Meta hat am 9. November Muse Ember vorgestellt, das kleinste Modell der eigenen Familie. Es soll nicht die schwierigsten Fragen beantworten, sondern die vielen kleinen Schritte erledigen, die ein Agent den ganzen Tag wiederholt.
Meta Muse Ember ist das kleinste Modell der Muse-Familie
Die Ankündigung beginnt mit einer Aufgabe, nicht mit einer Fähigkeit. Muse Ember sei für die Arbeit gebaut, die Agenten ständig wiederholen: Werkzeuge aufrufen, Unteraufgaben im Code lösen, Anfragen weiterleiten, Daten aus Dokumenten ziehen.
Dafür bringt das Modell Eigenschaften mit, die man sonst bei großen Modellen sucht. Der Kontext umfasst eine Million Token, die Ausgabe bis zu 512.000, was für ein Modell dieser Preisklasse ungewöhnlich ist. Text, Bilder, Audio und Video versteht es ohne separates Zusatzmodell, laut Meta nativ.
Das ist der Unterschied zu einem Chatmodell: Ein Agent liest einen Screenshot, eine Tabelle und ein eingescanntes Formular im selben Durchlauf, und genau an dieser Mischung aus Formaten scheitern kleinere Modelle bisher am häufigsten.
Was der Preis von Muse Ember im Agentenbetrieb ändert
Meta nennt 10 Cent pro Million Input-Token und 50 Cent pro Million Output-Token. Zwischengespeicherte Eingaben kosten 0,4 Cent. Über 200.000 Token Kontext steigen die Preise auf 30 Cent und 1,50 Dollar.
Entscheidend ist am Ende nicht der Tokenpreis, sondern der Preis pro erledigter Aufgabe, und dort liegt der ganze Unterschied. Meta rechnet mit etwa 14 Cent pro Aufgabe im Intelligence Index von Artificial Analysis. Das Schwestermodell Muse Spark 1.3 liegt bei 2,39 Dollar.
Ein Bruchteil der Kosten.
Für Teams, die einen Agenten mit tausend kleinen Schritten pro Tag laufen lassen, ist das der Unterschied zwischen einer Testphase, die nach zwei Wochen endet, und einem Produkt, das man monatelang bezahlen kann.
Wer in Deutschland entwickelt, sieht am Ende mehr auf der Rechnung als die Dollarpreise, weil die Umsatzsteuer dazukommt.
Die Benchmarks für Meta Muse Ember kommen von Meta
Die Zahlen im Blog sind sauber aufbereitet, und sie vergleichen das Modell mit den direkten Konkurrenten im Kleinformat.
Auf AutomationBench-AA, einem Test für komplette Geschäftsabläufe, kommt Muse Ember auf 37,8 %, Claude Haiku 5.5 auf 13,9 %, GPT-6 Luna auf 20,2 %. Bei Agents' Last Exam liegen die drei enger zusammen: 61,6 % gegen 57,0 % und 57,1 %. Auf Terminal-Bench 4.0 steht es 40,9 % zu 39,2 % und 16,4 %.
Eine Ausnahme gibt es. Auf FrontierCode 2.0, das prüft, ob Codeänderungen von Maintainern angenommen würden, liegt Haiku 5.5 mit 34,9 % vor Muse Ember mit 27,2 %.
Der Intelligence Index von Artificial Analysis weist 36 Punkte für Muse Ember aus, einen Punkt weniger als Muse Spark 1.3, bei einem Bruchteil der Kosten pro Aufgabe. Ein Punkt Differenz ist in diesem Index wenig, der Kostenunterschied ist es nicht.
Alle Werte stammen aus Läufen bei höchster Anstrengungsstufe und in den jeweils besten veröffentlichten Testumgebungen, und unabhängig nachgemessen hat sie bislang niemand außerhalb der Labore, die an der Auswertung beteiligt waren.
Muse Ember Agent: Was der Meta Small Model im Alltag übernimmt
Die Praxistests kommen von Firmen, die vorab Zugang hatten.
Box lässt Verträge Klausel für Klausel gegen ein Verhandlungsplaybook prüfen und danach ein Risikourteil vergeben. Cline setzt das Modell als Subagenten in der eigenen Entwicklungsumgebung ein, für Codearbeit und Dokumentanalyse. Cloudflare meldet, Muse Ember sei am oberen Ende der Verteilung bis zu 30 % schneller gewesen als das Vergleichsmodell. You.com nennt eine Antwortzeit von 2,2 Sekunden im 95. Perzentil und 36 bis 48 % weniger Ausgabetoken.
Das sind Kundenstimmen in einem Herstellerblog, keine unabhängigen Messungen. Sie beschreiben aber den Einsatz, für den das Modell gedacht ist: nicht der eine große Auftrag, sondern die vielen kleinen.
Meta empfiehlt ausdrücklich die Kombination. Muse Wonder plant, Muse Ember erledigt die Menge. In einem Support-Agenten heißt das: Das große Modell legt die Regeln fest, das kleine wendet sie auf zehntausend Fälle an.
Muse Ember, Glimmer und die Frage nach offenen Gewichten
Wer nach einem frei herunterladbaren Modell sucht, wird hier nicht fündig. Muse Ember läuft über den Meta Model API und über Muse Code.
Ob Meta die Gewichte später veröffentlicht, sagt der Blog nicht, und damit auch nichts über eine Lizenz. Der offene Zwilling der Familie war Glimmer, der im August als offene Variante von Spark erschien. Ember gehört nicht dazu, jedenfalls nicht nach dem, was am Montag kommuniziert wurde.
Meta AI model 2026: vier Modelle in sieben Monaten
Unter „Meta AI model 2026" führen Suchanfragen derzeit zu einer ganzen Reihe von Namen, und die Chronologie erklärt, warum Ember so aussieht, wie es aussieht.
Spark kam im April als mittleres Modell. Glimmer folgte im August als offene Variante. Wonder erschien im Oktober als Frontier-Modell, und der Muse Agent startete im September als Verbraucherprodukt. Ember ist der vierte Eintrag und der erste, der mit Wonder Full trainiert wurde.
Meta beschreibt die Familie inzwischen wie ein Werkzeugset. Wonder für die härtesten Probleme, Spark für Programmierung und Agentenabläufe, Ember für die Wiederholung in großem Maßstab.
Was deutsche Teams vor dem Einsatz klären sollten
Technisch ist der Einstieg einfach. Ember unterstützt die Responses API, läuft über Google Cloud und Oracle Cloud, und die Modell-ID muse-ember-1.0 ist im Meta Model API dokumentiert.
Offen ist der Punkt, der hierzulande viele Projekte ausbremst: wo die Inferenz läuft, ob Daten den europäischen Raum verlassen und welche Fristen für gespeicherte Prompts gelten. Der Blog nennt Cloud-Partner, aber keine Regionen und keine Aufbewahrungsfristen.
Und was sagt Meta selbst zur Sicherheit?
Sicherheitsseitig schreibt Meta, das Modell bleibe unter den Hochrisikoschwellen des eigenen Frameworks, geprüft unter anderem auf Chemie, Biologie, Cyber und Kontrollverlust. Auch das ist eine Selbsteinschätzung.
Wer einen Agenten baut, sollte Ember zuerst als Subagenten testen und die Kosten pro abgeschlossener Aufgabe messen, nicht pro Token. Für die Planung bleibt Wonder zuständig. Ein kleines Modell ersetzt keine Architektur, es macht sie bezahlbar.
