- Muse EmberはMetaの最小型AIモデルで、低コストで日常タスクを処理するために設計されている。
- このモデルは、知能指数とコストの面でClaude Haiku 5.5およびGPT-6 Lunaを上回る性能を示している。
- Muse Emberは複数の小型操作を実行でき、強力なコンテキスト処理能力を備えている。
- このモデルは多様なメディアタイプの処理をサポートし、安全評価を受けており、高リスク閾値を下回っている。
Metaは、AIエージェントが実行する繰り返しのエンコーディングおよび推論タスクを処理するために設計された最小型モデルMuse Emberを発表し、低い運用コストを維持している。このコンパクトなモデルは、ツール呼び出し、エンコーディングサブタスク、情報抽出、リクエストルーティング、冗長文書の解析など、日常のエージェント作業負荷に適している。Metaによれば、Muse Emberは推論設定において、1ドルあたりの知能がAnthropicのClaude Haiku 5.5およびOpenAIのGPT-6 Lunaを上回るという。
Artificial Analysisの報告によれば、Muse Emberはその知能指数で36点を獲得し、Claude Haiku 5.5と同じスコアであり、各タスクのコストは約$0.14（約HK$1.09）で、Haikuの予測コスト$0.41（約HK$3.20）のほぼ3分の1である。このモデルは、Metaのより大きなMuse Spark 1.3との比較でも良好な性能を示している。
Artificial Analysisは、Muse Emberの各知能指数タスクのコストを$0.14（約HK$1.09）と推定しており、Sparkのコストは$2.39（約HK$18.63）で、知能指数得点は37である。
Muse Emberの多機能性
Metaは、Muse Emberをエージェントが拡張されたワークフローで実行する複数の小型操作を処理するために設計しており、複雑な推論問題にのみ焦点を当てているわけではない。このモデルは、ビジネスワークフローを一貫して実行でき、記録を取得し、シーケンシャルツール呼び出しを行い、アプリケーション内の情報を更新することでタスクを完了することができる。このモデルはまた、100万個のトークンのコンテキストウィンドウを備え、最大512,000個の出力トークンを生成できるため、一度の呼び出しで全コードベースまたは大量の文書コレクションを処理することが可能である。評価において、Muse EmberはAutomationBench-AAで37.8%のスコアを獲得し、この指標はエンドツーエンドのビジネスワークフローを測定している。対照的に、GPT-6
Lunaは20.2%、Claude Haiku 5.5は13.9%である。さらに、Muse EmberはAgents’ Last Examで61.6%のスコアを獲得し、Lunaの57.1%およびHaikuの57%をわずかに上回っている。Metaの個人超知能指数では46.8%のスコアを記録し、Lunaの37%およびHaikuの36.1%をリードしている。そのエンコーディング性能も競争力があり、Muse EmberはTerminal-Bench 4.0で40.9%のスコアを獲得し、Haikuは39.2%、
Lunaは16.4%である。しかし、FrontierCode 2.0-AAでは、Haikuのパフォーマンスが優れており、スコアは34.9%、Muse Emberは27.2%である。
価格と使用方法
Muse Emberは、エンコーディングやエージェントの実行に加え、テキスト、画像、音声、動画を処理することもできる。これにより、スクリーンショット、グラフ、スキャンした文書、音声録音、動画コンテンツを解釈することが可能である。OSWorld 2.1では、部分的なクレジットスコアを使用し、69.5%のスコアを獲得した。PerceptionBenchでは80.6%のスコアを記録し、この指標は細粒度の視覚理解能力を評価する。Metaは、このモデルが化学および生物リスク、サイバーセキュリティ、制御不能なシナリオをカバーする安全評価を受けており、Muse Emberは常にそのフレームワークの高リスク閾値を下回っていると報告している。
このモデルは、Muse CodeおよびMeta Model APIを通じてmuse-ember-1.0として利用でき、価格は百万トークンあたり$0.10（約HK$0.78）から、百万出力トークンあたり$0.50（約HK$3.90）で始まり、キャッシュ入力のコストは百万トークンあたり$0.004（約HK$0.03）である。Muse Emberは、Metaが初めてMuse Wonder Fullトレーニングを使用していると主張するモデルである。
このモデルは、最も困難な推論問題向けに設計されたMuse Wonderおよびエンコーディングとエージェントワークフロー向けのMuse Sparkとともに発表された。Metaのより広範な目標は、先進的な機能のコストを十分に低く抑え、日常の製品やサービスで運用できるようにすることであり、Muse Emberはエージェントが大規模に処理する繰り返しの作業負荷に特化している。
Muse EmberのAI分野における影響力
Muse Emberの発表は、特にコスト削減と効率向上の面で、MetaのAIモデル開発における重要な進展を示している。このモデルは、エンコーディングおよび推論タスクを処理できるだけでなく、テキスト、画像、音声などのマルチメディアの解釈もサポートし、その多機能性を示している。AI技術が日常生活での応用がますます広がる中、Muse Emberの低コスト特性は、より広範な商業採用を促進し、企業の自動化やデータ処理戦略を変える可能性がある。