Meta lanza Muse Ember, su IA más económica para programar y automatizar tareas

Meta presentó Muse Ember, un modelo de inteligencia artificial diseñado para realizar tareas operativas en segundo plano, como analizar documentos, extraer datos y apoyar procesos de programación. Según la compañía, es el integrante más pequeño y eficiente de su familia Muse hasta ahora y está pensado para ejecutar subtareas repetitivas que forman parte del trabajo de agentes de IA autónomos.

El modelo ya puede utilizarse mediante Meta Model API y Muse Code. Meta fijó su precio en 0,10 dólares por millón de tokens de entrada y 0,50 dólares por millón de tokens de salida. Los tokens son unidades de texto que los modelos procesan para interpretar una solicitud y generar una respuesta; el costo final depende de cuánto contenido se envíe y produzca.

Muse Ember se incorpora a la familia de modelos Muse, desarrollada por el equipo de superinteligencia de Meta, junto con Spark, Glimmer y Wonder. La compañía plantea que Ember se ocupe del trabajo operativo, mientras que modelos de mayor capacidad, como Wonder, pueden abordar tareas que requieren planificación general.

Para qué sirve Muse Ember

Meta diseñó Ember para actividades que un agente puede ejecutar muchas veces durante una sesión, como leer archivos, correr pruebas y corregir fragmentos específicos de código. También puede analizar documentos, extraer información y dirigir solicitudes hacia otros procesos.

La empresa sostiene que estas acciones consumen una parte importante de los recursos cuando un agente trabaja de forma autónoma. En ese esquema, un modelo pequeño y de menor costo puede encargarse de las tareas acotadas, mientras otro sistema más potente define los pasos generales o resuelve problemas complejos.

Muse Ember admite hasta un millón de tokens de entrada y puede generar hasta 512.000 tokens de salida, según Meta. Esa capacidad permitiría procesar bases de código completas o grandes colecciones de documentos en una sola solicitud, aunque el volumen de información manejado también puede influir en el costo.

Capacidades multimodales y pruebas de rendimiento

El modelo también es multimodal: puede interpretar texto, imágenes, audio y video. Esto permitiría que un agente examine capturas de pantalla, diagramas, documentos escaneados o grabaciones sin recurrir necesariamente a otro modelo para cada formato.

Meta afirma que Ember iguala a Claude Haiku 5.5 en algunos benchmarks y supera a GPT-6 Luna en otras pruebas, con un costo menor por tarea. En OSWorld, una evaluación que mide la capacidad de un agente para controlar una computadora, la compañía sostiene que Ember superó a GPT-6 Luna y Claude Haiku 5.5 cuando los modelos se probaron con el razonamiento al máximo.

En Terminal Bench 4.0, que evalúa tareas de ingeniería de software realizadas por agentes, Meta asegura que Muse Ember obtuvo una calificación superior al doble de GPT-6 Sol. La empresa también señala que los modelos Opus, Astra y Sonnet de Anthropic ocupan los primeros puestos, mientras Ember se sitúa en la zona media de la tabla.

Estas comparaciones corresponden a pruebas específicas y a resultados comunicados por Meta. El desempeño puede variar según la tarea, la configuración utilizada y los criterios de cada benchmark, por lo que las cifras no necesariamente anticipan el resultado en todos los usos cotidianos.

Seguridad y disponibilidad

Meta indica que Muse Ember se mantiene por debajo de los umbrales de alto riesgo y que cuenta con medidas de seguridad aplicadas durante el entrenamiento y la ejecución. La compañía afirma que el modelo no tiene capacidades para realizar acciones prohibidas, como hackear sistemas.

Aun así, el uso de agentes requiere atención a los permisos que se les conceden. Si un sistema puede acceder a archivos, ejecutar pruebas o interactuar con una computadora, conviene limitar su acceso a lo necesario y revisar las acciones automatizadas.

Muse Ember está disponible desde hoy en Meta Model API y Muse Code. Su propuesta se centra en reducir el costo de tareas frecuentes y delegables dentro de flujos de trabajo con agentes, especialmente en programación y procesamiento de información.