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.
- Контекст
- 1 048 576
- Макс. ответ
- 943 718
- Выпущена
- 09.11.2026
Цены за 1 млн токенов, ₽Цены за 1 млн токенов, PnP
| Регион | Попробовать | Вход | Выход | Чтение кэша | ID модели в запросах |
|---|---|---|---|---|---|
| Глобальный · global-1 | Попробовать | 11,00 ₽0,11 PnP | 55,00 ₽0,55 PnP | 0,44 ₽0,0044 PnP | global-1/meta/muse-ember |
Цены розничные, без НДС (5 %). Для компаний — персональные цены по договору: чем больше объем, тем ниже цена.Узнать свою цену
Цены со скидкой по ссылке партнера, без НДС (5 %). Зарегистрироваться
Цены со скидкой вашей компании, без НДС (5 %).Ваши условия
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!"}] }'
import os from openai import OpenAI client = OpenAI( base_url="https://router.nodul.ru/api/v1", api_key=os.environ["NODUL_ROUTER_API_KEY"], ) response = client.chat.completions.create( model="global-1/meta/muse-ember", messages=[{"role": "user", "content": "Hello!"}], ) print(response.choices[0].message.content) print("cost, PnP:", response.usage.model_extra.get("cost"))
import OpenAI from "openai"; const client = new OpenAI({ baseURL: "https://router.nodul.ru/api/v1", apiKey: process.env.NODUL_ROUTER_API_KEY, }); const response = await client.chat.completions.create({ model: "global-1/meta/muse-ember", messages: [{ role: "user", content: "Hello!" }], }); console.log(response.choices[0].message.content); console.log("cost, PnP:", response.usage?.cost);
package main import ( "bytes" "encoding/json" "fmt" "net/http" "os" ) func main() { body := []byte(`{"model":"global-1/meta/muse-ember","messages":[{"role":"user","content":"Hello!"}]}`) req, _ := http.NewRequest("POST", "https://router.nodul.ru/api/v1/chat/completions", bytes.NewReader(body)) req.Header.Set("Authorization", "Bearer "+os.Getenv("NODUL_ROUTER_API_KEY")) req.Header.Set("Content-Type", "application/json") resp, err := http.DefaultClient.Do(req) if err != nil { panic(err) } defer resp.Body.Close() if resp.StatusCode != http.StatusOK { var e struct{ Error struct{ Message string } } _ = json.NewDecoder(resp.Body).Decode(&e) fmt.Fprintln(os.Stderr, resp.Status, e.Error.Message) os.Exit(1) } var out struct { Choices []struct{ Message struct{ Content string } } Usage struct{ Cost json.Number } } if err := json.NewDecoder(resp.Body).Decode(&out); err != nil { panic(err) } fmt.Println(out.Choices[0].Message.Content) fmt.Println("cost, PnP:", out.Usage.Cost) }
<?php $body = '{"model":"global-1/meta/muse-ember","messages":[{"role":"user","content":"Hello!"}]}'; $ch = curl_init('https://router.nodul.ru/api/v1/chat/completions'); curl_setopt_array($ch, [ CURLOPT_POST => true, CURLOPT_HTTPHEADER => [ 'Authorization: Bearer ' . getenv('NODUL_ROUTER_API_KEY'), 'Content-Type: application/json', ], CURLOPT_POSTFIELDS => $body, CURLOPT_RETURNTRANSFER => true, ]); $response = json_decode(curl_exec($ch), true); if (curl_getinfo($ch, CURLINFO_HTTP_CODE) !== 200) { fwrite(STDERR, $response['error']['message'] ?? 'request failed'); exit(1); } echo $response['choices'][0]['message']['content'], PHP_EOL; echo 'cost, PnP: ', $response['usage']['cost'], PHP_EOL;
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
| Тест | Результат | Источник | Дата |
|---|---|---|---|
| Artificial Analysis Intelligence Index (max) | 36 | Artificial Analysis | ноябрь 2026 |
| AutomationBench-AA (max) | 68,1% | Artificial Analysis | ноябрь 2026 |
| Terminal-Bench 4.0 (max) | 40,9% | Artificial Analysis | ноябрь 2026 |
| Terminal-Bench 4.0 (max, лучшая опубликованная оснастка) | 40,9% | по данным разработчика, Meta | ноябрь 2026 |
| FrontierCode 2.0 (max) | 27,2% | Artificial Analysis | ноябрь 2026 |
| Coding Agent Index в Muse Code (max) | 46 | Artificial Analysis | ноябрь 2026 |
| AA-Omniscience, точность | 21,1% | Artificial Analysis | ноябрь 2026 |
| GDP.pdf-AA (max) | 22,8% | Artificial Analysis | ноябрь 2026 |
| OSWorld 2.1 (max, частичный зачет) | 69,5% | по данным разработчика, Meta | ноябрь 2026 |
| Agents' Last Exam (max) | 61,6% | по данным разработчика, Meta | ноябрь 2026 |
| PerceptionBench с инструментами (max) | 80,6% | по данным разработчика, Meta | ноябрь 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.
- Terminal-Bench 4.0по данным разработчикауровень max—40,9
Все параметры API · 13
include_reasoningmax_tokensreasoningreasoning_effortrepetition_penaltyresponse_formatseedstructured_outputstemperaturetool_choicetoolstop_ktop_p

