Muse Ember : le petit modèle de Meta taillé pour les tâches répétitives

Meta a présenté Muse Ember le 9 novembre 2026 comme son plus petit modèle et son option la plus efficace pour les tâches répétitives des agents IA. Disponible le même jour dans Muse Code et via le Meta Model API, il cible les appels d’outils, les sous-tâches de code, l’extraction et l’analyse de longs documents. L’enjeu est simple : faire exécuter au modèle les gestes mécaniques pendant que les systèmes plus lourds gardent le cerveau de l’opération.

Un modèle pensé pour l’exécution, pas pour le grand discours

Muse Ember, exposé sous le nom muse-ember-1.0, est conçu pour la couche de travail qui revient le plus souvent dans les agents : lire, classer, router, corriger, relancer. Meta dit que ses agents dépensent l’essentiel de leurs jetons sur ces séquences courtes et structurées. Ember peut aussi enchaîner des outils, récupérer des enregistrements et mettre à jour des systèmes sur plusieurs applications, ce qui le rend utile pour exécuter un flux métier du début à la fin.

Le modèle prend en charge le texte, l’image, l’audio et la vidéo. En pratique, il peut donc traiter des captures d’écran, des tableaux, des scans, des notes vocales ou des enregistrements de réunion sans faire appel à un autre modèle. Cette polyvalence compte, car elle élargit son terrain d’action au poste de travail, pas seulement au code.

Prix, contexte et division du travail chez Meta

Sur le papier, Meta affiche des tarifs agressifs : 0,10 dollar par million de jetons en entrée, 0,004 dollar pour les jetons mis en cache, et 0,50 dollar par million de jetons en sortie. Ember accepte un contexte d’1 million de jetons, assez pour englober une base de code complète ou un ensemble documentaire en une seule requête, et peut produire jusqu’à 512 000 jetons en sortie.

Meta l’oppose aussi à Muse Spark 1.3, avec une logique de spécialisation assez nette. Wonder doit planifier les problèmes les plus difficiles, Spark prend les tâches de code et d’agents, tandis qu’Ember exécute à grande échelle les versions répétitives de ces mêmes tâches. La promesse est cohérente. Reste le classique petit piège : un modèle très efficace ne devient pas magiquement meilleur sur tous les sujets, comme le rappellent ses résultats en code réel.

Des scores solides, mais pas sur tous les tableaux

Dans les comparaisons publiées par Meta, Ember atteint 36 sur l’Artificial Analysis Intelligence Index, contre 37 pour Muse Spark 1.3, avec un coût par tâche annoncé à 0,14 dollar contre 2,39 dollars pour Spark. Le modèle se présente aussi comme plus économe que Claude Haiku 5.5 et GPT-6 Luna au même niveau de raisonnement, selon les estimations de Meta fondées sur ses prix publics. En revanche, FrontierCode 2.0-AA le place derrière Claude Haiku 5.5 sur les tâches de code réelles, avec 27,2 % contre 34,9 %.

Les autres mesures vont dans le même sens. Meta annonce 37,8 % sur AutomationBench-AA pour les workflows métiers, 61,6 % sur Agents’ Last Exam en sous-ensemble Linux, 40,9 % sur Terminal-Bench 4.0 et 46 sur le Coding Agent Index-AA. Sur OSWorld 2.1, Ember obtient 69,5 % en crédit partiel. Ces chiffres dessinent un modèle rapide et bon marché pour l’exécution agentique, mais pas un champion universel du développement logiciel.

Sécurité, partenaires et premiers usages concrets

Meta dit avoir évalué Ember dans son Superintelligence Scaling Framework pour les risques chimiques et biologiques, cybersécurité et perte de contrôle. Le modèle serait resté sous les seuils jugés à haut risque dans les catégories testées, avec une formation de sécurité et des tests similaires à ceux de ses autres modèles. Les évaluations comportementales ont aussi porté sur le respect de l’intention de l’utilisateur, la gestion des informations sensibles, la résistance aux instructions cachées et la demande d’intervention humaine avant une action à fort impact.

Les premiers retours cités viennent notamment de Cloudflare et de You.com. Dane Knecht, CTO de Cloudflare, indique qu’Ember a été jusqu’à 30 % plus rapide en queue de latence et qu’il a bien géré des investigations couvrant plusieurs dépôts. Chez You.com, Chak Pothina rapporte une latence au 95e percentile de 2,2 secondes et 36 à 48 % de jetons de sortie en moins. Pour les développeurs, l’intérêt est évident : déléguer les tâches répétitives à un modèle moins coûteux et réserver le plus cher à la planification. C’est moins glamour qu’un robot bavard, mais souvent plus rentable.