Muse Ember: o que é, quanto custa e quando vale trocar o Haiku 5.5 ou o GPT-6 Luna pelo modelo pequeno da Meta

O que você leva deste artigo

• Muse Ember é o menor modelo da Meta, para tarefa repetitiva de agente: ferramenta, subtarefa de código, roteamento e extração. Primeiro modelo treinado a partir do Muse Wonder Full.
• Custa US$ 0,10 de entrada e US$ 0,50 de saída por milhão de tokens, igual ao Claude Haiku 5.5 e ao GPT-6 Luna. O cache sai por US$ 0,004, 2,5 vezes menos.
• Acima de 200 mil tokens de entrada, o pedido inteiro passa a custar 3 vezes mais. No Haiku 5.5 o degrau começa em 100 mil e multiplica por 5.
• Na tabela da Meta, o Ember vence em 7 de 10 linhas, empata em 2 e perde o FrontierCode 2.0 para o Haiku 5.5 (34,9 contra 27,2).
• Pelo gráfico da Meta com dados da Artificial Analysis, ele chega perto da melhor nota do Haiku 5.5 gastando cerca de um terço por tarefa. O próprio blog chama esse custo de proposto e de preço de lista.
• Na API, a Meta não usa o seu conteúdo para treino. Nas assinaturas do Muse Code, o modo que treina com o seu conteúdo vem ligado por padrão.
• Corte de conhecimento, preço de lote e ficha técnica completa não foram publicados até a noite do lançamento.

O que é o Muse Ember

O Muse Ember é o menor modelo de linguagem da Meta, lançado em 9 de novembro de 2026 pela Meta Superintelligence Labs. A empresa o descreve como feito para o trabalho que os agentes repetem o dia todo: chamar ferramentas em sequência, executar subtarefas de código, rotear pedidos, extrair dados e ler documentos longos. O identificador na API é muse-ember-1.0.

Ele aceita texto, imagem, áudio e vídeo como entrada e responde em texto. A janela de contexto é de 1 milhão de tokens, e a resposta pode chegar a 512 mil tokens, quatro vezes o limite de saída do Claude Haiku 5.5 e do GPT-6 Luna. Segundo a Meta, é o primeiro modelo treinado a partir do Muse Wonder Full, a versão maior da família lançada em outubro.

A Meta organiza a família em três degraus: o Muse Wonder para os problemas mais difíceis, o Muse Spark para programação e fluxos de agente, e o Ember para tarefa repetitiva em escala. A sugestão de uso combinado é explícita no anúncio: o Wonder planeja e o Ember cuida do volume. É o mesmo desenho de agente que a Anthropic sugeriu no mesmo dia com o Fable 5.2: um modelo caro que decide e modelos baratos que executam.

Quanto custa o Muse Ember

Na Meta Model API, o Ember custa US$ 0,10 por milhão de tokens de entrada, US$ 0,004 por milhão de entrada em cache e US$ 0,50 por milhão de saída, em pedidos de até 200 mil tokens de entrada. É exatamente o preço base do Claude Haiku 5.5 e do GPT-6 Luna. A diferença está no cache, que custa 2,5 vezes menos que nos dois rivais, e nos degraus de contexto longo.

Acima de 200 mil tokens de entrada, a Meta cobra o pedido inteiro pela tabela mais cara, e não só o que passa do limite: US$ 0,30 de entrada, US$ 0,012 de cache e US$ 1,50 de saída, três vezes o preço base. O cache conta para a faixa, e uma conversa continuada pelo identificador da resposta anterior leva o histórico junto. No Haiku 5.5 o degrau começa mais cedo, em 100 mil tokens, e multiplica o preço por cinco. No GPT-6 Luna o salto vem acima de 272 mil tokens e é menor. Entre 100 mil e 200 mil tokens de entrada, o Ember sai cinco vezes mais barato que o Haiku na entrada; entre 200 mil e 272 mil, o Luna sai mais barato que o Ember.

Os limites de uso são de 3.000 pedidos e 4 milhões de tokens por minuto, por equipe. A busca na web, quando usada, custa US$ 2,50 a cada mil consultas, além dos tokens. Preço de lote não aparece na tabela da Meta para o Ember. No Muse Code, ferramenta de programação da Meta, as assinaturas vão de US$ 5 a US$ 200 por mês.

