9 de noviembre de 2026, por la noche
Meta lanza Muse Ember, que según la empresa es su modelo más pequeño, con una frase que se repite en todos los titulares: el mismo nivel que Claude Haiku 5.5, por un tercio del coste.
Abrí las tres tarifas. Muse Ember: 10 centavos por millón de tokens de entrada y 50 de salida. Claude Haiku 5.5: 10 y 50. GPT-6 Luna: 10 y 50.
Tres modelos, exactamente el mismo precio. Entonces, ¿de dónde sale ese tercio?
Muse Ember es el modelo pequeño y barato de Meta, y salió el 9 de noviembre de 2026. Meta lo creó para el trabajo diario de los agentes de IA: clasificar, sacar datos de documentos, usar herramientas y navegar por sitios web, en grandes cantidades. Revisé las páginas oficiales, la medición independiente de Artificial Analysis y las primeras pruebas de desarrolladores para responder a una sola pregunta: ¿es un lanzamiento que cambia algo para un negocio que usa un agente, o solo otro modelo con una gráfica bonita?
No hicimos pruebas propias. El modelo tiene un día de vida, y todas las cifras salen de fuentes públicas enlazadas al final.
En resumen
- Muse Ember cuesta por token exactamente lo mismo que Claude Haiku 5.5 y GPT-6 Luna: 0,10 dólares por millón de tokens de entrada y 0,50 de salida.
- El «tercio» es el coste por tarea: en el índice independiente de Artificial Analysis alcanza la puntuación de Haiku 5.5 con 14 centavos por tarea frente a 41, y termina en 3,2 minutos frente a 14,8.
- Los puntos débiles: el conocimiento general (si le preguntas datos generales de memoria, sin un documento delante, se niega a responder el 64% de las preguntas), el código difícil y, en una prueba independiente, la tendencia a decir «hecho» cuando la acción había fallado.
- Mi opinión: un lanzamiento importante para quien hace mucho trabajo rutinario con un agente. No es un modelo principal, ni un motivo para cambiar un modelo que ya te funciona bien.
¿Prefieres verlo? La reseña en un video de 9 minutos (en inglés)
Mi opinión, de un vistazo
Mi opinión: es un lanzamiento real, pero su titular engaña
Muse Ember no bajó el precio. Bajó la factura. El precio mínimo de 10 y 50 centavos lo fijaron GPT-6 Luna en septiembre y Claude Haiku 5.5 en octubre. Meta llegó tercera al mismo precio. Lo que trae es un modelo que llega al mismo resultado con menos texto y en menos tiempo.
Piensa en tres fontaneros que cobran lo mismo por hora. Uno de ellos hace la misma reparación en un tercio del tiempo, así que su factura es tres veces menor. Ese es Ember. Y la comparación tiene una segunda parte menos agradable: en una prueba, ese mismo fontanero también dijo «arreglado» con el grifo todavía goteando, más veces que su competidor. Llegaremos a eso.
Entonces, ¿importante o humo? Importante, en un terreno concreto. Si tu agente hace cada día cientos de tareas pequeñas, como leer correos, etiquetar consultas o rellenar campos, es un lanzamiento que vale la pena probar. Si buscas un modelo que piense por ti, escriba una estrategia o arregle un error complicado, este lanzamiento no va contigo.
Qué es Muse Ember, en un minuto
Fuentes: página del modelo y página de precios de Meta; velocidad según Artificial Analysis, 10 de noviembre de 2026. Qué es un token, lo explicamos en Qué es un token.
Está disponible en la conexión directa de Meta a sus modelos, la API (la vía por la que un agente trabaja con el modelo), en todas las suscripciones de Muse Code (la herramienta de programación de Meta), en Google Cloud y en OpenRouter, un servicio que da acceso a varios modelos con una sola cuenta. Meta no lo menciona en la app de Meta AI ni en WhatsApp, así que quien no usa un agente ni programa no se lo encontrará directamente. Es un modelo cerrado: Meta no publica el archivo del modelo y no se puede ejecutar en un servidor propio. España y la mayor parte de Latinoamérica no están en la lista de países restringidos de la API.
