Dieser Bericht analysiert die Produkteinführung von Muse Ember, einem von Meta am 9. November 2026 vorgestellten, hocheffizienten Sprachmodell für automatisierte Agenten-Workflows, Tool-Aufrufe, Codierungs-Subtasks und die Analyse großer Dokumente. Muse Ember zeichnet sich durch ein außergewöhnliches Verhältnis von Intelligenz zu Kosten aus, übertrifft vergleichbare Modelle wie Claude Haiku 5.5 und GPT-6 Luna auf der Effizienzgrenze und bietet ein 1-Millionen-Token-Kontextfenster sowie native multimodale Fähigkeiten.
Wichtigste Punkte
Modellpositionierung:Muse Ember (muse-ember-1.0) ist Metas bisher kleinstes und kosteneffizientestes Modell, konzipiert für wiederkehrende, strukturierte Aufgaben von KI-Agenten im Enterprise-Maßstab.
Wirtschaftlichkeit: Liefert mehr Intelligenz pro US-Dollar als Claude Haiku 5.5 oder GPT-6 Luna; erreicht Haikus Spitzenwerte zu einem Drittel der Kosten bei geschätzten 0,14 USD pro Artificial-Analysis-Aufgabe.
API-Preisstruktur: Kostet 0,10 USD pro Million Input-Token (0,004 USD für gecachte Input-Token) und 0,50 USD pro Million Output-Token. Bei Prompts über 200.000 Token steigen die Preise auf 0,30 USD bzw. 1,50 USD.
Kontext- und Ausgabekapazität: Bietet ein massives 1M-Token-Kontextfenster und unterstützt bis zu 512K Output-Token, wodurch vollständige Codebasen oder umfangreiche Dokumentensätze in einem einzigen API-Aufruf verarbeitet werden können.
Benchmark-Spitzenwerte: Führt relevante Evaluierungen an, darunter AutomationBench-AA (37,8 %), Agents' Last Exam (61,6 %), Personal Superintelligence Index (46,8 %), Terminal-Bench 4.0 (40,9 %), OSWorld 2.1 (69,5 % partial) und PerceptionBench mit Tools (80,6 %).
Multimodale Architektur: Verarbeitet nativ Text, Bilder, Audio und Video, wodurch Screenshots, Besprechungsaufzeichnungen und gescannte Dokumente ohne separate Hilfsmodelle analysiert werden können.
Sicherheitsvalidierung: Wurde unter dem Meta Superintelligence Scaling Framework in Bereichen wie Cybersicherheit sowie biologischen und chemischen Risiken geprüft und blieb strikt unter den definierten Hochrisikoschwellen.
Ecosystem-Integration: Ist ab sofort über die Meta Model API, Muse Code, Google Cloud und Oracle Cloud verfügbar und ergänzt Metas Portfolio neben den Modellen Muse Spark und Muse Wonder.
Glossar
Meta Model API: Proprietäre Programmierschnittstelle von Meta zur cloudbasierten Integration und Ansteuerung firmeneigener KI-Modelle.
Kontextfenster (Context Window): Die maximale Anzahl an Token, die ein neuronales Sprachmodell in einem einzelnen Rechenschritt als Eingabe verarbeiten und im Kurzzeitgedächtnis halten kann.
Artificial Analysis Index: Ein standardisierter Branchen-Benchmark, der die Leistungsfähigkeit (Intelligenz) generativer KI-Modelle direkt mit den anfallenden Ausführungskosten korreliert.
Tool-Calls (Tool-Aufrufe): Die automatisierte Interaktion eines KI-Agenten mit externen Softwarewerkzeugen, APIs oder Datenbanken zur Ausführung spezifischer Subtasks.
Multimodalität: Die Fähigkeit eines KI-Systems, unterschiedliche Datentypen (wie Text, Audio, Bild und Video) simultan in einer gemeinsamen Architektur zu verarbeiten.
Token: Die elementaren Informationseinheiten (Wörter oder Wortteile), in die Text für die Verarbeitung durch Large Language Models zerlegt wird.
Meta Superintelligence Scaling Framework: Metas internes Sicherheits- und Evaluierungsrahmenwerk zur systematischen Risikofrüherkennung bei fortgeschrittenen KI-Modellen.
AutomationBench-AA: Ein standardisierter Leistungstest zur Messung der Ausführungsqualität von KI-Agenten bei komplexen, geschäftsorientierten End-to-End-Workflows.