Meta lancia Muse Ember, modello piccolo per agenti con contesto da 1M token
Testo scritto con l’intelligenza artificiale a partire da 2 fonti citate, senza revisione umana prima della pubblicazione.
Muse Ember promette efficienza sui compiti ripetitivi di automazione e coding, con output fino a 512K token e prezzi di base comparabili a GPT-6 Luna e Claude Haiku 5.5.
Meta Superintelligence Labs ha presentato Muse Ember, il suo modello più piccolo ed efficiente per i compiti ripetitivi degli agenti, con finestra di contesto da 1 milione di token e output fino a 512.000 token2.
Meta lo indirizza alle operazioni che gli agenti eseguono tutto il giorno: chiamate a tool, sottocompiti di coding, routing, estrazione e parsing di documenti lunghi1. È la quarta tappa della linea Muse dopo Spark, Glimmer e Wonder. Nella gerarchia interna, Wonder pianifica, Ember gestisce il volume dei compiti ripetuti2.
Il modello è multimodale. Accetta testo, immagini, audio e video. Può leggere screenshot, grafici, pagine scannerizzate, memo vocali e registrazioni di riunioni senza modelli separati. Può anche operare app desktop partendo da screenshot2. I pesi restano chiusi. L’uso è possibile solo sull’infrastruttura ospitata di Meta, via Meta Model API e Muse Code. Non esiste opzione locale o quantizzata2.
Sul prezzo, per prompt brevi Ember costa come GPT-6 Luna e Claude Haiku 5.5: 0,10 dollari per milione di token in input e 0,50 in output. Con prompt molto lunghi scattano soglie che cambiano il costo effettivo, e in quel caso Ember si colloca tra gli altri due. La metrica per token oggi inganna: i token di ragionamento portano modelli diversi a usare volumi molto differenti per lo stesso compito1. Artificial Analysis misura il costo per task, e qui Ember mostra un profilo efficiente. MarkTechPost riporta circa 0,14 dollari per task sull’indice AA2. Secondo Simon Willison, i punti Ember si dispongono sulla frontiera di efficienza del leaderboard AA: nessun modello ottiene un punteggio più alto spendendo meno per task1.
Sui numeri, Meta indica 36 come punteggio di Intelligence Index su Artificial Analysis, allo stesso livello di Claude Haiku 5.5 al massimo sforzo e davanti a GPT-6 Luna a 282. Nei test di agenti, su AutomationBench-AA con 657 workflow di Zapier, Ember completa il 37,8% dei compiti. Luna raggiunge il 20,2%, Haiku il 13,9%2. Nello scenario interno Agents’ Last Exam, Ember segna 61,6 contro 57,1 e 57,02.
Nel coding, Ember guida Terminal-Bench 4.0 con 40,9. Haiku è a 39,2, Luna a 16,4. Sull’AA Coding Agent Index, Ember totalizza 46, contro 37 e 31. Perde però su FrontierCode 2.0-AA, dove Haiku ottiene 34,9 ed Ember 27,22. Nel multimodale, Ember e Luna pareggiano su GDP.pdf-AA a 22,8. Su OSWorld 2.1, Ember è a 69,5 di credito parziale, Haiku a 68,9. Su PerceptionBench con strumenti, Ember fa 80,6, Haiku 78,6, Luna 62,82.
Ember offre sei livelli di ragionamento: minimal, low, medium, high, xhigh e max. Willison ha provato a generare sei SVG con “pellicani in bicicletta”, uno per livello. Il livello “high” non ha restituito un SVG completo. La qualità visiva non seguiva una scala chiara tra i livelli. Il risultato “max” regge il confronto con immagini ottenute da Muse Wonder, che costa circa 40 volte di più di Ember1.
Willison segnala che per prompt brevi i prezzi di Ember si allineano a GPT-6 Luna e Claude Haiku 5.5, mentre Claude Fable 5.2 costa 8 dollari per milione di token in input e 40 in output, 80 volte tanto1.
L’esecuzione resta sul cloud di Meta. Non c’è opzione locale o quantizzata2.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Rilettura. Un passaggio toglie i tic della prosa generata da un modello, come i contrasti costruiti e le frasi che annunciano invece di informare, senza toccare fatti e fonti.
- Fedeltà alle fonti. Un passaggio dedicato toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,0/10.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.