¿Y qué pasa con el español? Meta no publica en qué idiomas probó el modelo, y todas las pruebas que encontré eran en inglés. Antes de pasarle correos o reseñas en español, pruébalo con tus propios ejemplos reales.
Meta lo presenta como la otra mitad de Muse Wonder, su modelo grande: Wonder planifica y Ember se encarga del volumen. Según Meta, es también su primer modelo entrenado con ayuda de Wonder Full.
Un detalle que importa para la factura: Ember tiene seis niveles de razonamiento, es decir, cuánto tiempo «piensa» antes de responder, desde minimal (el mínimo) hasta max (el máximo), y el predeterminado es max. El razonamiento no se puede apagar. Quien lo conecta y no cambia nada paga el razonamiento más largo en cada petición, aunque la tarea sea etiquetar un correo. La propia Meta recomienda el nivel más bajo que dé un resultado aceptable.
Muse Ember frente a Haiku 5.5 y GPT-6 Luna: misma tarifa, otra factura
Artificial Analysis es una empresa independiente que pasa a cada modelo nuevo la misma serie de pruebas y publica una puntuación general sobre 100, el coste y el tiempo por tarea. Para hacerse una idea: Muse Wonder, el modelo grande de Meta, saca ahí un 44. Es la medición independiente más completa publicada hasta ahora sobre Ember, y la mayoría de las cifras de este artículo salen de ella.
En este índice, una «tarea» es una prueba pesada, con mucha lectura y mucho razonamiento. Etiquetar un correo o sacar el importe de una factura cuesta una fracción de eso. Lo que importa de la gráfica es la proporción entre modelos, no los centavos.
Coste por tarea en el índice de Artificial Analysis, y puntuación general
Fuente: Artificial Analysis, índice versión 5, 10 de noviembre de 2026. DeepSeek se calcula con su precio en horas punta. Las puntuaciones de la versión 5 son más bajas que las de la anterior y no se pueden comparar con las cifras de artículos previos.
Frente a Haiku 5.5: la misma puntuación, 36. Antes de redondear, Haiku queda un poco por encima: 36,2 frente a 35,8. La diferencia está en el camino: para llegar ahí, Haiku generó unas 2,6 veces más texto. Y si el precio por token es el mismo, el que escribe menos cuesta menos.
Frente a GPT-6 Luna: casi el mismo coste por tarea, 14 centavos frente a 15, pero Ember saca 36 y Luna 28. Aquí la ventaja está en la calidad, no en el dinero.
Dentro de Meta: Muse Spark 1.3, que hasta este lanzamiento era su opción más barata, saca 37 con 2,39 dólares por tarea. Ember saca un punto menos y cuesta 17 veces menos.
Hay otra razón por la que la factura es más pequeña, y es especialmente importante para los agentes. Un agente le envía al modelo una y otra vez el mismo texto: sus instrucciones, el historial de la conversación, el documento con el que trabaja. El texto que el modelo ya ha leído se paga a un precio rebajado, y en Ember ese precio es de 0,004 dólares por millón de tokens, frente a 0,01 en Haiku y Luna. Según Artificial Analysis, en sus pruebas de agentes eso es la mayor parte del coste. DeepSeek es aún más barato en este apartado, pero escribe mucho más texto en cada tarea, así que al final sale más caro.
Tiempo medio por tarea, en minutos
Fuente: Artificial Analysis, 10 de noviembre de 2026. Todos los modelos con razonamiento máximo.
La velocidad es su ventaja más clara, y Meta apenas habló de ella. Ember empieza a responder en menos de 5 segundos incluso con razonamiento máximo. Haiku 5.5, con el mismo ajuste, piensa tres minutos antes de escribir la primera palabra. Con niveles de razonamiento bajos, Haiku y Luna también responden en segundos, pero entonces su puntuación baja mucho. Ember es el único de los tres que da la puntuación alta y además una respuesta rápida, y eso es lo que importa en un agente que atiende a un cliente por chat.
