1

شرکت متا مدل Muse Ember را به‌عنوان کوچک‌ترین و بهینه‌ترین عضو خانواده مدل‌های هوش مصنوعی Muse معرفی کرده است. این مدل برای اجرای وظایف تکراری و پرتعداد عامل‌های هوش مصنوعی (AI Agents) طراحی شده و هدف اصلی آن ارائه عملکردی رقابتی با هزینه‌ای به‌مراتب کمتر از رقبایی مانند Claude Haiku 5.5 و GPT-6 Luna است. بر اساس اطلاعات منتشرشده، Muse Ember در برخی ارزیابی‌ها عملکردی هم‌سطح یا بهتر از رقبای خود دارد و در عین حال، هزینه اجرای وظایف با آن به حدود یک‌سوم هزینه Claude Haiku 5.5 می‌رسد. این موضوع می‌تواند آن را به گزینه‌ای جذاب برای توسعه‌دهندگانی تبدیل کند که قصد دارند عامل‌های هوش مصنوعی را در مقیاس گسترده اجرا کنند.

تمرکز بر وظایف عامل‌های هوش مصنوعی

Muse Ember به‌طور ویژه برای کارهایی طراحی شده است که عامل‌های هوش مصنوعی در طول روز بارها انجام می‌دهند؛ از جمله:

  • فراخوانی ابزارها (Tool Calls)
  • انجام وظایف برنامه‌نویسی و کدنویسی
  • مسیریابی درخواست‌ها (Routing)
  • استخراج اطلاعات (Extraction)
  • پردازش اسناد طولانی
  • اجرای گردش‌کارهای چندمرحله‌ای در نرم‌افزارها و برنامه‌های مختلف

این مدل می‌تواند یک گردش‌کار تجاری را از ابتدا تا انتها مدیریت کند؛ برای مثال، اطلاعات موردنیاز را از منابع مختلف استخراج کند، ابزارهای گوناگون را به‌ترتیب فراخوانی کند و داده‌ها را در چند برنامه به‌روزرسانی کند. Muse Ember از پنجره متنی با ظرفیت 1 میلیون توکن پشتیبانی می‌کند و می‌تواند در هر فراخوانی تا 512 هزار توکن خروجی تولید کند. بنابراین، امکان پردازش یک پایگاه کد کامل یا مجموعه بزرگی از اسناد در یک درخواست وجود دارد.

عملکرد در آزمون‌های بنچمارک

متا برای مقایسه Muse Ember با Claude Haiku 5.5 و GPT-6 Luna به نتایج چندین آزمون عملکردی استناد کرده است. در ارزیابی Artificial Analysis، مدل جدید Meta در شاخص هوش این مؤسسه امتیاز 36 را کسب کرده که با امتیاز Claude Haiku 5.5 در بالاترین سطح استدلال برابر است. GPT-6 Luna در همین ارزیابی امتیاز 28 را به دست آورده است. در آزمون‌های مربوط به عامل‌های هوش مصنوعی نیز Muse Ember نتایج قابل‌توجهی ثبت کرده است:

آزمون Muse Ember Claude Haiku 5.5 GPT-6 Luna
AutomationBench-AA 37.8 13.9 20.2
Agents’ Last Exam 61.6 57.0 57.1
Personal Superintelligence Index 46.8 36.1 37.0

در بخش برنامه‌نویسی نیز نتایج به این صورت بوده است:

آزمون Muse Ember Claude Haiku 5.5 GPT-6 Luna
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

Muse Ember در دو آزمون اول کدنویسی عملکرد بهتری داشته، اما در FrontierCode 2.0-AA از Claude Haiku 5.5 عقب‌تر است. این تفاوت نشان می‌دهد که برتری مدل در همه انواع وظایف یکسان نیست.

قابلیت‌های چندوجهی (Multimodal)

Muse Ember تنها به پردازش متن محدود نیست و به‌صورت بومی از درک تصاویر، صدا و ویدئو نیز پشتیبانی می‌کند. این قابلیت به عامل‌های هوش مصنوعی اجازه می‌دهد بدون نیاز به استفاده از مدل‌های جداگانه، تصاویر صفحه‌نمایش، نمودارها، اسناد اسکن‌شده، یادداشت‌های صوتی، فایل‌های ضبط‌شده جلسات و ویدئوها را تحلیل کنند. این مدل همچنین می‌تواند از طریق تصاویر صفحه‌نمایش با محیط دسکتاپ تعامل داشته باشد و جزئیات بصری را با دقت استخراج کند. در آزمون‌های چندوجهی نیز نتایج زیر ثبت شده‌اند:

آزمون Muse Ember Claude Haiku 5.5 GPT-6 Luna
GDP.pdf-AA 22.8 20.8 22.8
OSWorld 2.1 (امتیاز جزئی) 69.5 68.9 50.5
PerceptionBench 80.6 78.6 62.8

در آزمون GDP.pdf-AA، عملکرد Muse Ember با GPT-6 Luna برابر بوده و از Claude Haiku 5.5 بهتر است. در دو آزمون دیگر نیز مدل Meta امتیاز بالاتری کسب کرده است.

