---
title: Meta lanza Muse Ember: un modelo chiquito para agentes que empata a Claude Haiku 5.5 por un tercio del costo
url: https://hernandez.systems/es/articulos/meta-lanza-muse-ember-un-modelo-chiquito-para-agentes-que-empata-claude
lang: es
type: NewsArticle
section: IA
published: "2026-11-12T14:34:32+00:00"
modified: "2026-11-13T15:00:42+00:00"
publisher: Osky Networks
image: https://oskydj.sfo3.cdn.digitaloceanspaces.com/calamardo/news_item/2026-11-12/portada-bdf4de59.png
alternate_en: https://hernandez.systems/en/articles/meta-launches-muse-ember-a-tiny-agent-model-that-matches-claude-haiku-5-5-at-a-third-of-the-cost
---

# Meta lanza Muse Ember: un modelo chiquito para agentes que empata a Claude Haiku 5.5 por un tercio del costo

> Meta presentó Muse Ember el 9 de noviembre de 2026: el modelo más pequeño y eficiente de su familia Muse, pensado para el trabajo que un agente repite todo el día: llamar herramientas, resolver subtareas de código, enrutar solicitudes, extraer datos y leer documentos largos. Cuesta 0.10 dólares por millón de tokens de entrada y 0.50 por millón de salida, tiene una ventana de contexto de un millón de tokens y, según las cifras de Meta, empata o supera a Claude Haiku 5.5 y GPT-6 Luna en buena parte de las pruebas de agentes por una fracción del costo. Para quien arma bots, automatizaciones o pipelines con subagentes, el dato que importa es el precio por tarea, no el tamaño del modelo.

Meta [presentó Muse Ember](https://research.meta.ai/blog/muse-ember) el 9 de noviembre de 2026: el modelo más pequeño y eficiente de su familia Muse, pensado para el trabajo que un agente repite todo el día: llamar herramientas, resolver subtareas de código, enrutar solicitudes, extraer datos y leer documentos largos. Cuesta **0.10 dólares por millón de tokens de entrada y 0.50 por millón de salida**, tiene una ventana de contexto de un millón de tokens y, según las cifras de Meta, empata o supera a Claude Haiku 5.5 y GPT-6 Luna en buena parte de las pruebas de agentes por una fracción del costo. Para quien arma bots, automatizaciones o pipelines con subagentes, el dato que importa es el precio por tarea, no el tamaño del modelo.

## Qué anunció Meta

Ember es el hermano chico de Muse Spark y Muse Wonder. Meta lo describe como un modelo para "la ejecución de razonamiento complejo" en los pasos pequeños y estructurados que consumen la mayor parte de los tokens de un agente. Estos son los datos de disponibilidad que da el anuncio:

- **Identificador:** `muse-ember-1.0`, disponible desde el 9 de noviembre en Muse Code y en la Meta Model API.
- **Precio:** 0.10 dólares por millón de tokens de entrada, 0.004 por millón de tokens de entrada en caché y 0.50 por millón de salida.
- **Contexto:** hasta un millón de tokens de entrada y hasta 512,000 de salida, suficiente, según Meta, para meter una base de código o un juego de documentos completo en una sola llamada.
- **Compatibilidad:** soporta la Responses API.
- **Nubes:** Muse Ember, Muse Spark y Muse Wonder también están en Google Cloud y Oracle Cloud.
- **Multimodal nativo:** entiende texto, imágenes, audio y video, así que un agente puede leer capturas, gráficas, escaneos, notas de voz o grabaciones sin pasar por otro modelo.

Hay un detalle de origen interesante: Meta dice que Ember es el primer modelo entrenado usando Muse Wonder Full, su modelo más grande. Cuando presentó Wonder, prometió usarlo para desarrollar modelos especializados más baratos; Ember es la primera entrega de esa promesa. La recomendación oficial es combinarlos: "Muse Wonder planea, Muse Ember maneja el volumen".

## Los números, según Meta

La pieza central del anuncio es una gráfica de inteligencia contra costo por tarea con datos de Artificial Analysis. Ember en su nivel de razonamiento máximo saca 35.8 puntos en el índice de Artificial Analysis con un costo de 0.136 dólares por tarea. Claude Haiku 5.5 en su nivel máximo saca 36.2, pero a 0.411 dólares: Ember queda prácticamente empatado por cerca de un tercio del costo, que es justo lo que presume Meta. GPT-6 Luna no pasa de 27.8 puntos en ningún nivel.