Dónde las cifras de Meta parecen demasiado buenas
Cuatro cosas que no aparecen en el titular del lanzamiento:
1. La comparación se hizo solo con razonamiento máximo. Con ese ajuste es cuando Haiku más escribe y, por eso, cuando más cuesta. Un nivel más abajo, Haiku saca 35 y cuesta 25 centavos por tarea. La diferencia real para quien ajusta bien su modelo es de unas 1,8 veces. Sigue siendo una ventaja para Ember, pero no un tercio.
2. Parte de las victorias son en pruebas que hizo la propia Meta. Tres de las pruebas de la tabla del lanzamiento son internas de Meta. Y en la prueba de manejo del ordenador, la puntuación que muestra, 69,5%, incluye puntos por éxito parcial. Si solo se cuentan las tareas completadas de principio a fin, la puntuación es 33,8%. Haiku tiene la misma caída, hasta 27,8%, así que Ember sigue por delante, pero lejos de la impresión de que siete de cada diez tareas salieron bien.
3. En una prueba, Haiku gana con claridad. FrontierCode comprueba si el código que escribió el modelo se aceptaría en un proyecto real. Haiku: 34,9%. Ember: 27,2%. Meta muestra esa fila en su tabla, y eso habla bien de ella.
4. El salto de precio en 200.000 tokens. Meta vende una ventana de un millón de tokens, pero en cuanto la entrada supera los 200.000 tokens (unos cuantos cientos de páginas de texto en inglés, y menos en español), el precio se triplica, y en toda la petición, no solo en la parte que sobrepasa el límite. La entrada incluye también las instrucciones del agente y el historial de la conversación. A favor de Ember: Haiku tiene un salto más brusco, ×5, que empieza ya en 100.000. Por encima de 272.000, GPT-6 Luna es más barato que Ember.
Y otra cosa más, que suena a ventaja: Ember casi no se inventa respuestas. Su tasa de respuestas inventadas es del 17,4%, más o menos la mitad que la de Haiku. Pero eso tiene un precio. Artificial Analysis hizo a los modelos preguntas sobre hechos que debían responder de memoria, sin ningún documento delante, y Ember se negó a responder el 64%. En total acertó el 21% de las preguntas, frente al 35% de Haiku. Para un agente que trabaja con tus documentos y tus datos, es un buen comportamiento: mejor un «no lo sé» que una invención. Para quien quiera hacerle preguntas que deba responder de memoria, es un modelo flojo. Qué es una alucinación y por qué ocurre, lo explicamos en Qué es una alucinación de la IA.
Pruebas reales: qué obtuvo quien lo probó
Todavía hay poco material. Estas pruebas se publicaron en las primeras horas tras el lanzamiento, la mayoría por desarrolladores independientes o por empresas que venden herramientas para agentes. Ese mismo día salió también Claude Fable 5.2 de Anthropic, y casi toda la atención se fue allí.
Cuatro pruebas, y lo que salió
Verde: Ember sale más a cuenta. Naranja: depende de qué te importe. Fuentes: kritinv07, browser_use, navaneeth_pk y LatentOperatorX en X, 9 y 10 de noviembre de 2026.
La prueba más importante para un negocio: atención al cliente. El desarrollador Kritin Vongthongsri pasó 400 conversaciones de atención simuladas por cada modelo, en una tienda y en una aerolínea, cada tarea ocho veces. En éxito al primer intento hubo empate: 83,2% para Ember y 82,8% para Haiku. La diferencia apareció en los fallos. En 24 de los 50 fallos de Ember, el modelo le dijo al cliente que la acción se había completado. En un ejemplo, hizo un cambio de producto en lugar de una devolución y le escribió al cliente que el cambio se había hecho correctamente. En Haiku, eso pasó en el 31% de los fallos. Es una sola prueba, con 50 fallos, y el propio autor escribe que en fiabilidad general ninguno de los dos va claramente por delante. Hacen falta más pruebas para saber si es un patrón, pero es justo el tipo de error que un negocio no se puede permitir.
Y la factura: las conversaciones de Ember fueron más largas, 22,5 mensajes de media frente a 16,6. Al calcular cuánto cuesta una respuesta en la que se puede confiar, Ember salió a 22 centavos y Haiku a 18. Misma tarifa, y Ember un 20% más caro.
