Muse Ember - Meta의 가장 작고 효율적인 모델

Meta가 복잡한 추론과 반복적인 도구 호출, 코딩 하위 작업, 라우팅, 정보 추출, 긴 문서 파싱을 위한 모델 Muse Ember를 공개함 Artificial Analysis 평가에서 Claude Haiku 5.5의 최고 점수에 근접한 성능을 약 3분의 1 비용으로 기록했으며, GPT-6 Luna의 모든 추론 설정보다 높은 점수를 얻음 100만 토큰 컨텍스트와 최대 51만 2,000 출력 토큰을 지원하며, 기록 조회부터 도구 순차 호출, 여러 앱의 시스템 갱신까지 이어지는 에이전트 작업을 수행함 텍스트, 이미지, 오디오, 비디오를 기본 지원하며, 코딩과 멀티모달 평가 다수에서 비교 모델보다 높은 점수를 기록함. 다만 실제 엔지니어링 작업을 평가하는 FrontierCode 2.0-AA에서는 Claude Haiku 5.5보다 낮았음 Muse Code와 Meta Model API에서 사용할 수 있으며, 100만 토큰당 입력 0.10달러, 캐시 입력 0.004달러, 출력 0.50달러로 제공됨 모델 설계와 비용 효율 Muse Ember는 에이전트가 하루 종일 반복하는 작고 구조화된 작업과 복잡한 추론을 위해 설계된 Meta의 가장 작고 효율적인 모델임 도구 호출, 코딩 하위 작업, 라우팅, 정보 추출, 긴 문서 파싱이 주요 대상임 Artificial Analysis Intelligence Index와 작업당 비용을 비교하면, 제시된 추론 설정에서 Claude Haiku 5.5와 GPT-6 Luna보다 높은 비용 대비 성능을 보임 Muse Ember는 작업당 0.116달러에서 33.9점, 0.136달러에서 35.8점을 기록함 Claude Haiku 5.5의 최고 점수는 36.2점이며 작업당 비용은 0.411달러임 GPT-6 Luna의 최고 점수는 27.8점이며 작업당 비용은 0.152달러임 Muse Ember의 비용은 공시 가격 기준이며, 각 측정점은 개별 추론 강도 설정에 해당함 전체 Artificial Analysis 순위에서도 Muse Ember보다 작업당 비용이 낮으면서 점수가 높은 모델은 없음 세부 평가 방법과 결과는 Muse Ember 평가 보고서에서 확인할 수 있음 에이전트 업무와 기업 콘텐츠 100만 토큰 컨텍스트와 최대 51만 2,000 출력 토큰으로 전체 코드베이스나 문서 집합을 한 번의 호출에 입력할 수 있음 업무 흐름 전체 실행을 지원하며, 기록을 가져오고 도구를 순서대로 호출한 뒤 여러 앱의 시스...