Meta lanza Muse Ember, su modelo más barato por token

Meta presentó el 9 de noviembre Muse Ember, el modelo más pequeño de su familia y el más barato por token: 0,10 dólares por millón de entrada y 0,50 por millón de salida, con un millón de tokens de contexto y capacidad para leer texto, imágenes, audio, vídeo y PDF. No compite por ser el más inteligente. Compite por ser el que ejecuta las tareas aburridas que un agente repite todo el día, como llamar herramientas, enrutar peticiones y extraer datos de documentos largos.

La jugada es coherente con lo que está pasando en el mercado. Los laboratorios llevan meses lanzando modelos de frontera con precios a la baja y nombres nuevos cada semana, mientras la factura real de quien construye agentes se la llevan las miles de llamadas pequeñas que nadie mira. Meta entra justo ahí, con un modelo que cuesta una décima parte que un modelo grande y que, en varias pruebas de tareas repetitivas, queda por delante de rivales más caros.

El detalle que separa a Ember de un modelo económico cualquiera es la combinación de precio y contexto. Un millón de tokens de ventana permite meter un repositorio de código o un conjunto de documentos en una sola llamada, y la salida admite hasta 512.000 tokens. Esa capacidad, a ese precio, convierte tareas que antes exigían partir el problema en trozos en algo que se resuelve de una vez.

Un modelo multitarea

La ficha del modelo enumera usos concretos y todos tienen algo en común: son tareas que se repiten cientos de veces al día y que no necesitan el razonamiento de un modelo grande.

La documentación de Meta es explícita sobre el uso previsto: llamadas a herramientas, subtareas de programación, enrutamiento, extracción y análisis de documentos extensos. Es el trabajo que un agente hace decenas de veces en una sesión y que no requiere el razonamiento profundo de un modelo grande, sino velocidad, contexto y un coste que no arruine el presupuesto.

La presentación de Muse Ember lo sitúa además como pieza de un sistema de dos niveles. El modelo grande, Muse Wonder, planifica y orquesta; Ember ejecuta el volumen. Esa división del trabajo es la misma que ya aplican otros laboratorios y responde a una realidad económica simple: no tiene sentido pagar por razonamiento de frontera una tarea que consiste en leer un JSON y devolver un campo.

En multimodalidad el modelo cubre bastante terreno para su tamaño. Acepta imágenes, audio y vídeo como entrada, lo que permite que un agente interprete capturas de pantalla, gráficos, documentos escaneados o notas de voz sin recurrir a un modelo distinto para cada formato. Devuelve texto, no genera imagen ni audio, una limitación razonable en un modelo pensado para ejecutar.

Meta publica también el dato de arquitectura, que ayuda a entender el precio: 816.000 millones de parámetros totales y 42.000 millones activos por token. Es un modelo disperso, y esa es la razón por la que puede ofrecer una ventana de un millón de tokens a una tarifa que hace dos años habría parecido un error de tipos.

Los precios y el salto de los 200.000 tokens

La tarifa de entrada es la más baja de la familia Muse y esconde una trampa de facturación que conviene entender antes de escalar una aplicación que ya funciona en pruebas con pocos usuarios.

La tarifa de 0,10 y 0,50 dólares por millón solo aplica a peticiones de hasta 200.000 tokens de entrada. A partir de ahí, la tabla de precios de Meta cambia a 0,30 y 1,50, y lo hace para toda la petición, no solo para la parte que excede el umbral. Un prompt de 200.000 tokens y otro de 200.001 pagan tarifas distintas por el conjunto.

Ese detalle importa más de lo que parece en un modelo que presume de contexto. Una aplicación que mete un repositorio entero en cada llamada puede cruzar el umbral sin darse cuenta y multiplicar la factura por tres. La recomendación obvia, que la propia documentación insinúa, es medir el tamaño de los prompts antes de escalar y usar el almacenamiento en caché, que baja el precio a 0,004 dólares por millón de tokens de entrada repetidos.

El precio del caché

La caché es la palanca de coste real en este tipo de modelos. Un agente que trabaja sobre los mismos documentos durante una sesión puede mantener el contexto estable y pagar solo por lo nuevo, con lo que el coste por tarea se desploma. Para un sistema que hace cien llamadas al día sobre el mismo manual, la diferencia entre cachear y no cachear es la diferencia entre un proyecto viable y uno que se apaga.

Esa palanca también cambia el diseño del producto. Un agente bien construido reutiliza contexto y mide lo que cuesta; uno mal construido reenvía el mismo prompt cada vez y paga el precio completo en cada paso.

Hay también una decisión de licencia que conviene leer. Muse Ember es propietario y se distribuye bajo la licencia de modelos de Meta, con políticas de uso aceptable. Los pesos no son abiertos, así que quien lo integre depende de que el proveedor mantenga el modelo y los precios. Es la misma relación que existe con cualquier API comercial, y en un componente que puede ser la pieza central de un producto, conviene tenerla presente.

La comparación que importa

Meta publica una tabla de evaluaciones en la que Ember gana varias pruebas frente a Claude Haiku 5.5 y GPT-6 Luna, sus dos rivales directos en la franja económica, aunque pierde en la que mide código listo para fusionar.

En AutomationBench, que mide flujos de negocios de extremo a extremo, saca 37,8 frente a 13,9 y 20,2. La prueba Agents’ Last Exam queda en 61,6, por delante de 57,0 y 57,1. En Terminal-Bench 4.0, que evalúa programación en terminal, obtiene 40,9 frente a 39,2 y 16,4.

No gana en todo. En FrontierCode 2.0, que juzga tareas de ingeniería por su capacidad de fusionarse, se queda en 27,2 frente a los 34,9 de Haiku 5.5. En el índice agregado de Artificial Analysis empata en 36 con el modelo de Anthropic y supera los 28 del de OpenAI. La lectura honesta es que Ember es competitivo en ejecución de tareas y algo más flojo en código de producción, que es exactamente el perfil que Meta promete.

Las cifras de referencia son del fabricante y están seleccionadas para mostrar el producto en su mejor luz, como ocurre en todos los lanzamientos de esta industria. Una evaluación independiente tarda semanas en llegar y suele matizar el relato. Mientras tanto, lo verificable es el precio, el tamaño del contexto y la disponibilidad, que ya está en la API de Meta y en Muse Code.

El negocio de los agentes se decide en los céntimos

Durante dos años la conversación sobre inteligencia artificial giró en torno a qué modelo razona mejor. En 2026 el centro de gravedad se ha movido al coste por tarea, porque los productos que funcionan no son los que responden una pregunta brillante, sino los que ejecutan mil pasos sin que la factura se coma el margen. Muse Ember es la respuesta de Meta a esa economía, y su precio obliga a los demás a moverse. La guerra de precios ya venía de antes: Gemini 4 Carbon aterrizó con una tarifa promocional cuatro veces menor que la de Anthropic, y cada lanzamiento ajusta el suelo un poco más. El riesgo de la cadena de herramientas ya se vio con las credenciales de Claude Code filtradas en 1.122 repositorios públicos, un recordatorio de que el agente también hereda los fallos de quien lo opera.

Falta saber si el modelo aguanta el uso real, con prompts sucios, herramientas que fallan y documentos que no caben. Los números de laboratorio y los de producción se parecen poco, y el veredicto llegará con las primeras integraciones serias. Lo que ya está claro es que la franja económica de los modelos dejó de ser un vertedero de versiones antiguas y se ha convertido en la línea de negocio donde se decide quién vende agentes.