Meta ha dado a conocer Muse Ember, la última incorporación a su gama de modelos Muse, caracterizada por ser multimodal, más compacta y eficiente en coste y rendimiento. Esta presentación representa el compromiso de Meta por competir con otros gigantes tecnológicos que operan en el terreno de la inteligencia artificial avanzada, como OpenAI y Anthropic.
Al igual que sus rivales, Meta ha estructurado su línea de productos de IA cubriendo desde soluciones centradas en tareas específicas de alto volumen, como GPT-6 Luna y Claude Haiku 5.5, hasta modelos de inteligencia avanzada como GPT-6 Astra, Claude Fable 5.1 y Muse Wonder Full, el último lanzamiento de Meta. Muse Ember se posiciona como un modelo ágil y económico para subtareas agenticas, tales como la lectura de archivos, ejecución de pruebas y corrección precisa de errores, mientras que los modelos mayores como Muse Wonder se reservan para la planificación y supervisión global de esas actividades.
Este nuevo modelo ya se encuentra disponible para desarrolladores a través de Muse Code y la API de Meta Model bajo la identificación muse-ember-1.0. Aunque Meta mantiene en privado los pesos del modelo, algo habitual en sus lanzamientos anteriores, se prevé que Muse Ember también podrá encontrarse próximamente en plataformas de nube y en servicios similares a OpenRouter, como ha ocurrido con otros modelos Muse. 
Respecto a su desempeño, Muse Ember destaca por su eficiencia económica y competitiva. Según el Índice de Inteligencia Artificial de Artificial Analysis, en su configuración de razonamiento máximo, Muse Ember realiza tareas a un coste aproximado de 0,14 dólares cada una, frente a los 0,41 dólares de Claude Haiku y 0,15 dólares de GPT-6 Luna. En términos de puntuación, iguala el rendimiento de Haiku con aproximadamente un tercio de su coste y supera a Luna en calidad con un coste por tarea inferior en casi un centavo.
En una configuración alternativa denominada «xhigh», Muse Ember registra una puntuación de 34, con un coste aún menor, alrededor de 0,12 dólares por tarea, reafirmando su atractivo para aplicaciones de bajo coste y rendimiento sólido.
Muse Ember: estructura y tarifas
El modelo posee una ventana de contexto de un millón de tokens y soporta hasta 512.000 tokens de salida, una capacidad relevante para tareas que requieren largos diálogos o documentos extensos. En cuanto a precios, Muse Ember cobra 0,10 dólares por millón de tokens de entrada, 0,004 dólares por millón de tokens cacheados y 0,50 dólares por millón de tokens de salida, tarifas comparables a las de GPT-6 Luna y Claude Haiku 5.5, ambas líderes en el sector con precios establecidos para contextos cortos. Este esquema de precios hace que Muse Ember sea una opción atractiva para desarrolladores que necesitan equilibrio entre coste y potencia.
Competencia global y comparación con China
Aunque Meta no incluye directamente en sus comparativas a rivales chinos como DeepSeek V4.1 Flash 1017, Z.ai GLM-5.3 Flash o MiniMax M3.1 Flash, Muse Ember ofrece tarifas por tokens de entrada y salida inferiores a las de estos modelos. Además, obtiene mejores puntuaciones generales en el índice de inteligencia, alcanzando una nota de 36 en razonamiento máximo, superando a DeepSeek (33), MiniMax (29) y GLM (28). En comparación, GPT-6 Luna obtiene 28 y Haiku alcanza 36, situándose Muse Ember al nivel de los mejores competidores.
Muse Ember frente a Muse Spark
Otra referencia interna importante es Muse Spark 1.3, que obtiene una puntuación ligeramente superior de 37 en razonamiento máximo, aunque a un precio mucho más elevado, con un coste por tarea de 2,39 dólares según las tarifas estándar de API. Meta también ofrece un nivel Spark Contributor, donde se intercambian datos y solicitudes para mejorar el producto, presentando tarifas que se aproximan a las de Ember pero con un coste de salida mayor.
Sin embargo, en una de las pruebas clave, FrontierCode 2.0, que evalúa la calidad en la integración de cambios en repositorios de código, Muse Ember registra una tasa de aceptación del 27,2%, inferior a Claude Haiku (34,9%) y al modelo chino DeepSeek (28,5%). Muse Spark 1.3 obtiene un resultado más bajo del 23,1%. Este dato señala que, aunque Ember es muy competitivo en coste y rendimiento general, hay áreas específicas donde puede precisar mejoras.
Capacidades multimodales y rendimiento en OSWorld
Muse Ember es plenamente multimodal, capaz de procesar texto, imágenes, audio y vídeo, y se vale incluso de capturas de pantalla para interactuar con aplicaciones de escritorio, una capacidad que amplía su utilidad en escenarios prácticos del día a día y la automatización.
En la plataforma OSWorld 2.1, reconocida por medir habilidades de IA para completar tareas complejas, Muse Ember obtuvo un 69,5% de crédito parcial, ligeramente superior al 68,9% de Haiku, y completó directamente el 33,8% de las tareas propuestas, superando a Haiku y Luna, que alcanzaron 27,8% y 17%, respectivamente. Muse Spark 1.3 consiguió una tasa de tareas completadas aún mayor, del 39,25%, manteniendo un crédito parcial similar a Ember.
Entrenamiento y evolución
Meta ha explicado que Muse Ember ha sido entrenado usando como base el modelo más robusto Muse Wonder Full, siguiendo una estrategia similar a la que utilizó para desarrollar modelos especializados en sus agentes personales y sistemas Meta AI, lo que garantiza un nivel de calidad y potencia superior en sus soluciones más pequeñas y manejables.