![Gráfica de inteligencia contra costo por tarea: Muse Ember con 35.8 puntos a 0.136 dólares, Claude Haiku 5.5 con 36.2 a 0.411 dólares y GPT-6 Luna con 27.8 a 0.152 dólares en su nivel máximo](https://oskydj.sfo3.cdn.digitaloceanspaces.com/calamardo/news_item/2026-11-12/grafica-73127580.png)

En las pruebas individuales, todas con razonamiento al máximo, la tabla de Meta queda así:

| Prueba | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA (flujos de negocio) | **37.8%** | 13.9% | 20.2% |
| Agents' Last Exam (interna) | **61.6%** | 57.0% | 57.1% |
| Terminal-Bench 4.0 | **40.9%** | 39.2% | 16.4% |
| Coding Agent Index-AA | **46** | 37 | 31 |
| FrontierCode 2.0-AA | 27.2% | **34.9%** | 25.2% |
| GDP.pdf-AA (documentos largos) | **22.8%** | 20.8% | **22.8%** |
| OSWorld 2.1, crédito parcial (interna) | **69.5%** | 68.9% | 50.5% |
| PerceptionBench con herramientas (interna) | **80.6%** | 78.6% | 62.8% |
| Índice de Artificial Analysis | **36** | **36** | 28 |

El salto más grande está en AutomationBench-AA, que mide flujos de negocio de punta a punta: casi el triple que Haiku. La prueba que Ember pierde es FrontierCode 2.0, que califica tareas reales de ingeniería según si el cambio se podría fusionar; ahí Haiku le saca más de siete puntos. Traducido: Ember es bueno ejecutando, no necesariamente entregando el PR que tu equipo aprobaría sin comentarios.

Contra su propio hermano, la diferencia es brutal. En el índice de Artificial Analysis, Muse Spark 1.3 saca 37 puntos y Ember 36, pero Spark cuesta 2.39 dólares por tarea y Ember 0.14, unas 17 veces menos. Spark cobra 1.25 dólares por millón de tokens de entrada y 4.25 por millón de salida.

## Lo que dicen los socios

Meta publicó citas de empresas que lo probaron antes del lanzamiento. Las más concretas hablan de velocidad. Cloudflare dice que Ember corrió "hasta 30% más rápido en la cola" que el modelo comparable que probaron. You.com reporta una latencia p95 de 2.2 segundos en sus pruebas de programación y entre 36% y 48% menos tokens de salida. Cline, el agente de código, lo pinta como un modelo para correr como subagente dentro de un harness, que es exactamente el caso de uso que Meta le vende.

En Hacker News, donde el anuncio pasó de 300 puntos, Simon Willison [señaló](https://news.ycombinator.com/item?id=50429024) que el modelo tiene seis niveles de esfuerzo (minimal, low, medium, high, xhigh y max) y que, en su prueba informal de dibujar un pelícano en SVG, más razonamiento no se tradujo en un mejor resultado. Es una anécdota, no un benchmark, pero sirve para recordar que el nivel máximo no siempre vale lo que cuesta.

## Lo que hay que tomar con pinzas

Mi lectura es que esto pinta muy bien para cualquiera que paga tokens por volumen, pero con tres asteriscos:

1. **Son cifras de Meta.** Varias pruebas (Agents' Last Exam, OSWorld 2.1, PerceptionBench y el Personal Superintelligence Index) son evaluaciones internas. Las que llevan "AA" vienen de Artificial Analysis, pero la selección y la presentación las hizo Meta.
2. **El costo de Ember en la gráfica es una estimación.** La propia gráfica dice en un pie que los costos de Ember son estimados "con el precio propuesto" y, en otro, que usan el precio de lista. Con el precio ya publicado, debería coincidir, pero el costo real por tarea depende de cuántos tokens de razonamiento consuma en tu caso.
3. **No lo probé.** Todo lo de este artículo sale del anuncio oficial de Meta y de la cobertura citada abajo. El anuncio habla de API y nubes; no menciona pesos descargables.

En seguridad, Meta dice que lo evaluó con su Meta Superintelligence Scaling Framework (riesgos químicos, biológicos, de ciberseguridad y de pérdida de control) y que quedó por debajo de los umbrales de alto riesgo. También dice que revisó si resiste instrucciones escondidas en páginas web, documentos o salidas de herramientas, el famoso prompt injection. Para un modelo que va a leer correos y PDFs de desconocidos todo el día, ese punto importa más que cualquier tabla, y es justo el que menos se puede verificar desde afuera.

## Qué cambia en la práctica

El patrón que Meta empuja ya es común: un modelo grande planea y un modelo chico y barato ejecuta los cientos de pasos repetitivos. Lo nuevo es que el modelo chico ya no parece estar tan lejos del grande en las pruebas de agentes. Si operas bots de WhatsApp, flujos de extracción de documentos, clasificación de tickets o subagentes de código, Ember es un candidato a probar en la parte del pipeline que más tokens se come. Lo sensato es medirlo con tus propios casos antes de migrar: la tabla dice que en código que se fusiona sin retoques todavía se queda atrás.

## Fuentes

- [Introducing Our Smallest, Most Efficient Model: Muse Ember (Meta, anuncio oficial)](https://research.meta.ai/blog/muse-ember)
- [Muse Ember Evaluation Report (Meta)](https://research.meta.ai/static/muse-ember-evaluation-report)
- [Meta lanza Muse Ember: una IA ultrabarata para programar y automatizar tareas con agentes (Hipertextual)](https://hipertextual.com/inteligencia-artificial/muse-ember-ia-programar-meta/)
- [Discusión en Hacker News](https://news.ycombinator.com/item?id=50429024)