Preço em US$ por milhão de tokens na API de cada empresa

	Entrada	Cache	Saída
Muse Ember até 200 mil tokens	0,10	0,004	0,50
Muse Ember acima de 200 mil	0,30	0,012	1,50
Haiku 5.5 até 100 mil tokens	0,10	0,01	0,50
Haiku 5.5 acima de 100 mil	0,50	0,05	2,50
GPT-6 Luna até 272 mil tokens	0,10	0,01	0,50
GPT-6 Luna acima de 272 mil	0,20	0,02	0,75
Muse Spark 1.3 Meta, degrau acima	1,25	0,15	4,25

Mesmo preço por token, custo diferente por tarefa

Com o preço por token empatado, a Meta defende o Ember pelo custo de cada tarefa concluída. O blog traz um gráfico com o índice de inteligência da Artificial Analysis no eixo vertical e o custo médio por tarefa no horizontal, um ponto para cada nível de esforço. No esforço max, o Ember fez 35,8 pontos a US$ 0,136 por tarefa. O Haiku 5.5 no max fez 36,2 a US$ 0,411, três vezes mais. O melhor ponto do GPT-6 Luna ficou em 27,8, a US$ 0,152.

A conclusão da Meta é que o Ember entrega mais inteligência por dólar que os dois rivais em qualquer nível de esforço. Pelos pontos publicados, a frase se sustenta contra o Luna. Contra o Haiku, o Ember chega perto da nota máxima, sem passar dela, gastando um terço. Para quem roda milhares de chamadas por dia, essa é a diferença que aparece na fatura, porque o preço de tabela é o mesmo.

Há uma ressalva no próprio blog. A legenda do gráfico diz que os custos do Ember são estimativas a preço proposto, e a nota logo abaixo diz que foram calculados a preço de lista. Até a publicação deste texto, a Meta não esclareceu a diferença. E o índice é da Artificial Analysis, que testa cada modelo do seu jeito; com a sua tarefa e o seu prompt, a conta pode sair diferente.

Índice da Artificial Analysis e custo por tarefa, pelo gráfico da Meta

	Índice	Custo por tarefa
Muse Ember xhigh Meta	33,9	US$ 0,116
Muse Ember max Meta	35,8	US$ 0,136
Haiku 5.5 high Anthropic	29,6	US$ 0,159
Haiku 5.5 xhigh Anthropic	34,3	US$ 0,248
Haiku 5.5 max Anthropic	36,2	US$ 0,411
GPT-6 Luna max OpenAI	27,8	US$ 0,152

Benchmarks: onde o Muse Ember ganha e onde perde

A tabela do lançamento compara o Ember com o Claude Haiku 5.5 e o GPT-6 Luna, todos no esforço max. Em 10 linhas, o Ember fica sozinho na frente em 7, empata em 2 e perde 1. A vantagem maior está em fluxos de trabalho de empresa: 37,8% no AutomationBench, conjunto de 657 tarefas privadas da Zapier em aplicativos como Gmail, Salesforce e Slack, contra 20,2% do Luna e 13,9% do Haiku.

A derrota é numa prova que pesa para quem programa. No FrontierCode 2.0, que mede se a mudança de código seria aceita pelo mantenedor do projeto, o Haiku 5.5 fez 34,9 contra 27,2 do Ember. Em uso do computador, a vantagem é de 0,6 ponto (69,5 contra 68,9), e no índice geral da Artificial Analysis os dois empatam em 36.

Duas linhas pedem leitura com cuidado. No Terminal-Bench 4.0, cada modelo foi medido num ambiente diferente: o Ember pela Artificial Analysis num agente simples, o Haiku pelo número que a própria Anthropic publicou no Claude Code e o Luna pelo Codex. E o Personal Superintelligence Index, índice interno da Meta, agora junta oito avaliações; no lançamento do Muse Wonder, em outubro, juntava sete. As duas notas não se comparam.

Muse Ember contra Claude Haiku 5.5 e GPT-6 Luna

	Muse Ember Meta	Haiku 5.5 Anthropic	GPT-6 Luna OpenAI
AutomationBench-AA fluxos de trabalho de empresa	37,8	13,9	20,2
Agents' Last Exam tarefas de agente de ponta a ponta	61,6	57,0	57,1
Personal Superintelligence Index índice interno da Meta	46,8	36,1	37,0
Terminal-Bench 4.0 programação no terminal	40,9	39,2	16,4
Coding Agent Index-AA programação dentro de agente	46	37	31
FrontierCode 2.0-AA código aceito por mantenedores	27,2	34,9	25,2
GDP.pdf-AA trabalho com documentos longos, empate	22,8	20,8	22,8
OSWorld 2.1 uso do computador, nota parcial	69,5	68,9	50,5
PerceptionBench percepção visual, com ferramentas	80,6	78,6	62,8
Artificial Analysis Index índice geral, empate	36	36	28

Para que serve o Muse Ember

O uso que a Meta descreve é o de subagente: o modelo que um agente maior chama centenas de vezes por sessão para ler arquivo, rodar teste, fazer uma correção pontual ou extrair um campo de documento. Como aceita imagem, áudio e vídeo, ele também serve para ler captura de tela, gráfico, documento escaneado, gravação de reunião e nota de voz sem passar por outro modelo antes.

