Meta vydala 9. listopadu Muse Ember, svůj nejmenší a nejlevnější model. Zaměřuje ho na práci, kterou agenti opakují celý den: volání nástrojů, programovací dílčí úlohy, třídění a vytahování údajů z dokumentů. Cena je stejná jako u Haiku a GPT-6 Luna, 0,10 USD za milion vstupních a 0,50 USD za milion výstupních tokenů. Vstup z mezipaměti stojí o 60 procent méně (0,004 USD) a nad 200 tisíc tokenů se cena ztrojnásobí. K mání je v Meta Model API a v Muse Code, váhy Meta nevydala. Já ho testoval přes Openrouter.
Proti konkurenci
Proti Haiku 5.5: stejný výkon za třetinu. V indexu Artificial Analysis mají oba 36 bodů, úloha stojí na Emberu 14 centů (asi tři koruny), na Haiku 41. Ember vypíše na úlohu třetinu tokenů a ve výchozím nastavení jede naplno (Haiku na medium). Haiku je ale lepší v programování, kde se hodnotí, zda by kód šel rovnou sloučit, a v kancelářské práci.
Proti DeepSeek V4.1 Flash 1017: levnější, ale zavřený. Ember má o tři body víc a úloha stojí čtvrtinu. Na Vals Indexu (finance, právo, daně, programování) je ale DeepSeek o bod lepší a v programovacích agentech jsou oba stejně. DeepSeek má otevřené váhy pod MIT, takže ho můžete provozovat v EU nebo u sebe, jestli na to máte hardware.
Proti GPT-6 Luna: o osm bodů lepší za stejné peníze. Luna stojí za úlohu skoro stejně a v každém testu kromě vědeckých úloh je slabší.
Proti GPT-6.1 Terra: důležitý soupeř, kterého Meta vynechala. Terra na střední úrovni úsilí dá 38 bodů za 17 centů na úlohu, tedy o dva body víc za o tři centy dráž. Za token je přitom desetkrát dražší, takže u úloh s dlouhým vstupem vyjde Ember výrazně levněji.
Zkráceně řečeno, podle výsledků se zdá, že se vyplatí na nějaké ty rutinní práce s daty Ember nasadit.
Na co se hodí a na čem ho vyzkoušet
Vytahování údajů z dokumentů a práce s daty. V testu práce s dlouhými PDF předbíhá Haiku a málo si vymýšlí: na 64 procent znalostních otázek raději odmítne odpovědět. Vyzkoušejte na sadě vlastních smluv, faktur nebo výkazů, kde znáte správné hodnoty, a změřte, kolik polí vytáhne přesně.
Automatizace procesů a volání nástrojů. V testu AutomationBench (úlohy napříč firemními aplikacemi) má 68 procent, stejně jako Muse Wonder nebo GPT-6 Astra. Vyzkoušejte jako vykonavatele v agentovi, kde velký model naplánuje postup a Ember ho stokrát zopakuje.
Pomocník při vývoji. V terminálu je lepší než Haiku i DeepSeek a s Muse Code dobře odpovídá na otázky nad repozitářem. Vyzkoušejte jako subagenta na hledání v kódu, čtení logů, psaní skriptů na čištění a převody dat a spouštění testů.
Na co ho nebrat. Na kód, který má rovnou jít do hlavní větve (tam je Haiku o osm bodů lepší), a na rešerše bez podkladů (zná málo faktů). Rychlost zatím nikdo nezávisle nezměřil.
Testy
| Na max | Muse Ember | Haiku 5.5 | DeepSeek 1017 | GPT-6 Luna |
|---|---|---|---|---|
| Index AA | 36 | 36 | 33 | 28 |
| Cena za úlohu | $0,14 | $0,41 | $0,60 | $0,15 |
| Výstupní tokeny na úlohu | 85 tis. | 226 tis. | 139 tis. | 75 tis. |
| Terminal-Bench 4.0 | 41 % | 33 % | 34 % | 13 % |
| FrontierCode 2.0 (sloučitelný kód) | 27 % | 35 % | 28 % | 25 % |
| Coding Agent Index (s harnessem) | 46 | 37 | 46 | 31 |
| AutomationBench-AA | 68 % | 35 % | 67 % | 53 % |
| GDP.pdf (dlouhé dokumenty) | 23 % | 21 % | 17 % | 23 % |
| AA-Briefcase (kancelář) | 1521 Elo | 1574 Elo | 1570 Elo | 1337 Elo |
| AA-Omniscience (znalosti) | 7 | 12 | 1 | −8 |
| Vals Index | 60,5 % | 58,7 % | 61,3 % | 52,3 % |
| Cena testu na Vals | $0,15 | $3,17 | $0,66 | $0,45 |
| Otevřené váhy | ne | ne | ano, MIT | ne |
Zdroje: Artificial Analysis (index 5.0.1) a Vals AI. Coding Agent Index měří model i s nástrojem: Ember v Muse Code, Haiku v Claude Code, Luna v Codexu.
