A Meta lançou o Muse Ember, denominado seu modelo menor e mais eficiente. Ele não foi projetado para enfrentar tarefas de raciocínio mais complexas, mas sim para lidar com as atividades mais frequentes na execução cotidiana de Agentes: chamadas contínuas de ferramentas, recuperação e extração de informações, leitura de código, execução de testes, modificações locais em arquivos e processamento de documentos longos. O modelo possui um contexto de 1 milhão de tokens e entende nativamente texto, imagens, áudio e vídeo. A divisão de tarefas da Meta é clara: o Muse Wonder resolve problemas difíceis, enquanto o Ember executa a grande quantidade de tarefas concretas. O verdadeiramente notável é o custo. O preço padrão da API do Muse Ember é de US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída. No Artificial Analysis Intelligence Index, ele obteve 36 pontos, empatando com o nível mais alto do Claude Haiku 5.5 e superando todos os níveis de raciocínio do GPT-6 Luna. No entanto, para concluir uma tarefa de teste de referência, o Ember custa em média cerca de US$ 0,14, enquanto o Haiku 5.5 custa US$ 0,41. Interessantemente, os preços por token de entrada e saída das duas modelos são exatamente os mesmos. Por que o Ember ainda é dois terços mais barato? A Artificial Analysis atribui isso ao fato de que seu preço de entrada em cache é mais baixo e seu consumo de tokens de saída é apenas cerca de um terço do do Haiku. Essa é a verdadeira melhoria de eficiência que tem poder real na era dos Agentes. Os modelos não apenas precisam saber fazer o trabalho, mas também falar menos e consumir menos, reduzindo o custo de cada etapa em execuções repetidas. Ainda mais interessante é que o Ember já começou a competir com os próprios modelos grandes da Meta. No mesmo teste da Artificial Analysis, o Muse Spark 1.3 obteve um índice inteligente de 37 pontos, enquanto o Ember obteve 36 pontos; no entanto, os custos por tarefa foram respectivamente de US$ 2,39 e US$ 0,14 — uma diferença de cerca de 17 vezes. Claro, o Ember não vence em tudo. No teste FrontierCode 2.0, que mede a integrabilidade real do código de engenharia, ele ainda fica atrás do Haiku 5.5. A Meta também levou o Ember, o Wonder e o Spark 1.3 para o Google Cloud e o Oracle Cloud. O Google Cloud está atualmente em fase de pré-visualização, e o Ember atualmente aceita apenas entrada de texto e imagem. Acho que o verdadeiro sinal liberado por esta lançamento da Meta é que a competição entre grandes modelos está passando de uma simples disputa de inteligência para uma divisão refinada de trabalho. Anteriormente, discutíamos qual modelo era mais inteligente; no futuro, desenvolvedores podem se preocupar mais em determinar quais tarefas merecem o investimento em um modelo mais inteligente e quais podem ser executadas por um modelo pequeno 17 vezes mais barato. Afinal, um Agente realmente gera valor não necessariamente por uma única e impressionante inferência, mas sim por realizar centenas de operações comuns de forma confiável. O modelo mais inteligente define o limite superior da capacidade do Agente; o modelo mais barato e suficientemente inteligente pode determinar se o Agente pode se tornar um negócio lucrativo.