Meta Muse Ember догнала Claude Haiku 5.5 по баллам и стоит втрое дешевле за задачу

Дешёвые модели обычно проигрывают дорогим не в красивых бенчмарках, а в счёте за месяц: агент делает десятки шагов, и каждый тянет за собой контекст. Meta решила ударить именно сюда. Её новая модель Muse Ember набирает 36 баллов в Artificial Analysis Intelligence Index — столько же, сколько Claude Haiku 5.5 на максимальных настройках, — но стоит за задачу $0,14 против $0,41.

Откуда берётся экономия

Цена за токены у Ember такая же, как у Haiku 5.5 и GPT-6 Luna: $0,10 за миллион входных и $0,50 за миллион выходных. Разница в двух местах. Во-первых, кэшированный вход стоит $0,004 за миллион, то есть на 60% дешевле, чем у конкурентов, а в агентных сценариях именно он составляет основную часть счёта. Во-вторых, на максимальном режиме Ember генерирует примерно втрое меньше выходных токенов, чем Haiku.

Представьте агента, который двадцать раз подряд перечитывает один и тот же репозиторий. С дорогим кэшем эти повторы съедают бюджет, с дешёвым превращаются в копейки. Поэтому сравнивать модели по цене за токен тут бессмысленно: считать нужно стоимость выполненной задачи.

На режиме xhigh Ember получает 34 балла за $0,12. Старшая Muse Wonder даёт 44 балла, но за $6,95 на задачу. Это примерно в 50 раз дороже ради восьми дополнительных баллов. Для массовых сценариев такой обмен редко оправдан.

Где модель сильна, а где нет

Лучший результат — AutomationBench-AA, бенчмарк на автоматизацию рабочих процессов: 68,1%, наравне с Muse Wonder. На GDP.pdf Ember обходит Haiku (22,8% против 20,8%), а на AA-Briefcase уступает (1521 против 1574 Elo).

С кодом картина смешанная. На Terminal-Bench 4.0 Ember впереди: 40,9% против 32,8%. На FrontierCode 2.0 впереди Haiku: 34,9% против 27,2%. Зато в собственном агенте Muse Code модель набирает 46 баллов в Coding Agent Index, тогда как Haiku в Claude Code получает 37, а GPT-6 Luna в Codex — 31. Перевес дают SWE-Atlas-QnA-AA и Terminal-Bench.

Оговорка: это сравнение связок «модель плюс обвязка», а не чистых моделей. Часть победы Ember может объясняться тем, что Muse Code под неё заточен.

Знания: слабое место с неожиданным плюсом

Точность на AA-Omniscience у Ember всего 21,1%. Это самый низкий показатель среди сопоставимых по интеллекту моделей: у Haiku 5.5 — 34,7%, у Gemini 3.8 Flash (high) — 50,5%. Но причина не в том, что модель выдумывает. Она просто отказывается отвечать на 64% вопросов. В итоге доля галлюцинаций у неё 17,4% — вдвое ниже, чем у Haiku.

На практике это значит, что Ember честнее признаёт незнание, чем уверенно врёт. Для продукта, где цена ошибки высока, такое поведение может быть полезнее, чем более высокая точность при большем числе выдумок.

Что с этим делать

Модель доступна только через собственный API Meta и в Muse Code, так что привязка к одной платформе остаётся. Все цифры — это замеры одной независимой лаборатории, и на ваших задачах результат может отличаться.

Практический вывод простой. Если вы строите агентов с длинным контекстом, где доминирует кэшированный вход, прогоните Ember на своих трассах и сравните стоимость задачи, а не токена. Для справочных вопросов без подключённого поиска или RAG её лучше не использовать: знаний ей не хватает. А если ваш агент ориентирован на терминал и автоматизацию рабочих процессов, Ember стоит попробовать как дешёвую замену Haiku.