Перейти к содержимому
RouterNodul

Muse Ember API

ID модели в запросах:global-1/meta/muse-ember

Muse Ember от Meta через один OpenAI-совместимый API Nodul Router: ключ с лимитами, журнал запросов, оплата в рублях.

ГлобальныйИзображенияФайлыАудиоВидеоРассужденияБез хранения данных (ZDR)
Контекст
1 048 576
Макс. ответ
943 718
Выпущена
09.11.2026

Цены за 1 млн токенов, ₽Цены за 1 млн токенов, PnP

РегионПопробоватьВходВыходЧтение кэшаID модели в запросах
Глобальный · global-1Попробовать11,00 ₽0,11 PnP55,00 ₽0,55 PnP0,44 ₽0,0044 PnPglobal-1/meta/muse-ember

Цены розничные, без НДС (5 %). Для компаний — персональные цены по договору: чем больше объем, тем ниже цена.Узнать свою цену

Быстрый старт

curl https://router.nodul.ru/api/v1/chat/completions \
  -H "Authorization: Bearer $NODUL_ROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "global-1/meta/muse-ember",
    "messages": [{"role":"user","content":"Hello!"}]
  }'

Описание

Muse Ember от Meta — самая маленькая и экономная модель семейства Muse, вышедшая 9 ноября 2026 года. Она создана для того, что агенты повторяют весь день: вызовы инструментов, подзадачи по коду, маршрутизация, извлечение данных, разбор длинных документов.

Для чего подходит Muse Ember

По описанию Meta, это рабочая лошадка для больших объемов однотипной работы: роль субагента в связке с более сильной моделью, пошаговые бизнес-процессы с вызовом инструментов, чтение файлов и запуск тестов в кодовом агенте, извлечение полей из документов, классификация и маршрутизация запросов. Разработчик прямо предлагает схему «Muse Wonder планирует, Muse Ember выполняет объем».

Через Router модель принимает текст, изображения, файлы, аудио и видео, возвращает текст и умеет рассуждать с настраиваемым уровнем. Среди поддерживаемых параметров в нашем каталоге есть вызов инструментов и структурированный вывод, так что агентный сценарий возможен прямо через API.

Не лучший выбор там, где важны знания о мире и фактическая точность без внешних источников, и для самых сложных инженерных задач, где нужен запас интеллекта: для них у Meta есть старшие модели.

Сильные стороны

  • Агентные процессы. На AutomationBench-AA (бизнес-процессы, Artificial Analysis) модель набирает 68,1% на режиме max, наравне с гораздо более крупной Muse Wonder. В собственной таблице Meta для этого теста стоят другие значения (37,8% у Ember против 13,9% у Haiku 5.5), так что сравнивать цифры из разных источников нельзя.
  • Работа в терминале и в кодовом агенте. На Terminal-Bench 4.0 она опережает Claude Haiku 5.5 по данным обоих источников, а в собственном агенте Meta Muse Code получает 46 на индексе кодовых агентов Artificial Analysis против 37 у Haiku в Claude Code и 31 у GPT-6 Luna в Codex.
  • Экономия токенов. По данным Artificial Analysis, на задачах индекса модель тратит примерно втрое меньше выходных токенов, чем Haiku 5.5, а кэшированный ввод у нее заметно дешевле.
  • Мультимодальность. Один и тот же вызов принимает скриншоты, сканы, голосовые заметки и видео; на OSWorld 2.1 (управление компьютером) Meta показывает результат на уровне Haiku 5.5 и выше GPT-6 Luna.
  • Скорость. Партнеры Meta (Cloudflare, You.com) в раннем тестировании отмечают низкую задержку, но это отзывы партнеров, а не независимые замеры.

Ограничения и спорные моменты

  • Знания слабее, чем у сверстников. Artificial Analysis измерил точность на AA-Omniscience в 21,1% против 34,7% у Claude Haiku 5.5 (max): модель отказывается отвечать примерно на 64% вопросов. Зато доля выдумок у нее около 17,4%, вдвое меньше, чем у Haiku.
  • Код: результат смешанный. На FrontierCode 2.0 (задачи судят по пригодности к слиянию в основную ветку) модель набрала 27,2% против 34,9% у Haiku 5.5. На экспертных задачах AA-Briefcase Haiku тоже впереди (1574 против 1521 Elo).
  • Разные цифры по Terminal-Bench 4.0 у Haiku. Meta указывает для Haiku 5.5 39,2% (каждая модель в лучшей опубликованной оснастке), Artificial Analysis — 32,8% в своей оснастке (mini-SWE-agent); для Ember у обоих 40,9%. Отрыв от Haiku зависит от оснастки: 1,7 пункта у Meta и 8,1 у Artificial Analysis.
  • Много цифр от самого разработчика. Агентный индекс Personal Superintelligence Index, Agents' Last Exam, OSWorld 2.1 и PerceptionBench — внутренние замеры Meta, независимой проверки мы не нашли.
  • Модель только что вышла, отзывов из продакшена пока мало. Meta заявляет, что оценка безопасности перед выпуском не выявила превышения порогов высокого риска, но это самооценка разработчика.

