2026-11-10 · ← Noticias
Muse Ember abarata los agentes, pero el contexto largo triplica la factura
Meta ha lanzado Muse Ember para el trabajo repetitivo de agentes a 0,10 dólares por millón de tokens de entrada. Al superar los 200 000 tokens, las tarifas se triplican, por lo que la arquitectura del workflow decidirá la factura final.
No se pudo cargar la imagen.
Meta presenta Muse Ember como un modelo pequeño para tool calls, subtareas de programación, enrutamiento, extracción y documentos largos. Las solicitudes cortas cuestan 0,10 dólares por millón de tokens de entrada, 0,004 dólares por cached input y 0,50 dólares por millón de tokens de salida.
El precio bajo termina en 200 000 tokens
El modelo ofrece una ventana de contexto de 1 millón de tokens y puede devolver hasta 512 000 tokens. Cuando una solicitud supera los 200 000 tokens de entrada, Meta cobra la tarifa superior por toda la petición: 0,30 dólares por la entrada, 0,012 por la caché y 1,50 por la salida. Ember está disponible en Meta Model API y Muse Code como muse-ember-1.0.
Meta afirma que alcanza 36 puntos en Artificial Analysis Intelligence Index con el máximo reasoning effort, por unos 0,14 dólares por tarea. Simon Willison recuerda que el precio por token no basta porque cada modelo puede gastar cantidades muy distintas de reasoning tokens para resolver el mismo problema.
Un ejecutor barato cambia la economía multiagente
Para los equipos que reservan un modelo potente para planificar y delegan cientos de pasos en modelos pequeños, Ember interesa sobre todo como ejecutor. El ahorro se multiplica en enrutamiento, extracción y tool use, donde el agente repite operaciones breves y acotadas.
La consecuencia práctica resulta menos vistosa que otro récord de benchmark. Los diseñadores pueden separar las decisiones caras de la ejecución barata y medir la calidad en los límites entre modelos.
La ventana de un millón invita a una comodidad cara
El marketing destaca 1 millón de tokens, pero el umbral penaliza a las aplicaciones que adjuntan todo un repositorio o historial en cada solicitud. Además, la evidencia procede sobre todo de Meta y Artificial Analysis. Los evals de cada workflow deberán demostrar la fiabilidad real con herramientas.
Mandará el coste de cada tarea terminada
Los equipos deberían medir reintentos, tool calls fallidas, consumo de reasoning tokens y solicitudes que superan los 200 000 tokens. Ember puede abaratar la operación si completa más tareas sin correcciones y mantiene el contexto por debajo del umbral. Las escaladas frecuentes a un modelo mayor borrarían la ventaja.
El veredicto de Lilith
Ember es un corredor barato en el relevo de agentes. Quien le cargue el archivo entero en cada tramo llegará a meta con una factura triple.