Meta presenta Muse Ember, una IA ultrabarata para programar y automatizar tareas
Meta ha presentado Muse Ember, el modelo de inteligencia artificial más pequeño y eficiente de su nueva familia Muse. Su objetivo no es sustituir a los sistemas más avanzados en tareas de razonamiento general, sino encargarse de los procesos repetitivos que ejecutan los agentes de IA mientras trabajan de forma autónoma.
El modelo ya está disponible a través de Meta Model API y Muse Code. Su precio parte de 0,10 dólares por cada millón de tokens de entrada y 0,50 dólares por cada millón de tokens de salida, una tarifa pensada para facilitar el uso intensivo en aplicaciones de programación, automatización empresarial y desarrollo de agentes.
Un modelo pensado para el trabajo operativo
Los agentes de inteligencia artificial pueden completar tareas encadenadas sin intervención constante del usuario. Para ello, deben leer archivos, analizar documentos, clasificar solicitudes, ejecutar comandos, comprobar resultados y corregir errores. Aunque cada acción puede parecer sencilla, la ejecución repetida de cientos de subtareas eleva rápidamente el consumo de recursos.
Muse Ember está diseñado para cubrir precisamente ese tipo de trabajo. Meta lo orienta a tareas como extraer información, enrutar peticiones, procesar documentos y realizar subtareas de programación. El modelo puede leer archivos de código, lanzar pruebas y aplicar correcciones concretas sin asumir necesariamente la planificación completa de un proyecto.
La estrategia de la compañía consiste en repartir el trabajo entre distintos modelos de la familia Muse. Los sistemas más capaces, como Muse Wonder, se ocuparían de definir objetivos y elaborar planes generales. Ember, en cambio, ejecutaría las operaciones necesarias para llevarlos a cabo con un coste inferior.
Hasta un millón de tokens de contexto
Una de las principales características técnicas de Muse Ember es su capacidad para admitir hasta un millón de tokens de entrada y generar hasta 512.000 tokens de salida. Un token es una unidad de texto que el modelo utiliza para procesar palabras, fragmentos de palabras, números o símbolos.
En la práctica, esta capacidad permite introducir en una única solicitud bases de código completas, grandes colecciones de documentos o historiales extensos de una tarea. El modelo puede mantener más información disponible durante el proceso y reducir la necesidad de dividir el trabajo en múltiples consultas.
Esta característica resulta especialmente relevante para herramientas de programación asistida. Un agente puede analizar varios archivos relacionados, ejecutar pruebas y revisar los resultados sin perder con tanta facilidad el contexto del proyecto.
Comprensión de texto, imágenes, audio y vídeo
Muse Ember también es un modelo multimodal. Esto significa que puede interpretar distintos tipos de información de forma nativa, no solo texto. Entre sus capacidades se incluyen la comprensión de imágenes, audio y vídeo.
Gracias a ello, un agente basado en Ember puede analizar capturas de pantalla, diagramas técnicos, documentos escaneados, grabaciones de voz o vídeos sin tener que recurrir necesariamente a un modelo adicional para convertir esos contenidos. La compañía considera que esta capacidad puede simplificar los flujos de trabajo automatizados.
Por ejemplo, un sistema podría revisar una captura de una aplicación, identificar un error visual y relacionarlo con los archivos de código correspondientes. También podría extraer datos de un documento escaneado o resumir una grabación antes de iniciar una tarea posterior.
Resultados en pruebas de agentes y programación
Meta asegura que Muse Ember iguala a Claude Haiku 5.5 en algunas pruebas de evaluación y supera a GPT-6 Luna en otras, con un coste menor por tarea. Estos resultados deben interpretarse dentro de cada prueba concreta, ya que los benchmarks no representan por sí solos el rendimiento de un modelo en todas las situaciones reales.
En OSWorld, una evaluación que mide la capacidad de un agente para controlar un ordenador, Ember supera a GPT-6 Luna y Claude Haiku 5.5 cuando todos los modelos trabajan con el nivel máximo de razonamiento. Este tipo de prueba incluye acciones como navegar por interfaces, utilizar aplicaciones y completar instrucciones encadenadas.
En Terminal Bench 4.0, centrado en tareas reales de ingeniería mediante terminal, Meta afirma que Muse Ember obtiene una puntuación superior al doble de la registrada por GPT-6 Sol. Los modelos de Anthropic ocupan los primeros puestos de esta clasificación, mientras que Ember se sitúa en la zona intermedia junto a otros sistemas de código abierto de mayor tamaño.
Seguridad y control de permisos
Meta sostiene que Muse Ember incorpora las mismas medidas de seguridad durante el entrenamiento y la ejecución que el resto de modelos de la familia Muse. La compañía afirma que el sistema se mantiene por debajo de los umbrales considerados de alto riesgo y que no está diseñado para realizar acciones prohibidas, como ataques informáticos.
Aun así, la seguridad no depende únicamente del modelo. Los agentes necesitan permisos para acceder a archivos, ejecutar comandos o interactuar con servicios externos. Por este motivo, Meta recomienda configurar con cuidado el acceso concedido a la IA y limitarlo a los recursos imprescindibles para cada tarea.
Disponibilidad y precio de Muse Ember
Muse Ember ya se puede utilizar mediante Meta Model API y Muse Code. La tarifa anunciada es de 0,10 dólares por millón de tokens procesados como entrada y 0,50 dólares por millón de tokens generados como salida.
Con este lanzamiento, Meta amplía una familia formada también por modelos como Muse Spark, Glimmer y Wonder. La apuesta de la compañía pasa por combinar sistemas especializados: unos dedicados al razonamiento y la planificación, y otros como Ember centrados en ejecutar de forma rápida y económica las tareas que mantienen en funcionamiento a los agentes de inteligencia artificial.
