- Muse Ember ist Meta's kompaktestes KI-Modell, das für die kostengünstige Bearbeitung alltäglicher Aufgaben konzipiert wurde.
- Das Modell übertrifft in Bezug auf den Intelligenzindex und die Kosten Claude Haiku 5.5 und GPT-6 Luna.
- Muse Ember kann mehrere kleine Operationen ausführen und verfügt über starke Kontextverarbeitungsfähigkeiten.
- Das Modell unterstützt die Verarbeitung verschiedener Medientypen und wurde sicherheitsbewertet, um unter einem hohen Risikogrenzwert zu bleiben.
Meta hat sein kompaktestes Modell Muse Ember vorgestellt, das speziell für die Bearbeitung von sich wiederholenden Codierungs- und Inferenzaufgaben von KI-Agenten entwickelt wurde und dabei niedrige Betriebskosten aufweist. Dieses kompakte Modell eignet sich für alltägliche Agenten-Arbeitslasten, einschließlich Tool-Aufrufen, Codierungsunteraufgaben, Informationsbeschaffung, Anforderungsweiterleitung und der Analyse umfangreicher Dokumente. Meta gibt an, dass Muse Ember in Inferenzszenarien mehr Intelligenz pro Dollar bietet als Anthropic's Claude Haiku 5.5 und OpenAI's GPT-6 Luna.
Nach einem Bericht von Artificial Analysis erzielt Muse Ember einen Intelligenzindex von 36, was dem von Claude Haiku 5.5 entspricht, während die Kosten pro Aufgabe etwa $0.14 (ca. HK$1.09) betragen, was fast ein Drittel der geschätzten Kosten von Haiku von $0.41 (ca. HK$3.20) entspricht. Das Modell schneidet auch im Vergleich zu Meta's größerem Muse Spark 1.3 recht gut ab.
Artificial Analysis schätzt die Kosten pro Intelligenzindex-Aufgabe für Muse Ember auf $0.14 (ca. HK$1.09), während die Kosten für Spark bei $2.39 (ca. HK$18.63) liegen, dessen Intelligenzindex-Score 37 beträgt.
Die Vielseitigkeit von Muse Ember
Meta hat Muse Ember entwickelt, um die Ausführung mehrerer kleiner Operationen durch Agenten in erweiterten Arbeitsabläufen zu ermöglichen, anstatt sich nur auf komplexe Inferenzprobleme zu konzentrieren. Das Modell kann von Anfang bis Ende Geschäftsarbeitsabläufe ausführen, indem es Aufzeichnungen abruft, sequenzielle Tool-Aufrufe durchführt und Informationen in Anwendungen aktualisiert. Das Modell verfügt auch über ein Kontextfenster mit 1 Million Tokens und kann bis zu 512.000 Ausgabetokens generieren, was es ihm ermöglicht, in einem einzigen Aufruf ein ganzes Code-Repository oder große Dokumentensammlungen zu verarbeiten. In der Bewertung erzielte Muse Ember einen Score von 37.8% im AutomationBench-AA, einem Maß für End-to-End-Geschäftsarbeitsabläufe, während GPT-6
Luna einen Score von 20.2% erreichte und Claude Haiku 5.5 bei 13.9% lag. Darüber hinaus erzielte Muse Ember im Agents’ Last Exam einen Score von 61.6%, was leicht über Lunas 57.1% und Haikus 57% liegt. In Meta's persönlichem Superintelligenzindex erreichte es 46.8%, was vor Luna's 37% und Haikus 36.1% liegt. Auch die Codierungsleistung ist wettbewerbsfähig, Muse Ember erzielte 40.9% im Terminal-Bench 4.0, während Haiku 39.2% und
Luna 16.4% erreichte. Allerdings schnitt Haiku im FrontierCode 2.0-AA besser ab, mit 34.9%, während Muse Ember 27.2% erzielte.
Preise und Nutzung
Muse Ember kann neben Codierung und Agentenausführung auch Texte, Bilder, Audio und Videos verarbeiten. Dies ermöglicht es ihm, Screenshots, Diagramme und gescannte Dokumente sowie Sprachaufnahmen und Videoinhalte zu interpretieren. Im OSWorld 2.1 erzielte das Modell einen Score von 69.5% unter Verwendung von Teilkreditpunkten. Im PerceptionBench erreichte es 80.6%, ein Maß für die feingliedrige visuelle Verständnisfähigkeit. Meta gibt an, dass das Modell eine Sicherheitsbewertung durchlaufen hat, die chemische und biologische Risiken, Cybersicherheit und außer Kontrolle geratene Szenarien abdeckt, und berichtet, dass Muse Ember stets unter dem hohen Risikogrenzwert seines Rahmens bleibt.
Das Modell kann über Muse Code und die Meta Model API unter dem Namen muse-ember-1.0 verwendet werden, mit Preisen ab $0.10 (ca. HK$0.78) pro Million Eingabetokens und $0.50 (ca. HK$3.90) pro Million Ausgabetokens, während die Kosten für zwischengespeicherte Eingaben bei $0.004 (ca. HK$0.03) pro Million Tokens liegen. Muse Ember ist das erste Modell von Meta, das angibt, Muse Wonder Full für das Training verwendet zu haben.
Es wurde zusammen mit Muse Wonder, das für die schwierigsten Inferenzprobleme konzipiert ist, und Muse Spark, das für Codierungs- und Agentenarbeitsabläufe gedacht ist, eingeführt. Meta's breiteres Ziel ist es, die Kosten für fortschrittliche Funktionen so niedrig zu halten, dass sie in alltäglichen Produkten und Dienstleistungen eingesetzt werden können, wobei Muse Ember darauf abzielt, Agenten bei der großflächigen Bearbeitung wiederkehrender Arbeitslasten zu unterstützen.
Die Auswirkungen von Muse Ember im KI-Bereich
Die Einführung von Muse Ember markiert einen bedeutenden Fortschritt für Meta in der Entwicklung von KI-Modellen, insbesondere in Bezug auf Kostensenkung und Effizienzsteigerung. Dieses Modell kann nicht nur Codierungs- und Inferenzaufgaben bearbeiten, sondern unterstützt auch die Interpretation von Multimedia wie Texten, Bildern und Audio, was seine Vielseitigkeit zeigt. Mit der zunehmenden Anwendung von KI-Technologien im Alltag wird die kostengünstige Natur von Muse Ember dazu beitragen, eine breitere kommerzielle Akzeptanz zu fördern und möglicherweise die Strategien von Unternehmen in den Bereichen Automatisierung und Datenverarbeitung zu verändern.

