Meta lance Muse Ember, un petit modèle multimodal qui attaque Claude Haiku et GPT-6 Luna sur le prix des tâches d’agents

9 novembre 2026. Meta présente Muse Ember, un modèle positionné face à Claude Haiku 5.5 d’Anthropic et GPT-6 Luna d’OpenAI. 0,004 dollar. C’est son prix au million de tokens en cache, quatre fois moins que ses deux rivaux. 69,5 % contre 68,9 %. C’est son score de crédit partiel sur OSWorld 2.1, face à Haiku. Pourquoi c’est important : Ember n’est pas un modèle frontière — c’est le maillon « petites tâches » d’une chaîne d’agents, et c’est sur le coût par tâche, pas sur le benchmark, que Meta choisit de se battre.

Un petit modèle taillé pour les sous-tâches d’agents

Muse Ember rejoint une gamme Muse déjà bien garnie — Muse Wonder Full au sommet, puis Spark, Code et Glimmer. Sa place est précise : les sous-tâches agentiques. Lire un fichier, exécuter un test, corriger une erreur ciblée, résumer une sortie de build. Le plan d’ensemble reste confié à un modèle plus gros, Muse Wonder, tandis qu’Ember exécute les gestes répétitifs et bon marché.

C’est le schéma que Meta a déjà rodé : Ember est le premier modèle entraîné par distillation depuis Muse Wonder Full, exactement comme Wonder avait servi à entraîner les modèles spécialisés déployés dans Meta AI et l’assistant personnel Muse. La distillation permet de récupérer une partie du comportement d’un modèle géant dans un modèle beaucoup plus petit — et beaucoup moins cher à servir.

Ember est multimodal : il accepte texte, images, audio et vidéo en entrée, avec une fenêtre de contexte d’un million de tokens et jusqu’à 512 000 tokens de sortie. La fenêtre de sortie est notable : elle autorise de longues réponses ou de longs fichiers générés sans découpage.

L’usage « computer use » : piloter des apps depuis des captures d’écran

Le point le plus concret d’Ember est sa capacité à piloter des applications de bureau à partir de captures d’écran — la famille de capacités qu’on appelle computer use. Sur OSWorld 2.1, un benchmark qui mesure la capacité à accomplir des tâches dans un environnement de bureau réel, Ember obtient 69,5 % de crédit partiel, contre 68,9 % pour Haiku et un score de tâches terminées nettement plus élevé : 33,8 % pour Ember, contre 27,8 % pour Haiku et 17 % pour Luna.

Il faut lire ces chiffres avec prudence : sur le crédit partiel, Ember et Haiku sont quasiment à égalité, et la différence tient à quelques dixièmes de point. La comparaison la plus parlante est ailleurs : Spark 1.3, le modèle précédent de Meta, terminait 39,25 % des tâches sur le même benchmark — au-dessus d’Ember. Autrement dit, Ember n’est pas une avancée brute sur le computer use ; c’est un meilleur rapport prix-performance que ses rivaux directs.

Le vrai champ de bataille : le prix du token en cache

C’est sur la tarification que Meta frappe le plus fort. Ember est vendu 0,10 dollar le million de tokens d’entrée, 0,50 dollar le million en sortie, et surtout 0,004 dollar le million de tokens en cache. Les taux d’entrée et de sortie s’alignent exactement sur GPT-6 Luna et Claude Haiku 5.5 à leurs prix standard — mais ces deux rivaux facturent 0,01 dollar le million de tokens en cache, soit 2,5 fois plus.

Ce détail est décisif pour les charges agentiques. Un agent qui relit en boucle le même contexte — le contenu d’un dépôt, une trace d’erreur, un long fichier — passe l’essentiel de ses tokens par le cache. Sur ce profil, le passage de 0,01 à 0,004 dollar change la facture de façon visible. Meta annonce d’ailleurs un coût de l’ordre de 0,12 dollar par tâche sur l’un de ses benchmarks de codage agentique. La bataille se déplace : après les benchmarks, c’est le coût par tâche accomplie qui départage les petits modèles d’agents.

Ce qu’on ne sait pas encore

Comme souvent avec les lancements de modèles, plusieurs questions restent ouvertes. Meta publie des scores de sécurité et de computer use, mais ne précise pas la taille exacte du modèle ni l’ampleur des données de distillation. Les chiffres d’OSWorld montrent un modèle dans le peloton de tête, pas une rupture. Et la fenêtre de sortie de 512 000 tokens, si elle se vérifie en pratique, reste à confronter aux coûts de génération réels.

Ember est disponible dans Muse Code et via l’API Meta Model. Pour l’instant, c’est un modèle fermé — pas d’annonce de poids ouverts, à la différence de la stratégie open-weight que Meta a menée sur Spark Open et Glimmer. C’est un choix notable : Meta semble réserver l’ouverture à ses modèles de niche, et garder fermé le maillon qui touche le marché des agents grand public.

Verdict

Si vos charges agentiques passent l’essentiel de leurs tokens par le cache — relire des fichiers, des logs, des contextes longs — Muse Ember vaut un essai pour sa seule grille tarifaire : à 0,004 dollar le million de tokens en cache, il facture 2,5 fois moins que Haiku 5.5 et Luna sur ce poste précis. Pour le computer use de production, ne changez rien sur la foi des scores : Ember, Haiku et Spark 1.3 se tiennent dans la même zone, et un banc d’essai interne sur vos tâches pèsera plus lourd qu’OSWorld. Gardez un modèle frontière — Muse Wonder, Claude Fable, GPT-6 — pour la planification, et n’utilisez Ember que comme exécutant : c’est exactement le rôle pour lequel Meta l’a distillé.

Références

• The New Stack — « Meta launches Muse Ember to take on Claude Haiku and GPT-6 Luna » (Frederic Lardinois, 9 novembre 2026)
• ETTAYEB — Meta lance Muse Wonder, son premier modèle frontière
• ETTAYEB — Meta lance Muse Code et divise par dix le prix des coding agents
• ETTAYEB — Anthropic divise par deux le prix de Claude Haiku 5.5