Meta Muse Ember: el modelo barato para el volumen de agentes
El 9 de noviembre de 2026, Meta Superintelligence Lab presentó Muse Ember, su modelo más pequeño y eficiente. No llega para los problemas difíciles, sino para lo que un agente repite todo el día: llamar herramientas, extraer campos, clasificar tickets, enrutar solicitudes y leer documentos largos. El precio es la noticia: $0.10 por millón de tokens de entrada, $0.50 de salida y $0.004 en caché en la Meta Model API.
Para quien opera agentes, la conversación cambia: importa el costo por tarea terminada, no solo la calidad. Ember se posiciona en esa capa: ejecución repetible a bajo costo. Salió el mismo día que Claude Fable 5.2, con otro foco y otro precio.
Qué es Muse Ember y para qué lo diseñó Meta
Meta lo describe como un modelo para «complex reasoning execution»: razonamiento suficiente para pasos concretos, no para la planeación más ambiciosa. Su terreno son las coding subtasks, el routing, la extraction, el long document parsing y las tool calls que un agente repite.
El identificador es muse-ember-1.0. Está disponible en Muse Code y en la Meta Model API, y soporta Responses API. La ventana es de 1 millón de tokens de entrada y hasta 512K de salida. Es multimodal nativo —texto, imagen, audio y video— para screenshots, gráficas, documentos escaneados, memos de voz y grabaciones, sin un modelo aparte.
Precio, contexto y comparación con Claude Haiku 5.5 y GPT-6 Luna
La tarifa base es de $0.10 por millón de entrada y $0.50 de salida; el input en caché cuesta $0.004. Para prompts de más de 200K tokens, Meta publica $0.30 de entrada, $0.012 en caché y $1.50 de salida por millón. Son precios de lista: el costo real depende del prompt, los reintentos, la salida y la caché.
En las mediciones que Meta cita de Artificial Analysis, Ember obtiene 36 en el Intelligence Index, igual que Haiku 5.5 y por encima de los 28 de Luna. El costo aproximado por tarea es $0.14, $0.41 y $0.15. Meta lo resume así: iguala el mejor score de Haiku a cerca de un tercio del costo por tarea.
| Modelo | Precio entrada / salida (por M tokens) | AA Intelligence Index | AutomationBench-AA | FrontierCode 2.0-AA | Costo aprox. por tarea (AA) |
|---|---|---|---|---|---|
| Muse Ember | $0.10 / $0.50 | 36 | 37.8% | 27.2% | ~$0.14 |
| Claude Haiku 5.5 | Sin dato en el anuncio | 36 | 13.9% | 34.9% (mejor) | ~$0.41 |
| GPT-6 Luna | Sin dato en el anuncio | 28 | 20.2% | 25.2% | ~$0.15 |
Ember no gana en todo: en FrontierCode 2.0-AA, que mide mergeabilidad, Haiku gana con 34.9% y Ember queda en 27.2%. En AutomationBench-AA, en cambio, Ember registra 37.8% frente a 13.9% de Haiku.
El patrón que importa: Wonder planea, Ember ejecuta
Meta plantea Ember junto a Muse Wonder: «Muse Wonder plans, Muse Ember handles the volume». Ember es el primero entrenado usando Muse Wonder Full. El portafolio ordena funciones: Wonder para problemas duros, Spark para coding y trabajo agéntico, Ember para tareas repetibles a escala.
Esa división es la lección para quien monta agentes en n8n, OpenRouter o Claude Code. El modelo caro no debería gastar tokens en cada extracción ni en cada llamada trivial. El patrón: un modelo grande descompone, planea, valida o resuelve la excepción; uno barato ejecuta el volumen con instrucciones acotadas y salidas estructuradas.
El modelo grande planea; el modelo barato ejecuta el volumen. La arquitectura importa más que el precio de lista: separa las decisiones caras del trabajo repetible.
Cómo se traduce en un flujo de n8n
No hay que inventar un nodo inexistente. El anuncio no incluye una integración nativa de Ember en n8n ni un nodo oficial. La vía realista es la Meta Model API con HTTP Request o un sub-workflow. Si usas OpenRouter, revisa el catálogo antes de asumir que muse-ember-1.0 está disponible.
La arquitectura sí se puede diseñar hoy: planner con el modelo grande, executor con Ember, esquema de salida y un validador que devuelva al planner solo los casos fallidos. Ese diseño aparece en el taller de agentes, subagentes y flujos de error en n8n y en el taller del agente de IA nativo de n8n. Para proveedores y contexto están el taller de OpenRouter en n8n, el taller de integración de IA en n8n y la sesión de n8n, MCP y agentes de IA.
Límites honestos antes de migrar
Primero, los pesos son cerrados: no es open weights, se consume por API. Quien necesite ejecución local tendrá que mirar otra opción. Segundo, FrontierCode no es su fuerte; para decidir qué código es mergeable, el modelo barato no sustituye al especializado.
Tercero, las cifras de costo por tarea vienen de Meta y Artificial Analysis, con precios de lista, y varían según el prompt; no garantizan tu factura. Cuarto, Meta menciona Google Cloud y Oracle Cloud para Ember, Spark y Wonder, pero eso no equivale a disponibilidad en n8n ni a un nodo oficial.
En seguridad, Meta dice que evaluó Ember bajo su Superintelligence Scaling Framework —químicos y biológicos, ciberseguridad, loss-of-control— y que quedó bajo los umbrales de alto riesgo, con el mismo núcleo de entrenamiento que los modelos mayores.
Qué hacer mañana: checklist para quien monta agentes
- Separa planeación de ejecución. Empieza por las tareas que más se repiten.
- Manda a Ember extracción, clasificación, routing, tool calls, parseo de documentos y fixes chicos; deja la decisión difícil al modelo grande.
- Define salidas estructuradas y un validador: el modelo barato rinde más con respuestas acotadas.
- Mide costo por tarea exitosa, no solo precio por token: suma reintentos, salida y caché.
- Aprovecha la caché para prompts largos; la diferencia entre $0.10 y $0.004 por millón es la palanca más clara.
- Haz un A/B con tus casos frente a Haiku 5.5, Luna y DeepSeek Flash; no adoptes por benchmark ajeno.
- No esperes open weights ni asumas nodo de n8n: valida
muse-ember-1.0, la Responses API y tu proveedor. Para mergeabilidad, prueba aparte.
Para afinar la decisión, la guía para elegir modelos de lenguaje ordena criterios de costo, contexto y tarea. Para documentos, cómo analizar documentos con n8n y OpenRouter conecta con el multimodal de Ember; la era de la eficiencia extrema explica el giro hacia modelos más pequeños.
El contraste del mismo día es Claude Fable 5.2, con otro precio y otro foco. Para poner números a tu flujo, cómo calcular costos y elegir modelos GPT para agentes en n8n sirve aunque el modelo sea Ember.
Conclusión
Muse Ember no resuelve todo ni pretende hacerlo. Es una pieza para bajar el costo de la ejecución repetida: 1M de contexto, multimodal nativo, $0.10/$0.50 y un patrón claro donde Wonder planea y Ember ejecuta. La decisión útil es «¿qué parte de mi flujo es volumen y qué parte es juicio?».
Empieza por una subtarea, mide el costo por tarea terminada y compara con lo que ya usas. Si se sostiene, escala. En Azul School tienes cursos y notas para hacerlo con método.
Respuestas