Meta lança o Muse Ember: modelo para agentes por US$ 0,10 por milhão de tokens de entrada

Se você tem um agente rodando em produção, a maior parte da conta geralmente não vem dos passos "inteligentes", e sim dos entediantes: analisar um documento, chamar uma ferramenta, enviar uma requisição pela rota certa, extrair campos de um e-mail. São milhares desses passos por hora, e usar um modelo de ponta para eles é como chamar o engenheiro-chefe para trocar lâmpadas. É exatamente esse nicho que a Meta ocupa com seu novo modelo Muse Ember.

O que a Meta lançou

O Meta Superintelligence Lab apresentou o Muse Ember na segunda-feira. É o modelo mais leve e mais econômico da empresa. A finalidade declarada é "o trabalho que os agentes repetem o dia inteiro": chamadas de ferramentas, subtarefas de código, roteamento, extração de dados e análise de documentos longos.

O principal argumento é o preço: 10 centavos por milhão de tokens de entrada. Isso é bem mais barato que o Haiku da Anthropic e o Luna da OpenAI, e comparável aos modelos abertos DeepSeek V4.1 Flash e GLM 5.3 Flash. Para a comparação de "preço versus qualidade", a Meta usou a pontuação agregada da Artificial Analysis e mostrou que o Ember não só é mais barato, mas também mais inteligente que o Haiku e o Luna.

Outro trunfo é a multimodalidade. O Ember foi treinado para trabalhar com texto, imagens e áudio. Segundo a Meta, os agentes podem ler capturas de tela, gráficos e digitalizações de documentos, além de trabalhar com notas de voz, gravações de reuniões e vídeo sem um modelo separado. Se isso for mesmo verdade, o pipeline fica com menos elos: reconhecimento de fala e OCR separados podem deixar de ser necessários.

Como isso funciona na prática

A própria Meta sugere uma combinação de dois modelos. O Muse Wonder, o modelo principal lançado em outubro, planeja. O Ember processa o volume. A fórmula do anúncio: "Muse Wonder plans, Muse Ember handles the volume".

Tomemos o atendimento ao cliente. O modelo pesado analisa uma única vez um tipo de solicitação, digamos o reembolso de uma assinatura, e formula as regras: o que verificar, quando aprovar, quando encaminhar a um humano. Em seguida, o modelo leve aplica essas regras a dezenas de milhares de solicitações: lê o e-mail, olha a captura de tela do erro, aciona a ferramenta certa no CRM, preenche os campos. O modelo caro trabalha raramente, o barato trabalha o tempo todo, e é ele que determina a conta final.

A ideia não é nova: cascatas e roteamento de modelos são usados há muito tempo. Mas a Meta oferece uma configuração pronta de dois modelos da mesma família. O Ember é o quarto da linha Muse, depois do Spark, de porte médio (abril), seu gêmeo aberto Glimmer (agosto) e o modelo principal Wonder (outubro).

Ressalvas

Todos os números vêm do anúncio da Meta. A métrica de comparação foi escolhida pela própria empresa, e o índice agregado faz a média de tarefas diversas, então seu agente pode se comportar de outra forma. O material não deixa claro quanto custam os tokens de saída (em ciclos de agentes eles costumam pesar bastante), qual é a janela de contexto do modelo e se é possível baixar os pesos. Aberto foi chamado o Glimmer; sobre o Ember nada disso foi dito.

Outra armadilha: o preço por token não é o preço por tarefa. Se o modelo barato dá mais passos ou erra com mais frequência e exige novas tentativas, a economia derrete. Não por acaso a Meta fala justamente em cost-per-task.

O que fazer com isso

Se você tem um agente com grande volume de passos repetitivos, pegue logs reais, rode de 500 a 1000 tarefas pelo Ember e pelo seu cavalo de batalha atual e compare o custo de uma tarefa concluída com sucesso, não o do token.

Se você ainda não separou o agente em planejador e executor, é a hora: mesmo sem a Meta, essa costuma ser a primeira otimização da conta. Se para capturas de tela e áudio você usa modelos separados, verifique se um único modelo dá conta. E não deixe de olhar as tarifas de tokens de saída e os limites quando forem divulgados: é justamente aí que um modelo barato às vezes deixa de ser tão barato.