Meta выпустила Muse Ember: модель в 17 раз дешевле Muse Spark при почти той же оценке

Большая часть работы AI-агента скучна. Он вызывает API, решает, какому инструменту передать запрос, вытаскивает поля из письма, пролистывает длинный PDF. Для всего этого не нужна самая умная модель на рынке, но многие команды всё равно платят за неё, потому что так проще. Meta ставит на то, что это скоро перестанет быть нормой, и выпускает Muse Ember.

Что за модель

Muse Ember — самая маленькая и самая эффективная модель Meta на сегодня. Целится она не в чат-бота, а в рабочие лошадки агентных систем: вызов инструментов, небольшие задачи по коду, маршрутизацию запросов, извлечение данных и обработку длинных документов. Модель мультимодальная: принимает текст, изображения, аудио и видео. Окно контекста — до миллиона токенов.

Доступна она уже сейчас через Meta Model API и Muse Code. Цена — $0,10 за миллион входных токенов и $0,50 за миллион выходных. Для прикидки: документ на 100 тысяч токенов обойдётся примерно в один цент на входе. Выход дороже, но у рутинных задач он обычно короткий: JSON, метка класса, имя функции.

Цифры: что впечатляет и что стоит проверить

Главный аргумент Meta — «интеллект на доллар». По её словам, на каждом уровне рассуждений Ember выигрывает по этому показателю у Claude Haiku 5.5 и GPT-6 Luna. Самый наглядный пример — сравнение с собственной старшей моделью. В тесте Artificial Analysis Ember набирает 36 баллов в индексе интеллекта, а Muse Spark 1.3 — 37. При этом задача на Ember стоит около $0,14, а на Spark — $2,39. Разница почти в 17 раз за один балл индекса.

Есть оговорки. Лидерство в большинстве тестов — это тесты самой Meta, а такие замеры традиционно подбираются под сильные стороны модели. Независимый Artificial Analysis подтверждает цифры по цене и индексу, но не отменяет необходимости прогнать собственные данные.

Главная слабость — реальный код. В FrontierCode 2.0-AA Haiku набирает 34,9%, а Ember — 27,2%. Это заметный разрыв: модель хороша в мелких правках и вызовах функций, но не стоит ждать, что она заменит сильную модель в сложных задачах по программированию.

Что делать на практике

Самый разумный сценарий — каскад. Дешёвая модель берёт на себя поток однотипных операций: классификацию входящих запросов, разбор документов, вызовы инструментов, заполнение структур. Дорогая подключается только тогда, когда задача действительно сложная — например, при рефакторинге большого репозитория. Если сейчас вся цепочка агента работает на флагмане, стоит прикинуть, какую долю вызовов можно перенести на Ember без потери качества.

Что проверить в первую очередь:

• точность вызова инструментов на ваших схемах функций, а не на публичных бенчмарках;
• устойчивость на длинных документах: миллион токенов в спецификации не гарантирует, что модель не теряет детали в середине;
• стоимость на реальной задаче, а не на токен: модель с рассуждениями может тратить больше выходных токенов, чем кажется по прайсу;
• поведение на мультимодальных входах, если в пайплайне есть аудио или видео.

Ещё один момент: Ember доступна только через экосистему Meta — Model API и Muse Code. Для команд, уже привязанных к другим провайдерам, это означает дополнительную интеграцию и вопросы с зависимостью от поставщика.

Итог простой. Рынок небольших моделей смещается от «насколько умна» к «сколько стоит одна выполненная задача». Muse Ember — сильный аргумент в пользу этого сдвига, но выбирать её стоит по собственным замерам: для рутины она выглядит очень выгодно, а для серьёзного кода всё ещё уступает Haiku.