Meta puso en el mercado Muse Ember, un modelo pequeño pensado para el trabajo silencioso y repetitivo que sostiene a los agentes de inteligencia artificial: llamar herramientas, leer documentos, clasificar tickets. Llega en un momento en que la pregunta ya no es cuánto sabe una máquina, sino cuánto cuesta cada tarea terminada. Su promesa es igualar a un rival conocido a una fracción del gasto, aunque en el terreno del código que está listo para integrarse todavía le falta camino. Es un paso más en la historia de cómo la inteligencia se vuelve una mercancía medida al centavo.
Meta lanza Muse Ember: igual que Claude Haiku 5.5 en inteligencia, a un tercio del costo por tarea
Un solo token adicional lleva esa petición de 2,5 a unos 7,5 centavos
Mark
Lo central es que Ember empata con Haiku 5.5 en inteligencia a un tercio del costo, ¿no?
Mimi
Sí: 36 puntos ambos, y unos 14 centavos por tarea contra 41. Y el ahorro viene en parte de que usa cerca de un tercio de los tokens de salida.
Luke
Ojo: son costos estimados en la evaluación de lanzamiento de Artificial Analysis, con los números que presenta Meta. Falta ver qué pasa en producción.
Mark
¿Dónde pierde?
Mimi
En código listo para fusionar: 27,2% contra 34,9% de Haiku. Y en OSWorld 2.1 baja de 69,5% a 33,8% si se califica todo o nada.
Luke
Esa caída es la advertencia más honesta del artículo. El crédito parcial luce bien, pero si tu flujo exige cada paso completo, el número relevante es el otro.
Mark
¿Y el precio?
Mimi
Barato hasta 200.000 tokens de entrada; un token más y la tarifa se triplica. Haiku tiene ese salto a los 100.000.
Luke
Y la variabilidad: Microsoft Research habla de hasta 30 veces entre tareas idénticas. Un precio por token no te dice la factura.
Mark
¿Qué debería hacer un equipo?
Mimi
Probarlo en un paso verificable y medir costo por resultado aceptado, incluyendo reintentos.
Luke
Y recordar que no hay comparación directa con LongCat: configuraciones distintas.
O Pulso
- Ember empata con Claude Haiku 5.5 en 36 puntos del Intelligence Index, pero cuesta unos 14 centavos por tarea frente a 41.
- Los equipos que construyen agentes descubren que el gasto en tokens puede multiplicarse sin aviso, y algunos agotan presupuestos anuales en cuatro meses.
- Ember brilla en tareas repetitivas y verificables, pero cae a 27,2% en FrontierCode 2.0 y a 33,8% en OSWorld cuando todo se califica como acierto o error.
- El umbral de 200.000 tokens de entrada puede triplicar el costo de una sola petición, así que la ventaja depende de vigilar cada llamada.
- La salida práctica es asignar a Ember pasos acotados con chequeo claro y escalar los fallos a un modelo más fuerte, midiendo el costo por resultado aceptado.
Meta puso en el mercado Muse Ember, un modelo pequeño pensado para el trabajo silencioso y repetitivo que sostiene a los agentes de inteligencia artificial: llamar herramientas, leer documentos, clasificar tickets. Llega en un momento en que la pregunta ya no es cuánto sabe una máquina, sino cuánto cuesta cada tarea terminada. Su promesa es igualar a un rival conocido a una fracción del gasto, aunque en el terreno del código que está listo para integrarse todavía le falta camino. Es un paso más en la historia de cómo la inteligencia se vuelve una mercancía medida al centavo.
El lunes 9 de noviembre Meta presentó Muse Ember, el modelo que describe como el más pequeño y eficiente de su catálogo. En la evaluación de Artificial Analysis obtuvo 36 puntos en el Intelligence Index con razonamiento máximo, el mismo puntaje redondeado que Claude Haiku 5.5, de Anthropic, pero con un costo estimado de unos 14 centavos por tarea frente a 41. Mark Zuckerberg lo presentó como el modelo que entrega más inteligencia por dólar en su clase, y Alexandr Wang resumió su papel: Muse Wonder planifica y Ember maneja el volumen.
El trabajo para el que fue hecho es la parte repetitiva de un flujo agéntico, la que más tokens consume: llamadas a herramientas, lectura de documentos, clasificación de tickets y correcciones pequeñas de código. Ahí gana. En AutomationBench-AA completó 37,8% de las tareas al primer intento, y en Terminal-Bench 4.0 llegó a 40,9%. Pero en FrontierCode 2.0, que mide si un cambio de código está listo para fusionarse, queda detrás de Haiku, y en OSWorld su 69,5% con crédito parcial cae a 33,8% si todo se califica como acierto o error.
El precio tiene una trampa. Hasta 200.000 tokens de entrada cobra US$0,10 por millón; por encima, la tarifa sube a US$0,30. Una petición de 200.000 tokens con 10.000 de salida cuesta unos 2,5 centavos, y un solo token extra la lleva a cerca de 7,5. Haiku tiene su umbral en 100.000 tokens y GPT-6 Luna cobra más barato en contextos largos, así que conviene comparar según el caso.
Por eso importa el costo por tarea más que el precio por token. Un análisis de EY citado por TechTimes señala que un flujo lineal costaba unos US$0,04 por interacción en 2023, y un sistema agéntico orquestado ronda hoy los US$1,20. Uber agotó su presupuesto anual de IA en cuatro meses, según su CTO.