Os parceiros que testaram antes do lançamento relataram estes resultados, medidos por eles mesmos:

No dia a dia de uma empresa, os candidatos naturais são triagem e roteamento de mensagens, extração de dados de nota, contrato e formulário, resumo de atendimento, classificação de lead e as subtarefas de um agente de programação. São trabalhos de volume alto e de resposta curta, em que o preço por chamada pesa mais que a última casa decimal de qualidade.

• Box: no teste interno de trabalho complexo da empresa, o Ember pontuou um contrato contra o manual de negociação, cláusula por cláusula, e chegou à classificação de risco correta.
• Cloudflare: rodou até 30% mais rápido na cauda que o modelo comparável testado, em investigação que cruzava vários repositórios.
• You.com: completou todas as tarefas de programação do teste com p95 de 2,2 segundos, de 4 a 13 vezes mais rápido que os principais modelos abertos, e com 36% a 48% menos tokens de saída.

Onde usar e o que observar no contrato

O Ember está na Meta Model API e no Muse Code desde o lançamento, e a Meta informou no mesmo dia que Ember, Spark e Wonder passaram a estar no Google Cloud e no Oracle Cloud. A API aceita o formato Responses, e o guia rápido da Meta orienta apontar um cliente compatível com o SDK da OpenAI para o endereço dela, o que reduz o trabalho de quem já tem integração pronta. A Meta não publicou versão de pesos abertos do Ember; na família, as versões abertas são o Muse Glimmer e o Muse Spark Open.

O ponto de atenção é o uso dos seus dados. A Meta tem um modo chamado Contributor, que dá desconto em troca da permissão para treinar modelos futuros com o que você envia: prompts, código, arquivos e respostas. Na API, o Ember só roda no modo Standard, em que o conteúdo não é usado para treino. Nas assinaturas do Muse Code, a documentação diz que o modo Contributor vem ligado por padrão e pode ser desligado nas configurações.

Para empresa brasileira que manda dado de cliente, isso entra na conta da LGPD antes de entrar na de custo. Pela API, o caminho é mais simples de documentar. No Muse Code, vale conferir a configuração de cada conta da equipe.

Vantagens do Muse Ember

Os ganhos medidos estão em volume e em documento longo. Os números abaixo são da Meta ou dos parceiros dela.

O ganho mais fácil de medir é o cache: em agente que reenvia o mesmo contexto a cada passo, ele pesa mais que o preço de entrada.

• Cache 2,5 vezes mais barato: US$ 0,004 por milhão, contra US$ 0,01 do Haiku 5.5 e do GPT-6 Luna.
• Contexto médio mais barato: entre 100 mil e 200 mil tokens de entrada, custa um quinto do Haiku 5.5 na entrada.
• Resposta longa: até 512 mil tokens de saída, quatro vezes o limite dos dois rivais.
• Fluxo de empresa: 37,8% no AutomationBench contra 20,2% do Luna e 13,9% do Haiku, na tabela da Meta.
• Entrada multimodal: texto, imagem, áudio e vídeo no mesmo modelo.
• Dados fora do treino pela API: o Ember só roda no modo Standard na Meta Model API.

Desvantagens e limites do Muse Ember

Os limites aparecem nos próprios documentos da Meta e pesam mais para quem precisa de previsibilidade.

Há também falta de informação. Até a noite do lançamento, a Meta não tinha publicado ficha técnica do Ember, como fez com o Wonder, nem corte de conhecimento, níveis de esforço disponíveis, preço de lote nem os números das avaliações de segurança, apenas que o modelo ficou abaixo dos limites de alto risco do seu framework.

• Programação de qualidade: perde o FrontierCode 2.0 para o Haiku 5.5 (27,2 contra 34,9), a prova mais próxima de código que vai para produção.
• Degrau de contexto longo: acima de 200 mil tokens o pedido inteiro custa três vezes mais, e entre 200 mil e 272 mil o GPT-6 Luna sai mais barato.
• Comparação desigual: no Terminal-Bench, cada modelo foi medido num ambiente diferente.
• Custo por tarefa com ressalva: o próprio blog chama o preço usado no gráfico de proposto e de preço de lista.
• Muse Code treina por padrão: o modo Contributor vem ligado nas assinaturas.
• Sem resultado em português: a Meta não publicou avaliação por idioma.

