Un point d’écart, dix-sept fois le prix
Meta a publié Muse Ember le 9 novembre, en le présentant comme son modèle le plus petit et le plus efficace, conçu pour « le travail que les agents répètent toute la journée : appels d’outils, sous-tâches de code, routage, extraction et analyse de longs documents ». La comparaison par laquelle l’entreprise commence ne vise pas un concurrent mais sa propre gamme. Dans son annonce, Meta place Muse Ember à 36 sur l’Artificial Analysis Intelligence Index contre 37 pour son propre Muse Spark 1.3 — et à environ 0,14 $ la tâche contre 2,39 $.
Cela représente à peu près dix-sept fois le coût pour un point d’indice. Les prix au jeton derrière ce chiffre sont de 0,10 $ le million de jetons d’entrée et 0,50 $ en sortie pour Muse Ember, contre 1,25 $ et 4,25 $ pour Muse Spark 1.3. L’entrée mise en cache coûte 0,004 $ le million. Les requêtes de plus de 200 000 jetons sont facturées à part : 0,30 $ en entrée, 0,012 $ en entrée mise en cache et 1,50 $ en sortie par million.

D’où viennent les chiffres
Le chiffre de l’indice est indépendant : Artificial Analysis a publié la version 5 de son Intelligence Index le 9 novembre, et la comparaison du coût par tâche repose sur le tarif public de chaque modèle. Sur cet indice, Muse Ember est à égalité avec Claude Haiku 5.5 à 36, GPT-6 Luna étant à 28. Le graphique de Meta croisant intelligence et coût par tâche, tiré de la même source, situe Muse Ember à 35,8 pour 0,136 $ la tâche au raisonnement maximal, tandis que Haiku 5.5 atteint 36,2 pour 0,411 $.
Le tableau de benchmarks est mixte. Les scores portant le suffixe « -AA » viennent d’Artificial Analysis : Muse Ember remporte AutomationBench-AA avec 37,8 % contre 13,9 % pour Haiku 5.5 et 20,2 % pour GPT-6 Luna, ainsi que le Coding Agent Index-AA avec 46 contre 37 et 31 — mais perd FrontierCode 2.0-AA, où Haiku 5.5 obtient 34,9 % contre 27,2 %. Agents’ Last Exam (61,6 %), le Personal Superintelligence Index (46,8 %) et PerceptionBench (80,6 %) sont étiquetés comme évaluations internes de Meta. Sur Terminal-Bench 4.0, Meta annonce 40,9 % contre 39,2 % pour Haiku 5.5 et 16,4 % pour GPT-6 Luna, chaque modèle tournant dans son meilleur harnais publié — mini-swe-agent, Claude Code et Codex respectivement — une méthode honnête qui rend aussi les chiffres plus difficiles à comparer directement.
Issu du grand modèle
Muse Ember est le premier modèle que Meta entraîne avec Muse Wonder Full, le modèle de frontière présenté en octobre, et l’entreprise le présente comme la tenue d’une promesse faite alors : se servir des grands modèles pour produire des modèles spécialisés déployables partout. La gamme décrite aujourd’hui est Muse Wonder pour les problèmes les plus durs, Muse Spark pour le code et les flux agentiques, et Muse Ember pour le travail répétable à grande échelle.

La fenêtre de contexte est d’un million de jetons, avec jusqu’à 512 000 jetons en sortie, assez, selon Meta, pour avaler une base de code ou un corpus documentaire entier en un seul appel. Le modèle est disponible sur Muse Code et l’API Meta Model sous le nom muse-ember-1.0, prend en charge l’API Responses, et figure sur Google Cloud et Oracle Cloud aux côtés de Muse Spark et Muse Wonder.
Sécurité, et les chiffres des partenaires
Meta indique avoir évalué Muse Ember selon son Meta Superintelligence Scaling Framework pour les risques chimiques et biologiques, de cybersécurité et de perte de contrôle, et que dans toutes les catégories examinées le modèle est resté sous les seuils de risque élevé du cadre. L’entreprise dit aussi avoir testé son comportement lorsqu’il agit pour le compte d’un utilisateur, notamment sa résistance aux instructions cachées dans des pages web, des documents ou des sorties d’outils. Aucun score n’est publié pour cela.
Les chiffres des premiers partenaires sont les leurs. Le directeur technique de Cloudflare, Dane Knecht, a déclaré que Muse Ember « tournait jusqu’à 30 % plus vite en queue de distribution que le modèle comparable testé ». Le responsable de l’inférence de You.com, Chak Pothina, fait état d’une latence p95 de 2,2 secondes, « environ 4 à 13 fois plus rapide que les principaux modèles à poids ouverts, et avec 36 à 48 % de jetons de sortie en moins ». Aucune des deux affirmations ne nomme les modèles comparés.
Ce qu’il faudra surveiller, c’est la tenue de ce rang quand Artificial Analysis relancera la version 5 sur d’autres harnais. L’égalité avec Haiku 5.5 à un tiers du coût est tout l’argument de ce modèle, et elle repose sur un chiffre issu d’un seul classement publié le jour du lancement.