A Meta colocou no ar o modelo mais barato da sua linha, feito para as tarefas que um agente repete o dia inteiro. O anúncio fala em eficiência, não em capacidade de ponta.
O que o Meta Muse Ember faz na prática
O Muse Ember foi desenhado para o trabalho chato de um agente. Chamadas de ferramenta, subtarefas de código, roteamento entre modelos, extração de dados e leitura de documento longo.
São tarefas pequenas, repetidas centenas de vezes por sessão. O modelo não precisa ser o mais inteligente da casa para resolvê-las. Precisa ser rápido e barato o bastante para rodar sem pensar duas vezes.
A Meta publicou o anúncio em 9 de novembro, no blog de pesquisa da empresa, e o texto tem quatro minutos de leitura. O foco é posicionamento, não ficha técnica.
Meta small model: por que o tamanho virou argumento
A imprensa tratou o lançamento como um "Meta small model", e a etiqueta descreve bem o momento. A disputa entre os laboratórios saiu do topo da tabela e foi para o custo por tarefa.
Um agente que funciona de verdade chama o modelo dezenas de vezes para concluir uma única tarefa, e se cada chamada custa caro o produto não fecha a conta no fim do mês.
A Cline, que testou o modelo antes do lançamento, diz que ele foi feito para trabalho de subagente, como código e análise de documento. É exatamente o tipo de uso em que latência e preço pesam mais que alguns pontos de benchmark.
Preço e contexto do Muse Ember agent
O Muse Ember custa US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de saída. O token de entrada em cache sai por US$ 0,004, o que faz diferença em fluxo com prompt repetido.
A janela de contexto é de 1 milhão de tokens, com até 512 mil tokens de saída. Na prática, isso permite mandar um repositório ou um conjunto de documentos inteiro em uma chamada.
Há uma pegadinha de preço. Acima de 200 mil tokens de prompt, a entrada sobe para US$ 0,30 por milhão e a saída para US$ 1,50, segundo a tabela publicada pela Meta.
Para o Muse Ember, agent é o caso de uso central, e o contexto grande é parte da proposta. Um agente que precisa reler o histórico inteiro a cada passo queima contexto rápido.
Os benchmarks do Muse Ember vêm da Meta e da Artificial Analysis
A Meta usa números da Artificial Analysis, uma consultoria independente que mede modelos, e números da própria suíte de avaliação. As duas fontes aparecem misturadas no post.
No índice da Artificial Analysis, o Muse Ember marca 36 pontos, empatado com o Claude Haiku 5.5 e à frente do GPT-6 Luna, que fica em 28. O custo por tarefa é de US$ 0,14.
No AutomationBench, que mede fluxo de negócio de ponta a ponta, o modelo chega a 37,8% contra 13,9% do Haiku 5.5. É uma diferença grande, e o teste foi rodado pela própria Meta.
Vale ler com cuidado. A Meta diz que o modelo entrega mais inteligência por dólar em qualquer configuração de raciocínio, e a base para isso é uma comparação de custo por tarefa publicada pela Artificial Analysis.
Onde o Muse Ember encaixa na linha Muse
A família tem três degraus. O Muse Wonder resolve os problemas mais difíceis. O Muse Spark atende código e fluxo de agente. O Muse Ember cobre a repetição em escala, a um custo que a empresa descreve como baixo o suficiente para rodar em todo produto.
O Ember é o primeiro modelo treinado com o Muse Wonder Full, segundo a Meta, o que não o transforma em substituto do Wonder nem indica aposentadoria de qualquer modelo da linha.
Os três estão disponíveis no Google Cloud e no Oracle Cloud. O Ember também roda no Muse Code e na Meta Model API, com o identificador muse-ember-1.0.
O que a Meta não disse sobre o Meta AI model 2026
Em 2026, o Meta AI model de entrada é o Muse Ember, e o anúncio deixa várias perguntas sem resposta.
A primeira é o número de parâmetros. A Meta não publica essa informação, e qualquer estimativa que circule é chute.
A segunda é a licença. O texto não diz se os pesos serão abertos, e a empresa não usa a expressão open weights em nenhum trecho. O histórico da linha tem modelos abertos, o que não garante nada para este.
A terceira é o desempenho fora do ambiente da casa. A Meta reporta os próprios testes, e não há replicação independente do resultado no AutomationBench até agora.
A quarta é o uso em celular. O anúncio fala de API e de nuvem, não de rodar no aparelho, então tratar o Ember como modelo de bolso é extrapolação.
Nada disso está no anúncio.
O que muda para quem constrói agentes no Brasil
Para um time brasileiro que monta agente em cima de API, o modelo entra na conta em dólar, com IOF e spread do cartão. O ganho real aparece quando o volume de chamadas é alto.
Um agente de atendimento que faz vinte chamadas por conversa sente o preço por token mais que o benchmark. Um protótipo que roda dez vezes por dia não sente nada.
Há também a questão do idioma. Os testes divulgados são em inglês, e nenhum número publicado cobre desempenho em português. Quem trabalha com texto jurídico ou atendimento local precisa medir por conta própria.
Como testar o Muse Ember sem trocar de stack
O modelo usa a Responses API, o que reduz o trabalho de integração para quem já está nesse formato e permite trocar por configuração sem mexer no agente inteiro.
O teste útil é simples. Rode a mesma tarefa no seu modelo atual e no Ember, com o mesmo prompt e o mesmo número de passos, e compare o custo total por tarefa concluída. Se a diferença ficar abaixo de 20%, o ganho não paga a migração.
A Meta diz que vem mais modelo eficiente por aí. Para quem constrói agente, a pergunta prática é outra: o próximo passo reduz o custo por tarefa ou apenas melhora o número no índice?
