# Muse Ember de Meta: ficha, precio, benchmarks y cuándo elegirlo

> Qué es Muse Ember, el modelo pequeño y barato de Meta: precio, contexto de 1M, benchmarks que publicó Meta y cuándo elegirlo. Datos a 15 de noviembre de 2026.

*Tags: ia, modelos, meta, subagentes, modelos-cerrados*

---


> [!info] Definición Rápida
> **Muse Ember** es el modelo más pequeño y eficiente de la familia Muse de Meta, lanzado el 9 de noviembre de 2026 para trabajo repetitivo de agentes: llamadas a herramientas, subtareas de código, enrutamiento y extracción de datos. Se usa por API como `muse-ember-1.0`, con 1M de tokens de contexto y entrada de texto, imagen, video, audio y PDF.


## ¿Qué es Muse Ember y cuándo salió?

Meta lo presentó el 9 de noviembre de 2026 en su blog de investigación. En la familia Muse cada modelo tiene un papel: Muse Wonder para los problemas más difíciles, Muse Spark para flujos de código y de agentes, y Muse Ember para tareas repetibles de código y de agentes a gran escala. Meta también dice que Ember es el primer modelo entrenado con Muse Wonder Full.

La idea práctica: Ember es la pieza barata y rápida que haces trabajar muchas veces, no el modelo al que le pides lo más difícil. Para entender esa diferencia, lee [[modelos-pequenos-vs-grandes|modelos pequeños vs grandes]].

## ¿Para qué sirve?

Meta lo recomienda para trabajo de alto volumen: tareas de subagentes, llamadas a herramientas, enrutamiento y procesamiento de grandes colecciones de imágenes, archivos y registros. Como acepta texto, imagen, video, audio y PDF, encaja en tareas como etiquetar cientos de capturas de pantalla, extraer campos de documentos o clasificar mensajes de soporte. Para el concepto, mira [[modelos-multimodales|modelos multimodales]].

El esfuerzo de razonamiento va de minimal a max, y el valor por defecto es max. Para tareas simples, prueba un nivel menor y compara costo y calidad.

Meta aclara sus límites: para problemas difíciles de código de un solo intento, preguntas que dependen de mucho conocimiento o código visual, usa Muse Spark o Muse Wonder.

## ¿Qué benchmarks publicó Meta y cómo se leen?

Estas cifras las publica Meta en el anuncio de Ember, con todos los modelos en razonamiento max. Algunas son evaluaciones internas de Meta y otras vienen de Artificial Analysis. A 15 de noviembre de 2026:

| Benchmark | Puntaje de Muse Ember | Quién lo midió |
|---|---|---|
| Terminal-Bench 4.0 | 40.9% | No indicado en el anuncio (mejor arnés publicado de cada modelo) |
| OSWorld 2.1 (crédito parcial) | 69.5% | Meta (evaluación interna) |
| OSWorld 2.1 (binario) | 33.8% | Tabla del anuncio de Meta |
| Agents' Last Exam | 61.6% | Meta (evaluación interna, subconjunto Linux) |
| AutomationBench-AA | 37.8% | Artificial Analysis (Intelligence Index v5); lo reporta Meta |
| FrontierCode 2.0-AA | 27.2% | Artificial Analysis (Intelligence Index v5); lo reporta Meta |
| PerceptionBench (con herramientas) | 80.6% | Meta (evaluación interna) |

Cómo leerlos:

- **Mira qué variante se reporta.** OSWorld 2.1 aparece con dos cifras, una con crédito parcial (69.5%) y otra binaria (33.8%). No son lo mismo: la binaria da una cifra mucho menor.
- **Meta publica también la comparación.** En la tabla del anuncio, Meta pone a Claude Haiku 5.5 y GPT-6 Luna al lado de Ember. En FrontierCode 2.0-AA, la propia Meta muestra a Haiku 5.5 por encima (34.9% frente a 27.2%). Que un laboratorio publique un caso desfavorable es una buena señal de lectura, pero la tabla sigue siendo suya.
- **Contra su hermano mayor.** Meta cita a Artificial Analysis (Intelligence Index v5): 36 para Ember y 37 para Muse Spark 1.3, con un costo por tarea del índice de 0.14 dólares frente a 2.39.
- **No armes rankings entre laboratorios.** Cada uno usa su arnés y su configuración (en Terminal-Bench 4.0, Meta usó el mejor arnés publicado de cada modelo). Por eso el mismo nombre de benchmark puede dar cifras muy distintas según quién lo corra. Para profundizar, lee [[benchmarks-de-ia|benchmarks de IA]].