La lectura práctica es usar Ember en pasos acotados con un chequeo claro, escalar los fallos a un modelo más fuerte y medir el costo por resultado aceptado, con reintentos incluidos. La pregunta de fondo no es si Ember es mejor, sino qué pasos repetitivos pueden pasar a un modelo más barato sin que caiga la calidad.
El lunes 9 de noviembre, Meta presentó Muse Ember, un modelo que la compañía describe como el más pequeño y eficiente de su catálogo. En la evaluación de lanzamiento de Artificial Analysis, Ember obtuvo 36 puntos en el Intelligence Index con esfuerzo de razonamiento máximo, el mismo puntaje redondeado que Claude Haiku 5.5, de Anthropic. La diferencia está en el costo estimado: unos 14 centavos de dólar por tarea frente a 41 centavos del modelo rival.
El trabajo al que apunta Ember es la parte repetitiva de un flujo agéntico: llamadas a herramientas, lectura de documentos, clasificación de tickets y correcciones pequeñas de código. Es justo la parte que más tokens consume. Mark Zuckerberg lo describió en X como el modelo más pequeño de Meta, el que entrega más inteligencia por dólar que otros de su clase. Alexandr Wang, Chief AI Officer de la compañía, lo resumió así: Muse Wonder puede planificar y Ember puede manejar el volumen.
Los resultados, medidos a esfuerzo máximo, muestran un patrón: Ember gana donde el trabajo es repetitivo y verificable. En AutomationBench-AA, que pone agentes sobre aplicaciones de negocio simuladas, completó el 37,8% de las tareas al primer intento, contra 20,2% de GPT-6 Luna y 13,9% de Haiku. En Terminal-Bench 4.0 obtuvo 40,9% (Haiku, 39,2%; Luna, 16,4%), y en el Coding Agent Index-AA, 46 frente a 37 y 31. Pierde, en cambio, en FrontierCode 2.0, que evalúa si un cambio de código está listo para fusionarse: 27,2% contra 34,9% de Haiku. Y en OSWorld 2.1, su 69,5% con crédito parcial baja a 33,8% si las tareas se califican todo o nada.
El precio tiene una trampa. Hasta 200.000 tokens de entrada, Ember cobra US$0,10 por millón de tokens de entrada sin caché, US$0,004 por millón cacheado y US$0,50 por millón de salida. Por encima de ese umbral, las tarifas pasan a US$0,30, US$0,012 y US$1,50. Una petición con 200.000 tokens de entrada sin caché y 10.000 de salida cuesta 2,5 centavos; un solo token adicional la lleva a unos 7,5 centavos. Haiku 5.5 parte del mismo precio, pero su umbral está en 100.000 tokens y luego cobra US$0,50 de entrada y US$2,50 de salida. GPT-6 Luna cobra US$0,20 y US$0,75 en contexto largo, lo que puede convenir a prompts enormes con respuestas largas. Artificial Analysis atribuye parte de la ventaja de Ember a lecturas de caché más baratas y reporta que usó aproximadamente un tercio de los tokens de salida de Haiku.
Por eso el costo por tarea pesa más que el precio por token. Según un análisis de EY publicado por TechTimes, un flujo lineal costaba unos US$0,04 por interacción en 2023, mientras que un sistema agéntico orquestado ronda hoy los US$1,20. Gartner estimó en marzo de 2026 que los agentes requieren entre 5 y 30 veces más tokens por tarea que un chatbot. El Stanford Digital Economy Lab halló que el contexto reenviado explica cerca del 62% del costo de inferencia de un agente. Y Microsoft Research encontró que, en tareas idénticas, el gasto de tokens puede variar hasta 30 veces, sin que los modelos logren predecirlo. Forrester documentó el caso de Uber, que agotó su presupuesto anual de IA en cuatro meses, según su CTO, Praveen Neppalli Naga.
Hay alternativas con pesos abiertos. DeepSeek-V4.1-Flash-1017, con licencia MIT, obtiene 33 puntos a unos US$0,60 por tarea. MiMo-V2.6-Flash, de Xiaomi, marca 27 puntos a unos US$0,13. LongCat-2.5, de Meituan, reporta 38,5% en Terminal-Bench 4.0, aunque con otra configuración, así que la comparación es solo orientativa. Muse Spark Open, de la propia Meta, tiene 816.000 millones de parámetros totales y Together AI lo cobra a US$1,25 de entrada y US$4,25 de salida. Ember también está disponible en Muse Code, Oracle Cloud y el Gemini Enterprise Agent Platform de Google Cloud, según Cryptobriefing.
La lectura práctica para un equipo es usar Ember en pasos acotados con un chequeo claro, como parchear un test que falla o clasificar un ticket, y escalar los fallos a un modelo más fuerte. Conviene medir el costo por resultado aceptado, con reintentos incluidos, vigilar el umbral de 200.000 tokens y registrar el consumo por agente. Meta afirma que el contenido enviado en modo Standard queda fuera del entrenamiento y ofrece términos de retención cero. La pregunta de fondo no es si Ember es mejor, sino qué pasos repetitivos pueden pasar a un modelo más barato sin que caiga la calidad.
Citações Notáveis
Muse Wonder puede planificar, Ember puede manejar el volumen.— Alexandr Wang, Chief AI Officer de Meta
Nuestro modelo más pequeño que entrega más inteligencia por dólar que otros en su clase.— Mark Zuckerberg, en X
Quer a matéria completa?
Leia o original em El Ecosistema Startup ↗