Meta lanzó Muse Ember, el modelo más pequeño y eficiente de su línea. No está diseñado para enfrentar tareas de razonamiento complejas, sino para manejar las operaciones más frecuentes en la ejecución diaria de Agentes: llamadas continuas a herramientas, recuperación y extracción de información, lectura de código, ejecución de pruebas, modificaciones locales de archivos y procesamiento de documentos largos. El modelo cuenta con un contexto de 1 millón de tokens y entiende nativamente texto, imágenes, audio y video. La división de tareas de Meta es clara: Muse Wonder se encarga de resolver problemas difíciles, mientras que Ember se ocupa de completar grandes volúmenes de tareas concretas. Lo realmente notable es el costo. El precio estándar de la API de Muse Ember es de $0.10 por millón de tokens de entrada y $0.50 por millón de tokens de salida. En el Artificial Analysis Intelligence Index, obtiene una puntuación de 36, empatando con el nivel más alto de Claude Haiku 5.5 y superando todos los niveles de razonamiento de GPT-6 Luna. Sin embargo, para completar una tarea de prueba de referencia, Ember cuesta en promedio solo $0.14, mientras que Haiku 5.5 cuesta $0.41. Lo interesante es que ambos modelos tienen precios idénticos por token de entrada y salida. ¿Por qué Ember es casi dos tercios más barato? Artificial Analysis explica que su precio de entrada en caché es más bajo y su consumo de tokens de salida es solo aproximadamente un tercio del de Haiku. Esto representa el verdadero avance en eficiencia para la era de los Agentes: los modelos no solo deben saber hacer las tareas, sino también hablar menos y consumir menos, reduciendo el costo en cada paso durante ejecuciones repetidas. Aún más interesante es que Ember ya está compitiendo por el negocio de los modelos más grandes de la propia Meta. En la misma prueba de Artificial Analysis, Muse Spark 1.3 obtuvo un índice inteligente de 37, mientras que Ember obtuvo 36; sin embargo, el costo por tarea fue de $2.39 para Spark 1.3 y solo $0.14 para Ember, una diferencia de aproximadamente 17 veces. Por supuesto, Ember no gana en todos los aspectos. En la prueba FrontierCode 2.0, que mide la integrabilidad real del código de ingeniería, aún se queda atrás de Haiku 5.5. Posteriormente, Meta llevó a Ember, Wonder y Spark 1.3 a Google Cloud y Oracle Cloud. Actualmente, Google Cloud se encuentra en fase de previsualización, y Ember solo acepta entradas de texto e imágenes. Creo que la verdadera señal que Meta está enviando con este lanzamiento es que la competencia entre modelos grandes está pasando de una simple carrera de inteligencia a una división laboral refinada. Antes, todos discutían qué modelo era el más inteligente; en el futuro, los desarrolladores podrían preocuparse más por qué tareas merecen la pena contratar al modelo más inteligente y cuáles pueden ser manejadas suficientemente bien por un modelo 17 veces más barato. Después de todo, un Agente realmente crea valor no necesariamente mediante un único razonamiento impresionante, sino mediante cientos de operaciones comunes ejecutadas con confiabilidad. El modelo más inteligente define el límite superior de capacidad del Agente; el modelo más barato y lo suficientemente inteligente podría definir si el Agente puede convertirse en un negocio rentable.