Meta lancerede mandag den 9. november Muse Ember, den mindste og billigste model i Muse-familien. Den er bygget til det arbejde, en AI-agent gentager hele dagen: værktøjskald, kodedelopgaver, routing, dataudtræk og læsning af lange dokumenter. De svære enkeltopgaver overlader Meta til de store modeller. Prisen er 0,10 dollar pr. million input-tokens, og det er dér, historien ligger.
Vi har læst Metas forskningsindlæg, udviklerbloggen og prissiden, og vi skiller Metas egne tal fra de uafhængige. Det korte svar: Ember er billig nok til at køre i hver eneste arbejdsgang, den slår sine priskonkurrenter Claude Haiku 5.5 og GPT-6 Luna på flere agenttests, og den taber på reel softwareudvikling. Her er, hvad det betyder, hvis I bygger eller køber AI-agenter.
Ember er den fjerde model under Muse-navnet. Den følger Muse Spark fra april, open source-tvillingen Muse Glimmer fra august og frontier-modellen Muse Wonder fra oktober. Meta skriver, at Ember er den første model, selskabet har trænet ved hjælp af Muse Wonder Full. Den er altså bygget af en større model, men stillet til rådighed som en lille, billig arbejdshest.
En lille model er sjældent klogere end en stor. Dens fordel er mængden. Det meste agentarbejde består af mange små, ensartede trin: hente en record, kalde et værktøj, klassificere en ticket, udtrække et felt. En stor model kan gøre det, men regningen vokser hurtigt, når den samme beslegtede opgave køres titusindvis af gange. Meta positionerer Ember som den model, der tager den volumen, mens en større model lægger planen. Den er tilgængelig på Meta Model API og i kodeværktøjet Muse Code som muse-ember-1.0.
Vær opmærksom på forvekslingen. Ember er en model, I kalder via API, ikke den forbrugeragent, Meta lancerede i september, og som vi beskrev dengang, blandt andet fordi den ikke er i Danmark. Det her er infrastruktur til at bygge med, ikke en app.
Ember koster 0,10 dollar pr. million input-tokens, 0,004 dollar for cachet input og 0,50 dollar pr. million output-tokens. Det gælder for forespørgsler op til 200.000 input-tokens. Over den grænse stiger prisen til 0,30 dollar input og 1,50 dollar output. Hold derfor forespørgslerne under 200.000 tokens, hvor I kan.
Forskellen bliver tydelig, når man holder Ember op mod Muse Spark, Metas mellemstore model. På Artificial Analysis' intelligensindeks scorer Ember 36 mod Sparks 37, altså stort set det samme. Men en opgave på indekset koster omkring 0,14 dollar med Ember mod 2,39 dollar med Spark, fordi Spark koster 1,25 dollar input og 4,25 dollar output pr. million tokens. Samme resultat til en femtendedel af prisen er hele forretningsidéen bag en lille model.
Prisen placerer også Ember midt i det billige segment. TechCrunch beskriver den som markant billigere end frontier-konkurrenterne Haiku og Luna og som prismæssigt på niveau med open source-modeller som DeepSeek V4.1 Flash og GLM 5.3 Flash. For en forståelse af, hvordan token-prisen oversættes til en reel regning, har vi samlet det i vores ordbogsopslag om token-økonomi.
Det eneste uafhængige tal i Metas materiale er Artificial Analysis' intelligensindeks. Her scorer Ember 36, præcis det samme som Claude Haiku 5.5, mens GPT-6 Luna ligger på 28. Ember er altså på niveau med Haiku på intelligens, men til omkring en tredjedel af prisen pr. opgave. Det er den sammenligning, Meta bygger hele lanceringen op om.
På de agenttests, Artificial Analysis har målt, fører Ember klart. På AutomationBench, der måler forretningsarbejdsgange fra ende til anden, scorer Ember 37,8 mod Lunas 20,2 og Haikus 13,9. På Terminal-Bench 4.0 ligger Ember på 40,9 mod Haikus 39,2 og Lunas 16,4, hvor hver model kører i sit bedste harness. På indekset for kodeagenter scorer Ember 46 mod Haikus 37 og Lunas 31.
Ember taber på ét punkt, og det punkt er vigtigt. På FrontierCode 2.0, der måler reelle ingeniøropgaver bedømt på, om rettelsen kan merges, scorer Haiku 5.5 34,9 mod Embers 27,2 og Lunas 25,2. Det er netop den slags opgave, hvor en lille model ikke rækker, og Meta anbefaler da også selv at bruge Spark eller Wonder til svære, enkeltstående kodeopgaver og videnstunge spørgsmål.
Resten af benchmarkene er Metas egne. Agents' Last Exam, Personal Superintelligence Index, OSWorld 2.1 og PerceptionBench er interne evalueringer, hvor Meta har valgt både test og modstandere. De kan være retvisende, men de er ikke efterprøvet udefra. Det samme gælder partnercitaterne fra Box, Cline, Oracle, Cloudflare og You.com: Cloudflares CTO fremhæver, at Ember kørte op til 30 procent hurtigere i halen end den model, de sammenlignede med, og You.com måler en p95-latenstid på 2,2 sekunder. Det er udsagn, Meta har udvalgt, ikke uafhængige målinger.
