Meta Muse Ember: il modello AI da 0,10 dollari per agenti economici

Meta ha presentato il 9 novembre 2026 Muse Ember, il suo modello più piccolo ed efficiente, pensato per il lavoro ripetitivo che gli agenti AI svolgono ogni giorno: chiamate a strumenti, piccoli interventi sul codice, instradamento delle richieste, estrazione di dati e lettura di documenti lunghi. Il prezzo è il vero colpo di scena: 0,10 dollari per milione di token in ingresso e 0,50 dollari per milione di token in uscita.

Il modello è disponibile subito e arriva con una finestra di contesto da un milione di token. Vediamo cosa offre davvero, cosa dicono i numeri e dove vanno prese con prudenza le promesse di Meta.

Cos’è Muse Ember e dove puoi usarlo

Muse Ember fa parte della famiglia Muse, la linea di modelli con cui Meta ha ridisegnato la propria offerta AI nel corso del 2026. Se vuoi ricostruire il contesto, nel nostro articolo sulle novità di Meta Muse con voce in tempo reale e avatar espressivi trovi la parte rivolta al grande pubblico. Ember, invece, parla agli sviluppatori e alle aziende.

L’identificativo del modello è muse-ember-1.0 e, secondo la pagina di presentazione di Meta, si può usare tramite Muse Code e la Meta Model API, con supporto alla Responses API. La stessa pagina indica la disponibilità anche su Google Cloud e Oracle Cloud, come parte della famiglia Muse. Non viene citata, invece, una disponibilità nell’app Meta AI.

Contesto, modalità e capacità

La finestra di contesto arriva a un milione di token e l’output può raggiungere 512 mila token. Ember gestisce in modo nativo testo, immagini, audio e video. Può inoltre operare un computer partendo dagli screenshot e leggere documenti scansionati, grafici e registrazioni.

È una combinazione rara per un modello venduto a un prezzo così basso.

Meta lo descrive come il compagno ideale dei modelli più grandi: per i problemi più difficili si può affidare il lavoro a Muse Wonder, mentre Ember si occupa del volume, cioè delle migliaia di piccole operazioni che compongono un flusso di lavoro agentico.

Prezzi: perché 0,10 dollari cambiano i conti

Per prompt fino a 200 mila token il listino è di 0,10 dollari per milione di token in ingresso, 0,004 dollari per milione di token in ingresso già in cache e 0,50 dollari per milione di token in uscita. Oltre i 200 mila token le tariffe salgono a 0,30 dollari in ingresso, 0,012 in cache e 1,50 in uscita.

Il confronto interno con Muse Spark 1.3 è eloquente. Secondo Meta, Spark 1.3 costa 1,25 dollari in ingresso e 4,25 dollari in uscita, mentre il costo per ogni compito dell’Artificial Analysis Intelligence Index passa da 2,39 dollari a circa 0,14 dollari con Ember. Il punteggio dell’indice, però, è quasi identico: 36 contro 37.

Per chi gestisce agenti che lavorano di continuo, con decine di chiamate per ogni attività, è la differenza tra un progetto sostenibile e uno che brucia budget. Se ti occupi di automazioni, è un dato da tenere d’occhio nei tuoi calcoli di costo.

I benchmark: dove Ember vince e dove perde

Meta confronta Ember con Claude Haiku 5.5 di Anthropic e con GPT-6 Luna di OpenAI, tutti con ragionamento al massimo livello. I risultati pubblicati sono molto favorevoli, ma conviene leggerli con attenzione.

Dove è in testa

Su AutomationBench-AA, Ember ottiene il 37,8%, contro il 13,9% di Haiku 5.5 e il 20,2% di GPT-6 Luna. Su Agents’ Last Exam raggiunge 61,6 punti, contro 57,0 e 57,1. Su Terminal-Bench 4.0 totalizza 40,9 punti, davanti a Haiku 5.5 con 39,2 e a Luna con 16,4. Sul Coding Agent Index di Artificial Analysis segna 46, contro 37 e 31.

Buoni anche i risultati sull’uso del computer: su OSWorld 2.1 ottiene il 69,5% nella misura parziale e il 33,8% in quella binaria, mentre su PerceptionBench, con strumenti, arriva all’80,6%.

