Meta lance Muse Ember, qu'elle présente comme son modèle le plus petit et le plus efficace. Il n'est pas conçu pour relever les tâches d'inférence les plus complexes, mais spécifiquement pour gérer les travaux les plus fréquents dans l'exécution quotidienne des Agents : appeler des outils en continu, rechercher et extraire des informations, lire du code, exécuter des tests, modifier localement des fichiers, et traiter des documents longs. Le modèle prend en charge un contexte de 1 million de tokens et comprend nativement le texte, les images, l'audio et la vidéo. La répartition des rôles chez Meta est claire : Muse Wonder s'occupe de résoudre les problèmes difficiles, tandis qu'Ember s'occupe d'accomplir un grand volume de tâches concrètes. Ce qui est vraiment remarquable, c'est le coût. Le prix standard de l'API Muse Ember est de 0,10 $ pour 1 million de tokens en entrée et de 0,50 $ pour 1 million de tokens en sortie. Sur l'Index Artificial Analysis Intelligence, il obtient un score de 36, égal au niveau le plus élevé de Claude Haiku 5.5, et supérieur à tous les niveaux d'inférence de GPT-6 Luna. Cependant, pour accomplir une tâche de test de référence, Ember coûte en moyenne environ 0,14 $, contre 0,41 $ pour Haiku 5.5. Il est intéressant de noter que les prix affichés pour les tokens d'entrée et de sortie sont exactement les mêmes pour les deux modèles. Pourquoi Ember est-il donc environ deux fois moins cher ? Artificial Analysis explique que son prix d'entrée en cache est plus bas et que sa consommation de tokens de sortie n'est que d'environ un tiers de celle de Haiku. Voilà la véritable amélioration d'efficacité qui a un impact réel à l'ère des Agents : un modèle doit non seulement savoir accomplir des tâches, mais aussi parler moins et consommer moins, en réduisant systématiquement le coût de chaque étape lors d'exécutions répétées. Encore plus intéressant : Ember commence même à concurrencer les grands modèles internes de Meta. Dans le même test d'Artificial Analysis, Muse Spark 1.3 obtient un score intelligent de 37, contre 36 pour Ember, mais le coût unitaire par tâche est respectivement de 2,39 $ pour Spark et de 0,14 $ pour Ember — soit une différence d'environ 17 fois. Bien sûr, Ember ne domine pas dans tous les domaines. Dans le test FrontierCode 2.0, qui évalue la faisabilité réelle de la fusion de code de production, il reste encore en retard sur Haiku 5.5. Par la suite, Meta a déployé ensemble Ember, Wonder et Spark 1.3 sur Google Cloud et Oracle Cloud. Google Cloud est actuellement en phase préliminaire, et Ember ne prend pour l'instant en charge que les entrées texte et image. Je pense que le véritable signal envoyé par cette publication de Meta est que la concurrence entre grands modèles évolue d'une simple compétition d'intelligence vers une répartition fine des rôles au sein d'une main-d'œuvre. Autrefois, on se demandait quel modèle était le plus intelligent ; désormais, les développeurs risquent davantage de se demander quelles tâches méritent d'être confiées au modèle le plus intelligent — et quelles tâches peuvent être traitées par un modèle trois fois moins cher. Après tout, ce qui crée réellement de la valeur pour un Agent n'est pas forcément une seule inférence éblouissante, mais la capacité à accomplir fiablement des centaines d'opérations ordinaires. Le modèle le plus intelligent détermine la limite supérieure des capacités d'un Agent ; le modèle le moins cher tout en restant suffisamment intelligent pourrait déterminer si cet Agent peut devenir une activité rentable.