Den måde, Ember er tænkt til at blive brugt på, er en arbejdsdeling: en stor model lægger planen, og mange små Ember-agenter udfører de afgrænsede delopgaver parallelt. Meta har beskrevet to konkrete kørsler i sin udviklerblog, og tallene er Metas egne.
I det første eksempel portede Meta 16 sproglexere i Pygments fra Python til Rust. Muse Wonder lagde planen og åbnede aldrig selv kildekoden; 16 Ember-agenter tog hver sin lexer i sin egen kopi af koden. Ember behandlede 158 millioner input-tokens mod Wonders 4,4 millioner, og hele kørslen kostede omkring 3,96 dollar: 2,12 dollar til Wonder og 1,84 dollar til Ember. Alle 16 lexere matchede Python på 383 testinput og på 62 af 62 rigtige filer, som blev leveret efter koden var låst. Rust-koden kørte 3,0 til 7,3 gange hurtigere end Python.
I det andet eksempel fik Muse Code en mappe med 10.000 fotos og én linje instruktion: tekst dem, omdøb dem og sortér dem i album. Wonder valgte albummene og skrev pipelinen, 16 Ember-agenter kørte den på hver sin del. Hele jobbet kostede 1,33 dollar, hvoraf kun 0,52 dollar gik til Ember. Til Wonders pris alene ville de samme forespørgsler have kostet omkring 20 dollar. Det er den besparelse, routing handler om.
Det er samme logik, vi så i GitHub Copilot Fusion, der vælger modellen for jer, bare vendt om: med Ember vælger og kobler I selv modellerne i jeres eget harness. Vil I forstå byggeklodserne, forklarer vi dem i ordbogen under multi-agent system, og vi har også skrevet en længere gennemgang af hvad en subagent er.
Meta angiver, at Ember forstår tekst, billede, lyd og video som input og svarer med tekst. TechCrunch bekræfter tekst, billede og lyd i sin uafhængige omtale. I praksis betyder det, at en agent kan læse et skærmbillede sammen med en fejlrapport, udtrække felter fra et scannet dokument eller opsummere handlingspunkter fra en mødeoptagelse uden en separat model til hver type. Modellen har et kontekstvindue på 1 million tokens og kan skrive op til 512.000 output-tokens.
Skiftet er lavt, hvis I allerede bygger på et OpenAI-kompatibelt SDK. Ember understøtter Responses-API'et, og Meta skriver, at I kan pege jeres eksisterende klient mod api.meta.ai og sætte modellen til muse-ember-1.0 uden at ændre resten af koden. Det gør det billigt at teste den mod jeres nuværende lille model på jeres egne opgaver, før I beslutter jer.
Meta kører sine modeller i to tilstande, og forskellen er vigtig, før persondata eller fortrolig kode sendes afsted. I Standard mode betaler I standardprisen, og jeres indhold bruges ikke til at træne Metas modeller. I Contributor mode får I rabat til gengæld for tilladelse til, at jeres prompts, kode, filer og modellens svar bruges til at træne fremtidige Meta-modeller.
Faldgruben ligger i Muse Code. Abonnementer på kodeværktøjet står som standard i Contributor mode, uanset hvilken model I vælger, og I skal selv slå det fra i indstillingerne, hvis koden ikke må bruges til træning. På Model API er det omvendt: her er Standard mode udgangspunktet. Tjek indstillingen, før en agent får adgang til fortrolig kildekode.
For danske virksomheder er der et hul i dokumentationen. EU og Danmark står ikke på Metas liste over begrænsede territorier, så API'et er som udgangspunkt tilgængeligt. Men Meta oplyser ikke offentligt, hvor data på Model API behandles, eller om der findes EU-dataresidens, og Embers juridiske klassificering er endnu ikke med i Metas model- og geografipolitik, der sidst blev opdateret 12. oktober, før Ember udkom. Før I sender persondata gennem modellen, skal databehandleraftale, behandlingssted og eventuelle tredjelandsoverførsler være afklaret. Ember, Spark og Wonder er ifølge Meta også tilgængelige på Google Cloud og Oracle Cloud, som måske kan give EU-regioner, men pris og vilkår der er ikke oplyst.
Prisen på det kedelige agentarbejde falder igen, og det flytter grænsen for, hvilke opgaver der kan betale sig at lade en model om. Hvis I kører store mængder ensartede opgaver, er det ofte den lille model, der afgør, om en business case hænger sammen. De oplagte use cases er klassificering og routing af supporttickets og e-mails, feltudtræk fra fakturaer og scannede dokumenter, oprydning og berigelse af CRM-data i stor skala, for eksempel i HubSpot via API, og delagenter i kodeprojekter og migreringer.
Det kan I gøre nu:
En billig model fjerner ikke ansvaret. Bruger I Ember i en sammenhæng, der efter AI-forordningen er højrisiko, ligger forpligtelserne som udbyder eller idriftsætter stadig hos jer, uanset hvor lidt modellen koster pr. kald.
Muse Ember er ikke et gennembrud i, hvad en model kan. Det er et skridt i, hvad den koster. Når det gentagne arbejde falder til 0,10 dollar pr. million tokens, flytter spørgsmålet sig fra, om I har råd til at lade en agent gøre det, til om I har styr på, hvad agenten laver, og hvor data havner. Det er dér, arbejdet ligger nu.