Dove è in svantaggio

Su FrontierCode 2.0-AA, il benchmark di programmazione più vicino al lavoro reale, Ember si ferma al 27,2%, mentre Haiku 5.5 arriva al 34,9%. Sull’Artificial Analysis Intelligence Index il punteggio è 36, pari a quello di Haiku 5.5, e 36 contro i 28 di Luna. In sostanza: eccellente come esecutore di flussi agentici, meno convincente quando serve scrivere codice complesso.

Va ricordato che molti risultati derivano da valutazioni interne, per esempio Personal Superintelligence Index, OSWorld 2.1 e PerceptionBench con strumenti. Anche Terminal-Bench usa il miglior ambiente di test pubblicato per ciascun modello, quindi i confronti non avvengono in condizioni del tutto identiche.

Gli usi pensati da Meta e il parere dei partner

Il documento di Meta indica quattro scenari principali: flussi di lavoro aziendali che attraversano più applicazioni, con recupero di record, chiamate sequenziali a strumenti e aggiornamento dei sistemi; sottoattività di programmazione come lettura di file, esecuzione di test e correzioni mirate; analisi di documenti e codebase lunghi in una sola chiamata; compiti di uso del computer e di percezione visiva.

Tra le testimonianze riportate ci sono quelle di tre partner. Dane Knecht, direttore tecnico di Cloudflare, parla di velocità e di un tempo di risposta fino al 30% più basso nelle code più lente rispetto a un modello comparabile. You.com riferisce un p95 di 2,2 secondi e dal 36% al 48% di token in uscita in meno rispetto ai modelli open weight testati. Il fondatore di Cline, Saoud Rizwan, lo definisce un modello costruito per il lavoro dei subagenti, come programmazione e analisi di documenti.

Sicurezza

Meta afferma di aver valutato Ember con il proprio Superintelligence Scaling Framework, che copre rischi chimici, biologici, informatici e di perdita di controllo, e di averlo mantenuto sotto le soglie di rischio elevato. I test comportamentali hanno riguardato il rispetto dell’intento dell’utente, la gestione delle informazioni sensibili, la resistenza alle istruzioni nascoste nei contenuti e la richiesta di un intervento umano prima di azioni ad alto impatto.

Il contesto: la guerra dei modelli piccoli

Il lancio arriva proprio mentre il mercato premia chi sa fare di più con meno. Proprio in questi giorni Anthropic ha aggiornato i suoi modelli di punta, come abbiamo raccontato parlando di Claude Fable 5.2 e Mythos 5.2, mentre qui la sfida si sposta sulla fascia economica, dove Haiku 5.5 e GPT-6 Luna sono i riferimenti.

Per Meta c’è anche un tema di strategia. Dopo l’acquisizione di strumenti per il lavoro degli agenti, come abbiamo visto con l’arrivo di Conductor, un modello economico e veloce completa l’offerta per chi costruisce sistemi con molti agenti in parallelo.

Il vantaggio competitivo, in questo segmento, si gioca su tre fattori: il costo per compito, la latenza e la capacità di portare a termine azioni in sequenza senza errori. Ember punta forte su tutti e tre, anche se i dati indipendenti sono ancora pochi e vanno confermati sul campo.

Cosa significa per te

Se sviluppi agenti, automazioni o strumenti di analisi documentale, Muse Ember merita un test comparativo contro il modello che usi oggi. Il consiglio pratico è di non fermarti ai benchmark del produttore: prepara un campione di compiti reali, misura costo, tempo e tasso di successo, e confronta i risultati.

Il punto di forza sembra essere l’esecuzione di flussi lunghi e ripetitivi a costo contenuto, mentre per la scrittura di codice complesso il confronto con Haiku 5.5 resta aperto. Ricorda anche che la disponibilità cambia a seconda della piattaforma: verifica i dettagli su Muse Code, sulla Meta Model API e sui cataloghi cloud prima di pianificare un progetto.

Conclusioni

Muse Ember racconta una tendenza chiara: l’AI per agenti si sta spostando verso modelli piccoli, veloci e molto economici, da usare come manodopera di massa accanto a modelli più potenti riservati ai compiti difficili. Il prezzo di 0,10 dollari per milione di token in ingresso abbassa la soglia per chi vuole sperimentare, e la finestra da un milione di token apre scenari concreti sull’analisi di documenti e codebase.

Restano da verificare i risultati indipendenti e il comportamento nei casi reali. Seguici su intelligenzaartificiale.net per i prossimi aggiornamenti e dicci nei commenti se lo proverai nei tuoi progetti.