Muse Ember, Haiku 5.5 ou GPT-6 Luna: qual escolher

Com o mesmo preço base, a escolha depende do formato da sua tarefa. Se o agente reenvia muito contexto em cache ou lê documentos entre 100 mil e 200 mil tokens, o Ember tem vantagem de preço clara. Se a entrada passa de 200 mil tokens com frequência, o GPT-6 Luna e o Haiku 5.5 merecem a conta lado a lado. Se o trabalho é escrever código que vai direto para revisão humana, a tabela da própria Meta favorece o Haiku.

Usamos o Haiku 5.5 no chat de atendimento deste site desde outubro. Conversa de atendimento cabe folgada em 100 mil tokens, então para esse uso os três cobram o mesmo por token, e a decisão sairia do custo por conversa e da qualidade da resposta em português, que a Meta não publicou para o Ember.

O teste que recomendamos é o mesmo do artigo do Claude Fable 5.2: separe 20 tarefas reais, rode nos três modelos com o esforço padrão, e compare custo total, acerto e tempo. Os tokens de cada chamada aparecem na resposta da API. As notas independentes de cada modelo ficam no AI Benchmark.

Onde a ROO3 entra

O Ember entra numa disputa em que os três modelos pequenos cobram o mesmo por token. Quem paga menos é quem mede: qual modelo termina a sua tarefa com menos chamadas, menos tokens e menos retrabalho?

Na ROO3, a gente monta agentes e automações para empresas e escolhe o modelo de cada etapa com teste de custo e de acerto, inclusive a configuração de dados de cada fornecedor. A consultoria em IA faz esse teste com as suas tarefas reais.

Se você quer saber se vale trocar o modelo que usa hoje, ou montar um agente com um modelo caro para planejar e um barato para executar, fale com a gente.

Perguntas frequentes

O que é o Muse Ember?

É o menor e mais barato modelo de linguagem da Meta, lançado em 9 de novembro de 2026. Foi feito para tarefa repetitiva de agente, como chamar ferramenta, executar subtarefa de código, rotear pedido e extrair dado de documento. Aceita texto, imagem, áudio e vídeo, com janela de 1 milhão de tokens.

Quanto custa o Muse Ember?

Na Meta Model API, US$ 0,10 por milhão de tokens de entrada, US$ 0,004 de cache e US$ 0,50 de saída, em pedidos de até 200 mil tokens. Acima disso, o pedido inteiro custa US$ 0,30, US$ 0,012 e US$ 1,50.

Muse Ember é melhor que o Claude Haiku 5.5?

Na tabela da Meta, o Ember vence o Haiku 5.5 em 7 de 10 linhas, empata no índice geral da Artificial Analysis e perde o FrontierCode 2.0, de programação, por 34,9 a 27,2. O preço base é o mesmo. A Meta afirma que ele chega perto da melhor nota do Haiku gastando cerca de um terço por tarefa.

Onde usar o Muse Ember?

Na Meta Model API e no Muse Code, com o identificador muse-ember-1.0, e também pelo Google Cloud e pelo Oracle Cloud. A API aceita o formato Responses e clientes compatíveis com o SDK da OpenAI.

A Meta usa meus dados para treinar o Muse Ember?

Pela Meta Model API, o Ember só roda no modo Standard, em que o conteúdo não é usado para treino. Nas assinaturas do Muse Code, o modo Contributor, que permite o treino com o seu conteúdo, vem ligado por padrão e pode ser desligado nas configurações.

O Muse Ember tem pesos abertos?

A Meta não publicou pesos abertos do Ember: ele está disponível como serviço, pela API, pelo Muse Code e pelas nuvens parceiras. Na família, as versões abertas são o Muse Glimmer e o Muse Spark Open.

Fontes

• Meta, Introducing Our Smallest, Most Efficient Model: Muse Ember (9/nov/2026)
• Meta, Muse Ember Evaluation Methodology (relatório, nov/2026)
• Meta, página do modelo Muse Ember
• Meta Model API, modelos
• Meta Model API, preços e limites de uso
• Anthropic, preços da API do Claude
• OpenAI, preços da API
• @AIatMeta no X, anúncio do Muse Ember (9/nov/2026)

Rodrigo Fávaro

Fundador da ROO3, agência de marketing e tecnologia em São José do Rio Preto. Constrói produtos com IA em produção (Tobia, gerar.app, Pense Mercado) e mantém o AI Benchmark, ranking público de modelos de IA. Veja a consultoria em IA da ROO3.

X @rodmf LinkedIn rodrigofavaro