Ver el post de Kritin Vongthongsri en X: Muse Ember frente a Claude Haiku 5.5 en 800 conversaciones de atención al cliente, 10 de noviembre de 2026
Navegar por webs: aquí destaca. Browser Use, que desarrolla una herramienta para que un agente use el navegador, lo probó en tareas de cientos de pasos. Sacó la misma puntuación que GPT-6 Luna con razonamiento medio, por unos 3 centavos por tarea. Es una empresa que vende una herramienta para agentes, así que le interesa que los modelos baratos funcionen bien.
Ver el post de Browser Use en X: Muse Ember en la prueba de tareas largas en el navegador, 9 de noviembre de 2026
Frente a DeepSeek: más rápido, menos bonito. Un desarrollador creó diez apps internas con cada uno de tres modelos y pidió a varios evaluadores que las puntuaran sin saber qué modelo había hecho cada una. El precio salió igual. Ember terminó tres veces más rápido que Luna, según él con una calidad similar o mejor. DeepSeek V4.1 Flash sacó un 8,1 en diseño, frente al 6,9 de Ember. Parece que el desarrollador está vinculado a la plataforma con la que se crearon las apps.
Ver el post de Navaneeth PK en X: Muse Ember frente a GPT-6 Luna y DeepSeek V4.1 Flash, 10 de noviembre de 2026
Y dos avisos de quienes ya lo usan. Un desarrollador japonés comprobó que, en su prueba, Ember logró la puntuación máxima, pero escribió unas tres veces más texto que Muse Spark y tardó más. Y un desarrollador en Hacker News, que trabajó con la versión de prueba del modelo antes del lanzamiento, escribió que empieza fuerte y que hacia el mensaje número veinte de la conversación ya no sirve. Es un solo testimonio sobre una versión temprana, y según el boletín Latent Space los problemas que surgieron en el periodo de prueba se corrigieron antes del lanzamiento. Aun así, encaja con cómo lo presenta Meta: un modelo para trabajo repetitivo en grandes cantidades, no para conversaciones largas.
Ventajas y desventajas de Muse Ember
Lo que ganas
- La puntuación de Haiku 5.5 por entre un tercio y la mitad del coste por tarea
- Velocidad: la respuesta empieza en segundos incluso con razonamiento máximo
- El texto que ya ha leído, como las instrucciones fijas del agente, le sale un 60% más barato que a Haiku y Luna
- Lee imágenes, vídeo, audio y PDF
- Prefiere decir «no lo sé» antes que inventar
- En la API, tu contenido no se usa para entrenar
A qué renuncias
- Conocimiento general flojo: no es un modelo para hacerle preguntas de memoria
- Código complejo: Haiku 5.5 es mejor
- En una prueba dijo «hecho» en acciones que habían fallado, más que Haiku
- Por encima de 200.000 tokens de entrada, el precio se triplica
- Modelo cerrado: solo funciona en la nube de Meta y de sus socios
- No hay descuento para tareas que no necesitan respuesta inmediata, como sí tienen Haiku y Luna
Una línea sobre privacidad, porque se presta a confusión. En la API, según las condiciones de Meta, el contenido no se usa para entrenar sus modelos. En la suscripción de Muse Code, la opción predeterminada es la contraria: el contenido sí se usa para entrenar, con cualquier modelo que elijas, hasta que lo desactivas en los ajustes. La desactivación solo cuenta desde ese momento, y lo que ya se envió sigue disponible para entrenar. Y si llegas a Ember a través de Google Cloud, según Meta, la empresa ni siquiera recibe el contenido. Sobre la privacidad en el producto de consumo de Meta escribimos en Muse y la privacidad.
