Невдовзі після презентації своїх найпотужніших моделей штучного інтелекту Muse Wonder та Muse Wonder Full компанія Meta представила Muse Ember — найменшу й найефективнішу модель у новій лінійці. Вона призначена для повторюваних операцій, які ШІ-агенти виконують протягом робочого дня: від написання коду до перевірки контрактів і обробки довгих документів. Компанія заявляє, що модель забезпечує результати, близькі до потужніших конкурентів, за значно нижчої вартості.
Muse Ember розробили для підтримки складних міркувань на етапах, де агенти виконують безліч невеликих структурованих кроків у великих робочих процесах. Ідеться про послідовні виклики інструментів, вилучення записів, маршрутизацію запитів, розбір довгих документів, виконання підзадач кодування та оновлення даних у різних застосунках.
Результати тестувань
За даними Meta, модель забезпечує більше обчислювального інтелекту на долар, ніж Claude Haiku 5.5 компанії Anthropic та GPT-6 Luna від OpenAI за будь-яких налаштувань міркування. Зокрема, у тестах Artificial Analysis вона зрівнялася з найкращим результатом Haiku (по 36 балів у загальному індексі), витрачаючи приблизно втричі менше грошей на завдання, і перевершила всі налаштування Luna.
У тесті AutomationBench-AA, який оцінює здатність виконувати комплексні бізнес-процеси від початку до кінця, Muse Ember набрала 37,8%. Для порівняння, GPT-6 Luna отримала 20,2%, а Claude Haiku 5.5 — 13,9%. У внутрішньому тесті Agents' Last Exam модель Meta показала 61,6% проти 57,1% у Luna та 57,0% у Haiku.
У тестуванні програмування модель також випередила конкурентів у кількох категоріях. У Terminal-Bench 4.0, що перевіряє виконання завдань через командний рядок, вона набрала 40,9% проти 39,2% у Haiku та 16,4% у Luna; в індексі Coding Agent Index-AA її результат становив 46 балів проти 37 і 31 відповідно.
Модель також автоматично працює з текстом, зображеннями, аудіо та відео, тому агентам не потрібно залучати окрему систему для кожного типу даних. У тесті OSWorld 2.1, що перевіряє керування комп’ютером через інтерфейс настільних програм, Muse Ember набрала 69,5%, випередивши Haiku (68,9%) і Luna (50,5%); у PerceptionBench, який оцінює детальне візуальне сприйняття за допомогою інструментів, її результат становив 80,6% проти 78,6% у Haiku та 62,8% у Luna.
Водночас Muse Ember не стала лідером у всіх перевірках. У тесті FrontierCode 2.0-AA, який оцінює виконання реальних інженерних завдань, Claude Haiku 5.5 випередила її з результатом 34,9% проти 27,2% (у GPT-6 Luna — 25,2%).
Доступність
Контекстне вікно Muse Ember становить один мільйон токенів, а модель може генерувати до 512 тисяч вихідних токенів за один запит. Це дає змогу передавати їй великі масиви інформації — наприклад, цілу кодову базу або набір документів — за один підхід.
Модель доступна через Muse Code та Meta Model API під назвою muse-ember-1.0, а також у хмарних сервісах Google Cloud та Oracle Cloud. Вартість становить:
-
0,10 долара за мільйон вхідних токенів;
-
0,004 долара за мільйон кешованих вхідних токенів;
-
0,50 долара за мільйон вихідних токенів.
За оцінкою Meta, одне завдання в індексі Artificial Analysis коштує приблизно 14 центів. Для порівняння, аналогічний показник Muse Spark 1.3 становить 2,39 долара, хоча остання модель демонструє трохи вищий результат за індексом інтелекту — 37 балів проти 36 у Muse Ember.
Частина ширшої лінійки моделей Meta
Muse Ember стала першою спеціалізованою моделлю Meta, навченою за допомогою Muse Wonder Full. Компанія позиціонує її як доповнення до своєї лінійки:
-
Muse Wonder — для планування та найскладніших завдань;
-
Muse Spark — для програмування та агентних робочих процесів;
-
Muse Ember — для масових повторюваних операцій, де важлива низька вартість.
Перед запуском Meta також перевірила модель на ризики у сферах кібербезпеки, хімії, біології та втрати контролю. За результатами внутрішнього оцінювання, у жодній із категорій вона не перевищила встановлених компанією порогів високого ризику. Також її тестували на здатність діяти від імені користувачів: дотримуватися їхніх намірів, захищати конфіденційну інформацію, протистояти прихованим інструкціям у документах, виводах інструментів чи на вебсторінках, які намагаються перенаправити дії агента, та запитувати підтвердження людини перед кроками з високим рівнем впливу.
Запуск нової моделі Meta став кроком на шляху до досягнення глобальної мети генерального директора компанії Марка Цукерберга. Раніше він заявив про плани об’єднати мільярди ШІ-агентів Muse у глобальну мережу, яка допомагатиме користувачам і бізнесу, зокрема завдяки безплатному доступу для швидкого залучення аудиторії. Водночас масштабування цієї екосистеми суттєво навантажує ресурси компанії: цього року Meta планує витратити щонайменше 135 мільярдів доларів на ШІ-інфраструктуру.