Inicio Emprendedores Tecnología

Meta lanzó Muse Ember, un modelo de IA a US$0,10 por millón de tokens pensado para el trabajo repetitivo de los agentes

El modelo más pequeño de la familia Muse cuesta US$0,10 por millón de tokens de entrada y US$0,50 de salida; en un benchmark de ingeniería de software, Claude Haiku 5.5 sigue adelante

Por Admin5 min de lectura10 de noviembre de 2026 - 12:32 HS

Una persona camina por una oficina con largas hileras de monitores que muestran código y diagramas, de noche

Meta presentó el lunes 9 de noviembre de 2026 Muse Ember, un modelo de inteligencia artificial que la compañía describe como el más pequeño y más eficiente de su familia Muse. Quedó disponible ese mismo día a través de Muse Code y de la API de modelos de Meta, con el identificador muse-ember-1.0. La propuesta es concreta: abaratar la capa más repetitiva del trabajo de los agentes de IA, esos programas que ejecutan tareas por su cuenta.

Qué hace y para quién

Según la información publicada, Meta sostiene que los agentes gastan la mayor parte de sus tokens, las unidades en que se mide el texto que procesan, en pasos pequeños y estructurados: llamadas a herramientas, tareas menores de programación, enrutamiento de solicitudes, extracción de datos y lectura de documentos largos. Ember está pensado para esa capa. Meta afirma que puede recuperar registros, llamar herramientas en secuencia y actualizar sistemas de distintas aplicaciones, lo que le permitiría ejecutar un flujo de trabajo empresarial de punta a punta.

El modelo procesa de forma nativa texto, imágenes, audio y video, de modo que un agente puede trabajar a partir de capturas de pantalla, gráficos, documentos escaneados, notas de voz o grabaciones de reuniones sin llamar a otro modelo. Tiene una ventana de contexto de un millón de tokens, suficiente según Meta para meter un código completo o un conjunto de documentos en una sola consulta, y admite respuestas de hasta 512.000 tokens.

El precio

La tarifa es el principal argumento. Ember cuesta US$0,10 por millón de tokens de entrada y US$0,50 por millón de tokens de salida. Cuando la entrada está en caché, es decir, cuando se reutiliza contenido ya enviado, el costo baja a US$0,004 por millón. Es importante leer bien el primer número: los diez centavos corresponden solo a lo que se le envía al modelo, no a lo que responde, que se cobra cinco veces más.

Para dimensionarlo, un cálculo propio con las tarifas publicadas: un millón de tokens de entrada que se reutilizan desde la caché cuestan 25 veces menos que los mismos tokens enviados de cero a Ember. Y comparado con las tarifas de Fable 5.2 de Anthropic, que son de US$8 por millón de entrada, el precio de entrada de Ember equivale a 80 veces menos. La comparación no es entre modelos del mismo nivel: Fable 5.2 es un modelo de frontera y Ember busca el extremo opuesto, el del volumen barato.

Los resultados que muestra Meta

Meta compara a Ember con Claude Haiku 5.5, de Anthropic, y con GPT-6 Luna, de OpenAI. Afirma que iguala el mejor resultado de Haiku en el Índice de Inteligencia de Artificial Analysis con aproximadamente un tercio del costo por tarea, y que supera a GPT-6 Luna en todos los niveles de razonamiento. Con ese índice, Ember obtiene 36 puntos contra 37 de Muse Spark 1.3, otro modelo de Meta, y el costo estimado por tarea es de US$0,14 para Ember, de US$0,41 para Haiku y de US$2,39 para Spark 1.3.

En pruebas puntuales, con el razonamiento al máximo, Meta informa estos resultados para Ember, Haiku 5.5 y GPT-6 Luna: en AutomationBench-AA, de flujos de trabajo empresariales, 37,8%, 13,9% y 20,2%; en Terminal-Bench 4.0, 40,9%, 39,2% y 16,4%; en el Coding Agent Index, 46, 37 y 31; y en OSWorld 2.1, de uso de computadora, 69,5%, 68,9% y 50,5%. Algunas de esas evaluaciones, como Agents Last Exam y OSWorld, fueron internas de Meta, y los costos de Ember son estimaciones a precio de lista.

El límite: ingeniería de software

Hay una prueba donde el modelo no gana, y los propios medios lo destacan. En FrontierCode 2.0, que evalúa tareas reales de ingeniería según si el código resultante se puede incorporar, Ember obtiene 27,2% contra 34,9% de Haiku 5.5 y 25,2% de GPT-6 Luna. Es decir, Haiku lidera. Unite.AI lo resume así: ser eficiente y tener buenos puntajes en agentes no garantiza ser mejor en cualquier tarea de ingeniería.

Meta propone una división del trabajo dentro de su familia: Muse Wonder planificaría los problemas más difíciles, Muse Spark se ocuparía de la programación y los flujos con agentes, y Ember ejecutaría a escala las versiones repetibles de esas tareas. Es, en esencia, una capa barata debajo de un modelo caro.

Pruebas con socios y seguridad

Meta publicó testimonios de las primeras pruebas de Cloudflare y You.com. El director de tecnología de Cloudflare, Dane Knecht, dijo que Ember funcionó hasta un 30% más rápido en la cola de latencia que el modelo comparable que probaron y que manejó bien investigaciones que abarcaban varios repositorios. Chak Pothina, de You.com, reportó una latencia en el percentil 95 de 2,2 segundos y entre 36% y 48% menos tokens de salida. Son testimonios de socios elegidos por la propia empresa.

En seguridad, Meta dice que evaluó el modelo según su marco de escalamiento de superinteligencia en riesgos químicos y biológicos, de ciberseguridad y de pérdida de control, y que quedó por debajo de los umbrales de alto riesgo. También probó la resistencia a instrucciones escondidas en páginas web, documentos o resultados de herramientas, y que el modelo pida intervención humana antes de acciones de alto impacto. La empresa no dijo si publicará los pesos del modelo ni en qué países estará disponible.

Qué mirar si construís algo con agentes

Para un emprendedor que desarrolla productos con agentes, la lectura útil no es que exista un modelo barato más, sino qué parte del trabajo se puede delegar en uno. La estructura que propone Meta, un modelo caro que planifica y otro barato que ejecuta, es una idea para probar con las tareas propias. Pero los números de la comparación son de la empresa y de un evaluador externo en condiciones de laboratorio; antes de basar un producto en ellos, conviene medir costo y calidad con datos reales del negocio.

¿Querés entender cómo pensás frente a los cambios del mundo?

Descubrilo con nuestro Test del Emprendedor.

Hacé el test →

Notas relacionadas