Ejemplos de uso: qué le daría a Muse Ember en el agente de un negocio
- Clasificar correos y consultas del sitio web por urgencia
- Sacar importe, fecha y proveedor de las facturas
- Etiquetar reseñas de Google: positiva, negativa, requiere respuesta
- Descripciones de imágenes y etiquetas para los productos del sitio web
- Recopilar precios e información de sitios web
- Atención al cliente que hace acciones: cancelación, reembolso, cambio de pedido
- Rellenar formularios en los sistemas del negocio
- Pequeños arreglos en el código del sitio web
- Preguntas sobre hechos que debe responder de memoria, sin un documento que leer
- Textos de marketing y decisiones
- Un error complicado o un cambio grande en el sitio web
- Una conversación larga de decenas de mensajes
- Un documento de cientos de páginas de una vez
Mi regla: a Ember le doy tareas que tienen un principio, un final y una forma de comprobar que se hicieron. «Saca el importe de esta factura», sí. «Atiende a este cliente», no, salvo que un modelo más potente o el propio sistema compruebe que el reembolso se hizo de verdad. El hallazgo del falso «hecho» es la razón: cuando se trabaja con clientes, un error que se presenta como éxito cuesta más que todo lo que se ahorra.
Si tu agente funciona con Haiku 5.5 o con Luna y va bien, no hay motivo para correr a cambiarlo. La diferencia es de centavos por tarea, y cambiar de modelo obliga a volver a comprobar todo lo que hace el agente. Vale la pena probar Ember en dos casos: cuando el agente hace miles de tareas al día y la factura ya se nota, o cuando la velocidad importa, por ejemplo para atender a un cliente en directo. Si alguien te gestiona el agente, pregúntale si puede probar Ember en una de tus tareas junto al modelo actual y comparar resultado y factura. Y si tu agente funciona con el modelo de Google, conviene que hagas las cuentas ya: Gemini 3.8 Flash cuesta 0,75 y 3,75 dólares, y su precio se duplica el 1 de enero de 2027.
Qué hago yo con esto
Normalmente construyo los agentes sobre Hermes Agent, una infraestructura de código abierto de Nous Research, y elijo para cada negocio los modelos que le encajan: de OpenAI, Anthropic, Google, Meta y otros. Platin Digital es OpenAI Select Partner, y eso no cambia la elección. La mayoría de los agentes usan más de un modelo: uno potente que decide y uno barato que hace el trabajo diario. Ember es un candidato serio para ese segundo papel, y esperaré a más mediciones independientes, sobre todo de fiabilidad al usar herramientas y en conversaciones largas, antes de ponerlo a atender a los clientes de un negocio.
En siete semanas, OpenAI, Anthropic y Meta han llegado exactamente al mismo precio en la gama barata, y Google ha ido en la dirección contraria. Cuánto cuesta un agente más allá del precio del modelo, lo detallamos en Cuánto cuesta un agente de IA para un negocio, y la clasificación completa de los modelos está en Sigma AI Ranking.
Preguntas frecuentes
¿Qué es Muse Ember?
Muse Ember es el modelo más pequeño y barato de Meta, lanzado el 9 de noviembre de 2026. Está hecho para el trabajo diario de los agentes de IA en grandes cantidades: usar herramientas, sacar datos de documentos, clasificar, navegar por sitios web y pequeñas tareas de código. Lee texto, imágenes, vídeo, audio y PDF, responde con texto y está disponible en la API de Meta con el nombre muse-ember-1.0, en Muse Code, en Google Cloud y en OpenRouter.
¿Cuánto cuesta Muse Ember?
0,10 dólares por millón de tokens de entrada, 0,50 dólares de salida y 0,004 dólares por el texto que el modelo ya ha leído. Es el mismo precio que Claude Haiku 5.5 y GPT-6 Luna, salvo el texto ya leído, que en Ember es un 60% más barato. Cuando la entrada supera los 200.000 tokens, toda la petición se cobra al triple: 0,30 y 1,50 dólares. Meta no ofrece un plan gratuito en la API, y no hay descuento para tareas que no necesitan respuesta inmediata.
¿Es Muse Ember mejor que Claude Haiku 5.5?
En la puntuación general de Artificial Analysis empatan, con 36. Antes de redondear, Haiku queda un poco por encima. Ember es tres veces más barato por tarea con razonamiento máximo y 4,6 veces más rápido. Haiku 5.5 es mejor en preguntas sobre hechos que hay que responder de memoria, en código complejo, y en una prueba de atención al cliente dijo menos veces que algo había salido bien cuando no era así. Para trabajo diario en grandes cantidades, Ember sale más a cuenta. Para trabajo que exige conocimiento y precisión ante el cliente, Haiku.
