met Python op 383 testgevallen en op 62 echte bestanden uit achttien openbare repositories. De Rust-versies draaiden op ongeveer één megabyte invoer 3,0 tot 7,3 keer sneller dan Python.

Meta rekent voor de hele proef $3,96 aan API-gebruik: $1,84 voor Ember en $2,12 voor Wonder. Ember verwerkte 158 miljoen invoertokens, tegenover 4,4 miljoen voor Wonder. Meta waarschuwt dat resultaten per uitvoering verschillen.

De taakverdeling bouwt voort op Meta’s eerdere modellen. Muse Spark 1.3 verbruikte volgens Meta 25 procent minder tokens en 20 procent minder toolaanroepen dan versie 1.2, tegen dezelfde prijs. Op 12 oktober bracht Meta Muse Wonder uit voor planning en zwaarder redeneerwerk, tegen $4 invoer en $20 uitvoer per miljoen tokens. TechCrunch plaatst Ember als het vierde model in de Muse-reeks, na Spark, Glimmer en Wonder. De nieuwe release vult daarmee vooral de uitvoerende trede van die modelopbouw in.

De scorekaart vergelijkt taakprijzen

Op AutomationBench-AA rapporteert Meta 37,8 procent voor Muse Ember, tegenover 20,2 procent voor GPT-6 Luna en 13,9 procent voor Claude Haiku 5.5. Meta’s evaluatiebijlage beschrijft de test als 657 zakelijke werkstromen in nagebootste SaaS-apps, waaronder Gmail, Salesforce en Slack. Artificial Analysis controleert via API’s of iedere workflow volledig is afgerond en rapporteert het aandeel taken dat bij de eerste poging slaagt.

Meta zet ook de Artificial Analysis Intelligence Index naast de geschatte kosten per taak. In de zwaarste redeneerstand haalt Ember 35,8 punten voor circa $0,136 per taak, Haiku 5.5 36,2 voor $0,411 en Luna 27,8 voor $0,152. Op deze vergelijking ligt Ember dicht bij Haiku’s score voor ongeveer een derde van de geschatte kosten, en boven Luna voor een iets lager taakbedrag. Meta baseert Ember-kosten op de lijstprijs.

De benchmark is geen bedrijfsproef

Meta zegt dat het Ember voor release heeft getoetst op chemische en biologische risico’s, cyberveiligheid en verlies van controle, en dat de uitkomsten onder de hoge risicodrempels bleven. De aankondiging geeft geen externe veiligheidstest of numerieke uitsplitsing. De evaluatiebijlage zegt dat de benchmarks op maximale redeneerinspanning draaien, maar dat externe modellen niet altijd met optimaal afgestemde prompts en hulpmiddelen zijn getest. Bij Terminal-Bench gebruikt Ember bijvoorbeeld mini-swe-agent, terwijl de vergelijkingscijfers voor Haiku uit Claude Code komen en die voor Luna uit Codex. Dat maakt de uitkomst afhankelijk van de gekozen agentomgeving, niet alleen van het model.

Ook de eigen foto-demo bevat twee verschillende totalen voor dezelfde batch van 10.000 foto’s. De blog noemt eerst $1,59 totaal, waarvan $0,50 voor Ember. In de latere uitsplitsing staat $1,33 totaal, verdeeld over $0,81 voor Wonder en $0,52 voor Ember. Diezelfde terugblik meldt dat de foto’s in acht albums belandden, zonder mislukte verzoeken, en dat de categorieën in ongeveer 86 procent van de gevallen aansloten bij de datasetlabels. Meta verklaart het verschil tussen de twee totaalbedragen niet.

De demonstratie laat zien hoe een planner en uitvoermodel samen een grote batch kunnen verwerken, maar levert daardoor geen eenduidige prijs per foto op.

Ember vult de uitvoerende trede in Meta’s modelaanbod. Voor Nederlandse teams hangt de prijs af van promptlengte, herhalingen en wanneer de planner terugkomt. De benchmarks geven een eerste vergelijking; de eigen omgeving toont hoeveel stappen slagen en wat iedere afgeronde stap kost.