Meta Superintelligence Labs lançou o Muse Ember, seu modelo mais pequeno e eficiente. O Meta Muse Ember é um modelo multimodal hospedado, criado para as etapas repetitivas dentro de agentes. A Meta lista chamadas de ferramentas, subtarefas de codificação, roteamento, extração e análise de documentos extensos como alvos. Ele pontua 36 no Artificial Analysis Intelligence Index, nível com Claude Haiku 5.5 em esforço máximo. A Meta estima um custo de aproximadamente $0.14 por tarefa de indexação. TL;DR Tamanho: janela de contexto de 1 milhão de tokens, até 512 mil tokens de saída. Executa apenas na infraestrutura hospedada da Meta (Meta Model API e Muse Code). Os pesos são privados, não havendo opção local de GPU, laptop ou quantizada. Desempenho: empata com Claude Haiku 5.5 (máximo) com 36 no AA Intelligence Index, à frente do GPT‑6 Luna (28). Melhor pontuação: AutomationBench‑AA com 37.8, versus 20.2 para GPT‑6 Luna e 13.9 para Claude Haiku 5.5. Pior pontuação: FrontierCode 2.0‑AA com 27.2, atrás de Claude Haiku 5.5 com 34.9. Conclusão: Melhor: inteligência ao nível do Haiku por $0.136 por tarefa, contra $0.411. Pior: pesos fechados e desempenho inferior em código real‑repo mesclável. O que é o Meta Muse Ember? O Muse Ember é um pequeno modelo de raciocínio da Meta para subtarefas de agente em alto volume. É o quarto modelo da linha Muse, após Spark, Glimmer e Wonder. A Meta o posiciona abaixo de seus modelos maiores. O Muse Wonder resolve os problemas mais difíceis e o Muse Spark cobre codificação e fluxos de trabalho agentes. O Ember lida com tarefas de codificação e agentes repetitivas em escala. Enquadramento da própria Meta: Muse Wonder planeja, Muse Ember lida com o volume. Como o Muse Ember funciona? O Muse Ember é o primeiro modelo da Meta treinado usando o Muse Wonder Full, seu maior modelo. O modelo aceita nativamente texto, imagens, áudio e vídeo, permitindo que um agente leia capturas de tela, gráficos, páginas escaneadas, memos de voz e gravações de reuniões sem modelo separado. Também opera aplicativos de desktop a partir de capturas de tela. A janela de contexto de 1 milhão de tokens comporta um código‑fonte completo ou conjunto de documentos em uma única chamada. A saída pode chegar a 512 mil tokens, quatro vezes o limite de 128 mil dos concorrentes.
Fonte: MarkTechPost
Publicado em 2026-11-10