Tabulka Mety vybírá soupeře pohodlně (chybí DeepSeek i Terra) a AutomationBench počítá přísněji, takže její čísla se s Artificial Analysis srovnávat nedají. V hlavním ale nezávislá měření Metu potvrzují.
Můj test: metadata ke specifikacím mobilních sítí
Ember jsem si vyzkoušel na práci, kterou opravdu často dělám na webu 3GPP Explorer. Model dostane začátek anglické specifikace mobilních sítí (asi 12 tisíc znaků) a vrátí JSON s 22 poli: název, shrnutí, popis, kategorii, protokoly, rozhraní, související specifikace. Čisté vytahování údajů z dokumentu, přesně to, na co Meta Ember míří.
Vzal jsem deset specifikací a každou variantu pustil jednou přes OpenRouter. Odpovědi bez jmen modelů bodoval od 1 do 10 Claude Opus, ceny jsou z reálného účtování. Uvažování (reasoning) u Emberu vypnout nejde, proto jsem prošel všech šest stupňů. Haiku a GPT-6 Luna běžely bez uvažování i na vyšších stupních, starší GPT-5.6 Luna tak, jak ji dnes používám v provozu, tedy bez uvažování. Celé to stálo necelé 2 USD a většinu spolkl soudce.
| Varianta | Skóre | Technická přesnost | Cena za 1000 specifikací | Medián odezvy |
|---|---|---|---|---|
| Ember, minimal | 8,22 | 7,1 | $0,66 | 2,2 s |
| Ember, high | 8,50 | 7,6 | $1,71 | 5,8 s |
| Ember, max | 8,54 | 7,6 | $2,49 | 7,8 s |
| GPT-6 Luna, uvažování vypnuté | 8,32 | 7,5 | $0,64 | 4,1 s |
| GPT-6 Luna, high | 8,30 | 7,6 | $1,13 | 12,2 s |
| GPT-5.6 Luna, uvažování vypnuté | 7,65 | 5,4 | $1,36 | 4,8 s |
| Haiku 5.5, uvažování vypnuté | 7,70 | 6,0 | $0,94 | 4,2 s |
| Haiku 5.5, high | 8,17 | 6,6 | $2,04 | 12,3 s |
Mezilehlé stupně jsem z tabulky vynechal, nic zajímavého nepřinesly.
Proti Haiku vyhrává Ember na ceně i kvalitě. Na minimu ho porazil o půl bodu, vyhrál na osmi specifikacích z deseti a vyšel o necelou třetinu levněji. Část náskoku jde na vrub formátu: Haiku balí JSON do markdownu a v devíti případech z deseti nedodržel zadanou délku popisu. Bez markdownu by rozdíl byl asi 0,4 bodu. Větší propast je v technické přesnosti, Haiku podle soudce přidává protokoly a rozhraní, které do dané specifikace nepatří.
S GPT-6 Luna je to nastejno. Osmibodový náskok z indexu Artificial Analysis jsem na téhle úloze neviděl. Luna bez uvažování vyšla o desetinu bodu lépe než Ember na minimu, což je čistý šum, a cenu mají prakticky stejnou. Ember odpovídá skoro dvakrát rychleji. Luně navíc vyšší úsilí vůbec nepomohlo. A starší GPT-5.6 Luna? Je horší o dvě třetiny bodu a stojí víc než dvojnásobek, takže u mě končí a přecházím na Luna 6.
Pozor na výchozí nastavení. Ember jede z výroby na max. Za tisíc specifikací tak zaplatíte 2,50 USD (cca 50 Kč), skoro trojnásobek Haiku, a dostanete o tři desetiny bodu víc než na minimu. Cenu na třetinu, jakou ukazuje Artificial Analysis, jsem nenaměřil: na minimu ušetřím proti Haiku asi 30 procent. Co vyšší úsilí přinese? Na minimu soudce Emberu čtyřikrát z deseti vytkl špatně určené vydání 3GPP, ve kterém specifikace vznikla. Na max ani jednou.
Deset specifikací je málo a všechny jsou starší (Release 8 a 10), takže rozdíly kolem dvou desetin bodu klidně můžou být šum. Na textech o 5G a 6G jsem to zatím nezkoušel.
Na tenhle typ práce bych bral Ember před Haiku, jen mu musíte stáhnout uvažování na minimum. Proti GPT-6 Luna rozhoduje rychlost, nebo to, co už máte zavedené. Těžší zkouška ho teprve čeká: přiřazování změn mezi verzemi specifikací, kde už některé levné modely pohořely.
Za mě je to užitečný levný vykonavatel rutinní práce: hromadných agentních kroků nad dokumenty a daty. Kdo už má zavedené Haiku nebo DeepSeek, kvůli Emberu měnit nemusí. Kdo platí za objem, by ho měl vyzkoušet.
Zdroje: oznámení Mety, stránka modelu a dokumentace z 9. listopadu 2026, měření Artificial Analysis (index verze 5.0.1, Coding Agent Index, AA-Omniscience), Vals AI a vlastní test na deseti specifikacích 3GPP. Platnost údajů k 9. listopadu 2026. Text vznikl s asistencí modelu Claude Opus 5.5, tedy konkurenčního modelu.