قیمت‌گذاری و هزینه استفاده

یکی از مهم‌ترین ویژگی‌های Muse Ember، قیمت پایین آن است. Meta این مدل را با قیمت پایه 0.10 دلار برای هر 1 میلیون توکن ورودی و 0.50 دلار برای هر 1 میلیون توکن خروجی عرضه کرده است. هزینه توکن‌های ورودی ذخیره‌شده در حافظه موقت (Cached Input) نیز تنها 0.004 دلار به‌ازای هر 1 میلیون توکن است. برای درخواست‌هایی که بیش از 200 هزار توکن ورودی دارند، تعرفه متفاوتی اعمال می‌شود:

نوع توکن تا 200 هزار توکن ورودی بیش از 200 هزار توکن ورودی
ورودی $0.10 $0.30
ورودی ذخیره‌شده $0.004 $0.012
خروجی $0.50 $1.50

تمام قیمت‌ها به‌ازای هر 1 میلیون توکن هستند. بر اساس برآورد Artificial Analysis، هزینه متوسط انجام هر وظیفه با Muse Ember حدود 0.14 دلار است؛ درحالی‌که این رقم برای Claude Haiku 5.5 در بالاترین سطح استدلال حدود 0.41 دلار برآورد شده است. این اختلاف قیمت در شرایطی اهمیت بیشتری پیدا می‌کند که عامل‌های هوش مصنوعی برای تکمیل یک کار، به صدها فراخوانی مدل نیاز داشته باشند.

امنیت و ایمنی

متا پیش از عرضه عمومی Muse Ember، این مدل را تحت چارچوب ارزیابی ایمنی Meta Superintelligence Scaling Framework بررسی کرده است. این ارزیابی‌ها حوزه‌هایی مانند خطرات شیمیایی و زیستی، امنیت سایبری و احتمال ازدست‌رفتن کنترل بر سیستم را در بر می‌گیرند. به گفته Meta، نتایج ارزیابی نشان داده‌اند که Muse Ember در هیچ‌یک از دسته‌های بررسی‌شده از آستانه‌های تعیین‌شده برای خطر بالا عبور نکرده است.

با وجود اندازه کوچک‌تر مدل، آموزش‌های اصلی ایمنی و آزمایش‌های مربوط به آن مشابه سایر مدل‌های این شرکت بوده‌اند. متا همچنین رفتار Muse Ember را هنگام انجام اقدامات به نمایندگی از کاربران بررسی کرده است. این بررسی شامل موارد زیر بوده است:

  • رعایت خواسته‌ها و اهداف کاربر
  • مدیریت صحیح اطلاعات حساس
  • مقاومت در برابر دستورالعمل‌های پنهان در صفحات وب، اسناد و خروجی ابزارها که ممکن است تلاش کنند مسیر عملکرد مدل را تغییر دهند
  • درخواست تأیید انسانی پیش از انجام اقدامات حساس و دارای پیامدهای مهم

Muse Ember از 9 نوامبر 2026 از طریق پلتفرم Meta Model API و ابزار Muse Code در دسترس قرار گرفته است. شناسه این مدل در API برابر با muse-ember-1.0 است و از Responses API نیز پشتیبانی می‌کند. این مدل نخستین محصولی است که با استفاده از Muse Wonder Full آموزش داده شده است. متا قصد دارد خانواده مدل‌های خود را به‌گونه‌ای گسترش دهد که هر مدل برای نوع مشخصی از وظایف بهینه شده باشد:

  • Muse Wonder: برای حل دشوارترین مسائل و وظایف پیچیده.
  • Muse Spark: برای برنامه‌نویسی و گردش‌کارهای مبتنی بر عامل‌های هوش مصنوعی.
  • Muse Ember: برای اجرای وظایف تکراری برنامه‌نویسی و عامل‌های هوش مصنوعی در مقیاس گسترده و با هزینه پایین.

متا همچنین توصیه می‌کند برای حل مسائل بسیار دشوار از Muse Wonder در کنار Muse Ember استفاده شود؛ به این صورت که Muse Wonder وظایف پیچیده را برنامه‌ریزی کند و Muse Ember اجرای تعداد زیادی از مراحل تکراری را بر عهده بگیرد. این شرکت اعلام کرده است که هدفش توسعه مدل‌های هوش مصنوعی قدرتمندتر و در عین حال مقرون‌به‌صرفه‌تر است و مدل‌های بهینه‌تری نیز در دست توسعه دارد