Бенчмарки

ТестРезультатИсточникДата
Artificial Analysis Intelligence Index (max)36Artificial Analysisноябрь 2026
AutomationBench-AA (max)68,1%Artificial Analysisноябрь 2026
Terminal-Bench 4.0 (max)40,9%Artificial Analysisноябрь 2026
Terminal-Bench 4.0 (max, лучшая опубликованная оснастка)40,9%по данным разработчика, Metaноябрь 2026
FrontierCode 2.0 (max)27,2%Artificial Analysisноябрь 2026
Coding Agent Index в Muse Code (max)46Artificial Analysisноябрь 2026
AA-Omniscience, точность21,1%Artificial Analysisноябрь 2026
GDP.pdf-AA (max)22,8%Artificial Analysisноябрь 2026
OSWorld 2.1 (max, частичный зачет)69,5%по данным разработчика, Metaноябрь 2026
Agents' Last Exam (max)61,6%по данным разработчика, Metaноябрь 2026
PerceptionBench с инструментами (max)80,6%по данным разработчика, Metaноябрь 2026

Чем Muse Ember отличается от соседей

Семейство Muse делится по назначению: Muse Wonder — старшая модель для самых сложных задач, Muse Spark 1.3 — основная для кода и агентов, Muse Ember — младшая для массовых повторяющихся подзадач. По индексу Artificial Analysis Ember отстает от Spark 1.3 на один пункт (36 против 37 по данным Meta) и от Wonder на 8 (44), при заметно более низкой цене. Берите Ember, когда задач много и каждая простая или хорошо определена; Spark 1.3 или Wonder — когда ошибка дорога, а планирование сложное.

Альтернативы в каталоге

  • Claude Haiku 5.5: тот же класс и тот же балл индекса; впереди в знаниях и на FrontierCode.
  • GPT-6 Luna: компактная модель OpenAI, по данным Meta на большинстве тех же тестов слабее Ember (на GDP.pdf-AA результаты равны).
  • DeepSeek V4.1 Flash: модель с открытыми весами (лицензия MIT), если важна возможность развернуть ее у себя; по Artificial Analysis ее снапшот 1017 набирает на индексе 33 против 36 у Ember.
  • DeepSeek V4.1 Flash (Россия): та же модель в российском регионе.

Частые вопросы

Подходит ли Muse Ember как основная модель для сложного программирования?

Скорее как исполнитель подзадач. Независимые замеры смешанные: впереди Haiku 5.5 на FrontierCode, но Ember сильнее на Terminal-Bench 4.0 (с оговоркой про оснастку) и в связке с Muse Code. Для самых сложных задач Meta рекомендует Muse Wonder.

Принимает ли она изображения, аудио и видео?

Да: через Router поддерживаются текст, изображения, файлы, аудио и видео на входе, ответ приходит текстом.

Поддерживает ли вызов инструментов и структурированный вывод?

Среди параметров запроса в каталоге есть инструменты, выбор инструмента, структурированные ответы и режим рассуждений с настраиваемым уровнем. Агентные вызовы инструментов Meta называет основным назначением модели.

Можно ли развернуть модель у себя?

Нет: по данным The New Stack, как и в предыдущих релизах Muse, Meta держит веса закрытыми. Для самостоятельного размещения берите модели с открытыми весами, например DeepSeek V4.1 Flash.

Стоит ли доверять ей фактические ответы без поиска?

Осторожно. Artificial Analysis показывает низкую точность по знаниям, но и невысокую долю выдуманных ответов: модель чаще отказывается отвечать. Для вопросов о фактах подключайте поиск или базу знаний.

Источники

Результаты в бенчмарках

Независимый замер источника по умолчанию и цифра разработчика, если он ее публиковал.

Независимое измерениеПо данным разработчика
Сравнить с другими моделями
Все параметры API · 13
  • include_reasoning
  • max_tokens
  • reasoning
  • reasoning_effort
  • repetition_penalty
  • response_format
  • seed
  • structured_outputs
  • temperature
  • tool_choice
  • tools
  • top_k
  • top_p

Все модели Meta