¿Muse Ember está disponible en España y Latinoamérica?
España y la mayor parte de Latinoamérica no figuran en la lista de países restringidos de la API de Meta; Cuba, Venezuela, Nicaragua y Haití sí están en ella. Los clientes de la Unión Europea contratan con Meta Platforms Ireland. El modelo también está disponible a través de Google Cloud y OpenRouter. No hemos probado nosotros el registro ni el pago. No forma parte de la app de Meta AI ni de WhatsApp, así que es un modelo para quien usa un agente o programa. Sobre la disponibilidad del asistente de consumo de Meta en tu país escribimos en ¿Muse está disponible en España y Latinoamérica?.
¿Meta usa mis datos para entrenar?
En la API, no: según las condiciones de uso de Meta, el contenido que se envía a Muse Ember no se usa para entrenar sus modelos. En la suscripción de Muse Code, la opción predeterminada es que el contenido sí se usa para entrenar, y se puede desactivar en los ajustes. Meta no publica un plazo fijo de conservación de los datos. A través de Google Cloud, según Meta, ni siquiera recibe el contenido.
¿Qué diferencia hay entre Muse Ember, Muse Spark y Muse Wonder?
Son las tres gamas de Meta. Muse Wonder es el modelo grande, a 4 y 20 dólares por millón de tokens, para tareas complejas y planificación. Muse Spark 1.3 es la gama intermedia, a 1,25 y 4,25 dólares. Muse Ember es el pequeño, a 0,10 y 0,50 dólares, para ejecutar en grandes cantidades. En el índice de Artificial Analysis, Ember saca 36, un punto menos que Spark 1.3, con un coste por tarea 17 veces menor.
Fuentes
- https://research.meta.ai/blog/muse-ember
- https://dev.meta.ai/resources/blog/build-with-muse-ember
- https://dev.meta.ai/docs/muse-ember
- https://dev.meta.ai/docs/pricing-rate-limits
- https://dev.meta.ai/docs/reasoning
- https://dev.meta.ai/docs/choose-a-model
- https://research.meta.ai/static/muse-ember-evaluation-report
- https://dev.meta.ai/legal/terms-of-service
- https://dev.meta.ai/legal/geographic-use-policy
- https://cloud.google.com/products/model-garden/meta
- https://artificialanalysis.ai/models/muse-ember
- https://artificialanalysis.ai/articles/meta-s-muse-ember-is-the-cheapest-model-scoring-36-on-the-intelligence-index
- https://artificialanalysis.ai/leaderboards/models
- https://platform.claude.com/docs/en/about-claude/pricing
- https://developers.openai.com/api/docs/pricing
- https://ai.google.dev/gemini-api/docs/pricing
- https://api-docs.deepseek.com/quick_start/pricing
- https://venturebeat.com/technology/metas-proprietary-muse-ember-nearly-matches-claude-haiku-5-5-at-1-3-the-estimated-per-task-cost
- https://thenextweb.com/news/meta-muse-ember-small-ai-model-haiku-luna
- https://techcrunch.com/2026/11/09/meta-releases-muse-ember-a-new-lightweight-model-for-agent-execution/
- https://siliconangle.com/2026/11/09/meta-introduces-muse-ember-to-power-cost-efficient-ai-agents/
- https://news.ycombinator.com/item?id=50429024
- https://news.ycombinator.com/item?id=50434838
- https://x.com/kritinv07/status/2119981282281345112
- https://x.com/browser_use/status/2119922023975829744
- https://x.com/navaneeth_pk/status/2119980781506568501
- https://x.com/LatentOperatorX/status/2120014259186966703
- https://x.com/gosrum/status/2119956559031927079
- https://openrouter.ai/meta/muse-ember
- https://latent.space/p/ainews-fable-5-2-retakes-world-1-llm-spot-as-ant-ipo-roadshow-begins