## ¿Cuánto cuesta y qué contexto tiene?

Datos a 15 de noviembre de 2026, según la documentación y el anuncio de Meta:

| Dato | Valor |
|---|---|
| ID de API | `muse-ember-1.0` |
| Fecha de lanzamiento | 9 de noviembre de 2026 |
| Contexto | 1M tokens (1,048,576); salida máxima 512K (524,288) |
| Entrada / salida | Texto, imagen, video, audio y PDF / solo texto |
| Precio hasta 200K de entrada | 0.10 USD entrada, 0.004 USD entrada en caché, 0.50 USD salida (por millón de tokens) |
| Precio con más de 200K de entrada | 0.30 USD entrada, 0.012 USD entrada en caché, 1.50 USD salida (por millón de tokens) |
| Límites por equipo | 3,000 peticiones por minuto y 4,000,000 tokens por minuto |
| Abierto o cerrado | Cerrado: se ofrece por API, no entre los modelos de pesos abiertos de Meta |
| Modo | Solo Standard en la API de Meta |

Un detalle de la factura: cuando una petición pasa de 200K tokens de entrada, se cobra completa a la tarifa de contexto largo, no solo los tokens que exceden el umbral. Los tokens en caché cuentan para ese total.

Ejemplo ilustrativo de cálculo: una petición con 50.000 tokens de entrada y 5.000 de salida cuesta 50.000 x 0.10 / 1.000.000 = 0.005 USD más 5.000 x 0.50 / 1.000.000 = 0.0025 USD, unos 0.0075 USD. Para entender cada pieza, mira [[tokens|tokens]], [[costo-por-token|costo por token]] y [[ventana-de-contexto|ventana de contexto]].

## ¿Cuándo elegirlo y cuándo no?

**Elígelo cuando:**

- Tienes miles de elementos que clasificar o extraer y el costo por petición decide.
- Necesitas una entrada mixta (capturas, audio, PDF) en un solo modelo.
- Montas un flujo con subagentes y quieres que la pieza repetitiva sea barata.

**No lo elijas cuando:**

- El problema es difícil y de un solo intento; Meta recomienda Spark o Wonder.
- Necesitas pesos abiertos para correrlo tú mismo. Mira [[modelos-abiertos-vs-cerrados|modelos abiertos y cerrados]].
- Quieres comparar con un modelo pequeño de otro laboratorio: prueba también [[claude-haiku-5-5|Claude Haiku 5.5]] con tus propios datos.

## Ejemplo

Ejemplo ilustrativo: una diseñadora de producto exportó 200 comentarios de usuarios, algunos con captura de pantalla, y necesita agruparlos por tema para una sesión de priorización. Escribe una instrucción que pida, para cada comentario, un JSON con tema, gravedad de 1 a 3 y una cita corta, y la ejecuta con Muse Ember. Con unos 2.000 tokens de entrada y 300 de salida por comentario, el lote ronda 0.07 USD según las tarifas de la tabla.

Qué probar mañana: toma 20 comentarios, clasifícalos tú a mano y compara con el resultado del modelo. Si coinciden en la mayoría, escala al lote completo; si no, ajusta la instrucción o sube el nivel de razonamiento.

## Errores comunes

- Usar Ember para el problema más difícil del proyecto en lugar de Spark o Wonder.
- Leer un solo número de benchmark sin mirar la variante (crédito parcial o binario).
- Suponer que es de pesos abiertos porque Meta tiene otros modelos abiertos.
- Dejar el razonamiento en max para tareas triviales sin comparar el costo.
- Cruzar los 200K tokens de entrada sin notar que toda la petición cambia de tarifa.
- Escalar a todo el lote sin revisar antes una muestra a mano.

## Fuentes

- [Meta: anuncio de Muse Ember](https://research.meta.ai/blog/muse-ember)
- [Meta: documentación de modelos](https://dev.meta.ai/docs/models)
- [Meta: página del modelo Muse Ember](https://dev.meta.ai/docs/muse-ember)
- [Meta: precios y límites de uso](https://dev.meta.ai/docs/pricing-rate-limits)


---

Source: https://www.fernandoux.com/es/wiki/ia/muse-ember/
