Meta presentó Muse Ember el 9 de noviembre de 2026 como su modelo pequeño y eficiente para trabajo repetido de agentes: llamadas a herramientas, clasificación, extracción y subtareas de programación. Ya está disponible en Meta Model API. Para quien valore incorporarlo, hay una condición de facturación que cambia el cálculo: una solicitud con más de 200.000 tokens de entrada utiliza tarifas de contexto largo en toda la petición, no solo en el exceso.
El anuncio de Meta aporta resultados de evaluaciones y experiencias de colaboradores. No son pruebas realizadas por Puntoes ni demuestran cuánto ahorrará una aplicación concreta. Aquí revisamos el servicio anunciado y sus condiciones para decidir qué validar antes de usarlo.
Qué puede recibir y qué trabajo le asigna Meta
La ficha técnica identifica el modelo como muse-ember-1.0. Acepta texto, imágenes, vídeo, audio y PDF, y devuelve texto. Su ventana de contexto es de 1.048.576 tokens, con un máximo de 524.288 tokens de salida. Los tokens son las unidades en las que el modelo procesa el contenido; esos límites no equivalen a una promesa de comprensión perfecta de un documento largo.
Se puede utilizar mediante los protocolos Responses, Chat Completions y Messages de Meta. El esfuerzo de razonamiento admite valores de minimal a max; el valor predeterminado es max. No conviene interpretar el tamaño del modelo como una garantía de que todas las peticiones consumirán poco razonamiento.
Meta propone repartir el trabajo: un modelo como Muse Wonder o Muse Spark planifica, mientras Ember ejecuta muchas tareas acotadas. Para problemas difíciles de programación en una sola petición, preguntas intensivas en conocimiento o programación visual, su documentación remite a Spark o Wonder. Es la orientación del proveedor, no una conclusión de una comparativa propia.
La tarifa depende de la entrada completa
La tabla oficial de precios distingue dos tramos. Importes en dólares por millón de tokens:
| Concepto | Hasta 200.000 tokens de entrada | Más de 200.000 tokens de entrada |
|---|---|---|
| Entrada | 0,10 | 0,30 |
| Entrada recuperada de caché | 0,004 | 0,012 |
| Salida | 0,50 | 1,50 |
El umbral se calcula incluyendo los tokens de entrada servidos desde caché. Cuando una solicitud continúa una conversación almacenada mediante previous_response_id, también cuenta esa conversación. Por tanto, un mensaje nuevo corto puede formar parte de una petición que ya supera el umbral.
La búsqueda web añade 2,50 dólares por cada mil consultas, aparte de los tokens. La tarifa de una primera llamada no describe por sí sola el coste de un agente que busca, vuelve a consultar el modelo o repite trabajo.
Un ejemplo de decisión antes de integrar
Imaginemos una aplicación que clasifica incidencias y entrega los casos ambiguos a una persona. Es un escenario hipotético, no ejecutado. Enviar a Ember la incidencia y la información necesaria permite medir una tarea acotada; adjuntar de forma automática todo el historial de la empresa puede cambiar tanto el precio como el resultado.
Nuestra propuesta es preparar un conjunto fijo de incidencias con categorías esperadas, incluyendo errores y casos ambiguos. Mediríamos clasificaciones correctas, derivaciones, latencia y coste total por caso resuelto, conservando el nivel de razonamiento y los datos enviados. Una salida con formato correcto no demuestra que la clasificación sea correcta; un precio menor por token tampoco demuestra menor coste por resolución.
API, suscripción y uso de datos
Ember funciona en Standard mode en Model API; no tiene una variante Contributor en esa vía. La documentación para elegir modelo distingue expresamente esas modalidades. No se debe trasladar a Ember una condición de Contributor de otra variante de Muse.
También está disponible en Muse Code mediante pago por uso y en todos sus planes, con las condiciones de consumo correspondientes. La ficha advierte que superar 200.000 tokens de entrada consume más rápidamente el uso de una suscripción. Acceso en Muse Code y facturación de una integración propia son cuestiones que deben comprobarse por separado.
Nuestro artículo sobre Muse Wonder y Wonder Full explica por qué conviene distinguir modelo, vía de acceso y tratamiento de datos. Para Ember, la decisión práctica es identificar primero la tarea, sus permisos y el tamaño real de sus peticiones; después, comprobar calidad y consumo antes de conectar información interna.