Meta* lanza Muse Ember: 1 millón de tokens de contexto y 0,10 $ por la entrada

Si has construido agentes sobre modelos grandes, sabes cómo se ve eso en la factura. Un agente no hace una sola solicitud. Da vueltas en círculo: llama a una herramienta, lee la respuesta, piensa y llama a la siguiente. En cada paso se envía al modelo todo el contexto acumulado, y el coste crece más rápido de lo que parece al principio. Es precisamente este dolor el que Meta* intenta resolver con Muse Ember.

*Meta es una organización reconocida como extremista y su actividad está prohibida en el territorio de la Federación Rusa.

Qué es este modelo y para qué se creó

Muse Ember es un modelo compacto diseñado para tareas cíclicas de agentes. La lista de Meta* incluye cuatro escenarios: llamada a herramientas, análisis de documentos voluminosos, enrutamiento y redacción de fragmentos de código. Son los caballos de batalla de los sistemas de agentes. Aquí no hace falta genialidad en problemas de olimpiada, sino previsibilidad, velocidad y un precio bajo por paso.

Los parámetros son estos:

• ventana de contexto: 1 millón de tokens;
• longitud de la respuesta: hasta 512 000 tokens;
• multimodalidad: audio, vídeo e imágenes como entrada;
• identificador en la API: muse-ember-1.0;
• disponibilidad: API de Meta*, Google Cloud y Oracle Cloud.

Precio: 10 centavos por millón de tokens de entrada y 50 centavos por millón de tokens de salida.

Qué significa en la práctica

Hagamos cuentas con un ejemplo hipotético. Supongamos que tu agente envía al modelo 50 000 tokens de contexto en cada paso y recibe unos mil tokens de respuesta. Con la tarifa de Ember, eso es aproximadamente medio centavo por la entrada y una vigésima parte de centavo por la salida, es decir, unos 0,0055 $ por paso. Cien pasos en una tarea compleja costarían unos 55 centavos. El cálculo es nuestro e ilustrativo, pero el orden de magnitud es claro: un modelo barato permite no escatimar en el número de iteraciones y verificaciones.

La segunda ventaja práctica es la multimodalidad sin parches. El agente puede leer por sí mismo una captura de pantalla de una interfaz o procesar la grabación de una reunión, y no necesitas conectar un modelo aparte de reconocimiento de voz o de visión. Menos componentes en el pipeline significa menos puntos donde algo puede fallar y menos latencia entre servicios.

El tercer escenario es el enrutamiento. Un modelo compacto es cómodo a la entrada del sistema: clasifica la solicitud, decide si hace falta una herramienta pesada o un modelo caro, y solo entonces pasa la tarea. Así, las llamadas costosas quedan reservadas para los casos realmente difíciles.

Dónde conviene ser más cauto

La principal salvedad: la afirmación de que Muse Ember supera a Claude Haiku 5.5 y a GPT-6 Luna en la relación entre precio e inteligencia se basa en los benchmarks de la propia Meta*. No es una comparación independiente. La métrica de «precio frente a inteligencia» se ajusta fácilmente a un conjunto de pruebas favorable, y las tareas de agentes en el mundo real dependen mucho de tu conjunto de herramientas, del formato de los prompts y de la calidad de los esquemas de llamada a funciones.

En segundo lugar, el contexto largo. Una ventana de un millón de tokens no garantiza que el modelo encuentre igual de bien un detalle al principio y al final de un documento. Y los 512 000 tokens de salida son un límite superior de capacidad, no una promesa de calidad en toda la extensión. Hacen falta pruebas propias con tus datos.

En tercer lugar, la disponibilidad en dos nubes, Google Cloud y Oracle Cloud, resulta cómoda para empresas que ya tienen allí contratos y facturación. Pero las restricciones por región y cuotas hay que comprobarlas aparte, y los equipos rusos deben considerar además los matices legales de trabajar con productos de una empresa cuya actividad está prohibida en Rusia.

Qué hacer

1. Toma de 50 a 100 trazas reales de tu agente que incluyan llamadas a herramientas y documentos largos.
2. Ejecútalas con muse-ember-1.0 y con el modelo que usas ahora.
3. Compara no solo la precisión, sino también el coste de una ejecución completa, el número de errores en las llamadas a funciones y el tiempo de respuesta.
4. Si el resultado es similar, prueba a poner a Ember como enrutador o ejecutor de pasos sencillos, dejando el modelo caro para la planificación.

El modelo resulta interesante, ante todo, como una presión más sobre los precios en el segmento de modelos baratos para agentes. Las cifras del informe merecen crédito solo hasta que las compruebes con tus propias tareas.