Meta lança Muse Ember, IA multimodal que reduz custo em agentes

Inteligência Artificial

Muse Ember é um modelo multimodal inovador que oferece alta capacidade e baixo custo para agentes de alto volume.

Leia também: Fervo fatura US$ 11,9 bi com energia geotérmica para data centers

A Meta Superintelligence Labs lançou o Muse Ember, modelo de inteligência artificial multimodal voltado para subtarefas repetitivas em agentes de alto volume, com promessa de reduzir drasticamente o custo por tarefa e permitir o processamento de bases inteiras de código e documentos em uma única chamada.

O que é o modelo Muse Ember lançado pela Meta?

O Muse Ember é descrito pela Meta como “um modelo de raciocínio pequeno da Meta para subtarefas de agentes em alto volume”, posicionado como o menor e mais eficiente integrante da família Muse, que já tinha Spark, Glimmer e Wonder. Ele foi treinado usando o Muse Wonder Full, o maior modelo da série.

Na prática, o Ember fica abaixo do Muse Wonder, responsável pelos problemas mais complexos, e do Muse Spark, focado em codificação e fluxos de trabalho agentivos. A função do novo modelo é absorver o grosso das tarefas repetitivas desses agentes — como indexação, chamadas de ferramentas e análise de grandes volumes de dados — mantendo desempenho competitivo. Nas avaliações divulgadas pela empresa, o Muse Ember atinge 36 pontos no Artificial Analysis Intelligence Index, em linha com o Claude Haiku 5.5 em configuração de esforço máximo.

A Meta resume o papel de cada modelo da linha Muse da seguinte forma: “Muse Wonder planeja, Muse Ember lida com o volume”.

Como o Muse Ember da Meta ajuda no trabalho de agentes de alto volume?

O Muse Ember foi projetado para lidar justamente com o que mais encarece o uso de IA em larga escala: tarefas repetitivas de agentes que ficam rodando o tempo todo. A Meta lista como alvo chamadas de ferramentas, subtarefas de codificação, roteamento, extração de dados e leitura de documentos longos.

O modelo aceita, de forma nativa, múltiplos formatos: “O modelo aceita texto, imagens, áudio e vídeo nativamente, permitindo que agentes leiam capturas de tela, gráficos, páginas escaneadas, memorandos de voz e gravações de reuniões”, afirma a Meta Superintelligence Labs. Com isso, um único modelo consegue dar conta de fluxos que antes exigiam combinações entre IA de texto, visão computacional e reconhecimento de áudio.

Outro ponto pensado para agentes é a capacidade de operar aplicativos de desktop a partir de capturas de tela, recurso que permite automatizar interfaces gráficas sem necessidade de integrações específicas para cada programa. A ampla janela de contexto também favorece tarefas como revisão de bases de código inteiras, análise de dossiês jurídicos volumosos, auditoria de relatórios financeiros e atendimento ao cliente com histórico completo disponível em uma só chamada.

Qual a capacidade de contexto do Muse Ember da Meta?

O Muse Ember trabalha com uma janela de até 1 milhão de tokens de contexto e pode gerar até 512 mil tokens de saída em uma chamada, limite quatro vezes maior que o de concorrentes diretos que param na faixa de 128 mil tokens.

Na prática, essa capacidade permite colocar em um único prompt uma base de código completa, um conjunto extenso de documentos corporativos ou o histórico longo de interações com um cliente — sem precisar fatiar o material em várias rodadas de processamento. A Meta também destaca que não há faixas extras de cobrança para contextos longos, ao contrário de modelos rivais que elevam o preço a partir de determinados volumes de tokens.

Quais são as principais diferenças entre Muse Ember e outros modelos da Meta?

Dentro do ecossistema Muse, a Meta reserva funções específicas para cada modelo. O Muse Wonder é o mais robusto, dedicado ao planejamento e à solução de problemas complexos; o Muse Spark cobre tarefas de codificação e fluxos agentivos mais elaborados. Já o Ember fica encarregado de “segurar” o alto volume de tarefas repetitivas, com foco em eficiência e custo.

Segundo a Meta, o Ember é o primeiro modelo treinado diretamente a partir do Muse Wonder Full, o que permite herdar capacidades de raciocínio do modelo maior, mas em uma configuração mais compacta e barata de rodar. A lógica é usar o Wonder apenas quando necessário, deixando que o Ember execute o dia a dia dos agentes.

Entenda o contexto

No lançamento, a Meta informou que o Muse Ember custa cerca de US$ 0,14 por tarefa indexada — “um terço do custo do concorrente Haiku 5.5”, nas palavras da própria Meta Superintelligence Labs. As tarifas de uso são de US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída, com entradas em cache a US$ 0,004 por milhão de tokens.

Embora os preços básicos por milhão de tokens sejam semelhantes aos de rivais como Claude Haiku 5.5 e GPT-6 Luna, os relatórios da empresa apontam que o Muse Ember realiza as mesmas tarefas consumindo menos tokens, o que derruba o custo efetivo por tarefa. Em gráficos divulgados pela Meta, o Ember, na configuração de esforço máximo, alcança pontuação próxima a 36 no índice de avaliação por cerca de US$ 0,136 por tarefa, enquanto o Haiku 5.5 chega a desempenho similar por aproximadamente US$ 0,411.

Parceiros como Box, Cline, Oracle, Cloudflare e You.com participaram dos testes iniciais do modelo, indicando interesse corporativo em soluções que combinam contexto longo, multimodalidade e custo mais previsível. O Muse Ember já está disponível na Meta Model API e integrado ao Muse Code, plataforma de agentes de codificação da companhia, com suporte à Responses API.

Na análise do setor, Asif Razzaq, CEO da Marktechpost AI Media Inc. — plataforma de mídia em IA com mais de 2 milhões de visualizações mensais — destacou a importância do Muse Ember para o avanço da IA multimodal e para a eficiência de agentes em alta demanda, avaliação que reforça o potencial do novo modelo em aplicações corporativas intensivas em dados.