9 de novembro de 2026, à noite
A Meta lança o Muse Ember, segundo ela o seu menor modelo, com uma frase que se repete em todas as manchetes: o mesmo nível do Claude Haiku 5.5, por um terço do custo.
Abri as três tabelas de preço. Muse Ember: 10 centavos por milhão de tokens de entrada, 50 de saída. Claude Haiku 5.5: 10 e 50. GPT-6 Luna: 10 e 50.
Três modelos, exatamente o mesmo preço. Então de onde vem o terço?
O Muse Ember é o modelo pequeno e barato da Meta, lançado em 9 de novembro de 2026. A Meta o criou para o trabalho do dia a dia dos agentes de IA: classificar, extrair dados de documentos, acionar ferramentas e navegar em sites, em grande volume. Li as páginas oficiais, a medição independente da Artificial Analysis e os primeiros testes de desenvolvedores para responder a uma pergunta: é um lançamento que muda algo para quem roda um agente no negócio, ou só mais um modelo com um gráfico bonito?
Não rodamos um teste próprio. O modelo tem um dia de vida, e todos os números aqui vêm de fontes abertas, com links no final.
Em resumo
- O Muse Ember custa por token exatamente o mesmo que o Claude Haiku 5.5 e o GPT-6 Luna: US$ 0,10 por milhão de tokens de entrada e US$ 0,50 de saída.
- O "terço" é custo por tarefa: no índice independente da Artificial Analysis, ele chega à nota do Haiku 5.5 por 14 centavos a tarefa, contra 41, e termina em 3,2 minutos, contra 14,8.
- Os pontos fracos: conhecimento geral (diante de perguntas sobre fatos gerais, só de memória e sem nenhum documento para consultar, ele se recusa a responder 64% delas), código difícil e, num teste independente, a tendência de dizer "feito" quando a ação falhou.
- Minha opinião: um lançamento importante para quem roda muito trabalho de rotina por um agente. Não é um modelo principal, nem motivo para trocar um modelo que já funciona bem para você.
Prefere assistir? A análise em um vídeo de 9 minutos (em inglês)
Minha opinião, num relance
Minha opinião: o lançamento é de verdade, mas a manchete engana
O Muse Ember não baixou o preço. Ele baixou a conta. O piso de 10 e 50 centavos foi definido pelo GPT-6 Luna em setembro e pelo Claude Haiku 5.5 em outubro. A Meta chegou em terceiro ao mesmo preço. O que ela trouxe: um modelo que chega ao mesmo resultado com menos texto e em menos tempo.
Pense em três encanadores que cobram o mesmo valor por hora. Um deles termina o mesmo conserto em um terço do tempo, então a conta dele sai três vezes menor. Esse é o Ember. E a imagem tem uma continuação menos agradável: num teste, esse mesmo encanador também disse "consertei" com a torneira ainda pingando, mais vezes que o concorrente. Volto a isso daqui a pouco.
Então, importante ou bobagem? Importante, numa área estreita. Se o seu agente faz todo dia centenas de ações pequenas, como ler e-mails, etiquetar mensagens de clientes e preencher campos, é um lançamento que vale testar. Se você procura um modelo que pense por você, escreva uma estratégia ou corrija um bug complicado, este lançamento não é para você.
O que é o Muse Ember, em um minuto
Fontes: página do modelo e página de preços da Meta; velocidade segundo a Artificial Analysis, 10/11/2026. Explicamos o que é um token.
Ele está disponível na API da Meta, a conexão direta com os modelos dela (é por ela que um agente trabalha com o modelo), em todas as assinaturas do Muse Code (a ferramenta de programação da Meta), no Google Cloud e no OpenRouter, serviço que dá acesso a vários modelos com uma só conta. A Meta não fala dele no app Meta AI nem no WhatsApp, então quem não roda um agente nem programa não vai encontrá-lo diretamente. O modelo é fechado: a Meta não libera o arquivo do modelo, e não dá para rodá-lo num servidor próprio. Nem o Brasil nem Portugal estão na lista de países bloqueados da API.
E o português? A Meta não publica em quais idiomas o modelo foi testado, e todos os testes que encontrei foram em inglês. Antes de passar a ele e-mails ou avaliações em português, teste com exemplos reais seus.
A Meta o apresenta como a outra metade do Muse Wonder, o seu modelo grande: o Wonder planeja, o Ember executa o volume. Segundo a Meta, também é o primeiro modelo dela treinado com a ajuda do Wonder Full.
Um detalhe que pesa na conta: o Ember tem seis níveis de raciocínio, ou seja, quanto tempo ele "pensa" antes de responder, de minimal (mínimo) a max (máximo), e o padrão é max. Não dá para desligar o raciocínio. Quem conecta o modelo e não muda nada paga pelo raciocínio mais longo em cada pedido, mesmo quando a tarefa é etiquetar um e-mail. A própria Meta recomenda o nível mais baixo que dê um resultado razoável.
Muse Ember x Haiku 5.5 e GPT-6 Luna: a mesma tabela de preço, outra conta
A Artificial Analysis é uma empresa independente que roda a mesma bateria de testes em cada modelo novo e publica uma nota geral de 0 a 100, o custo e o tempo por tarefa. Para ter uma escala: o Muse Wonder, o modelo grande da Meta, tira 44 ali. É a medição independente mais completa publicada até agora sobre o Ember, e a maioria dos números aqui vem dela.
"Tarefa", nesse índice, é uma tarefa pesada de teste, com muita leitura e raciocínio. Etiquetar um e-mail ou tirar o valor de uma nota fiscal custa uma fração disso. O que importa no gráfico é a proporção entre os modelos, não os centavos.
Custo por tarefa no índice da Artificial Analysis, e a nota geral
Fonte: Artificial Analysis, índice versão 5, 10/11/2026. O DeepSeek foi calculado pelo preço do horário de pico. As notas da versão 5 são mais baixas que as da versão anterior e não dá para compará-las com números de artigos anteriores.
Contra o Haiku 5.5: a mesma nota, 36. Antes do arredondamento, o Haiku fica um pouco acima: 36,2 contra 35,8. A diferença está no caminho: para chegar lá, o Haiku produziu cerca de 2,6 vezes mais texto. E, quando o preço por token é o mesmo, quem escreve menos custa menos.
Contra o GPT-6 Luna: quase o mesmo custo por tarefa, 14 centavos contra 15, mas o Ember tira 36 e o Luna, 28. Aqui a vantagem é a qualidade, não o dinheiro.
Dentro da Meta: o Muse Spark 1.3, que até o lançamento era a opção mais barata dela, tira 37 por US$ 2,39 a tarefa. O Ember tira um ponto a menos e custa 17 vezes menos.
Há outro motivo para a conta ser pequena, e ele importa especialmente para agentes. Um agente manda ao modelo, de novo e de novo, o mesmo texto: as instruções dele, o histórico da conversa, o documento em que está trabalhando. O texto que o modelo já leu é cobrado com desconto: no Ember, US$ 0,004 por milhão de tokens, contra 0,01 no Haiku e no Luna. Segundo a Artificial Analysis, nos testes de agentes dela isso é a maior parte do custo. O DeepSeek é ainda mais barato nesse item, mas escreve muito mais texto em cada tarefa, então no fim sai mais caro.
Tempo médio por tarefa, em minutos
Fonte: Artificial Analysis, 10/11/2026. Todos os modelos no raciocínio máximo.
A velocidade é a vantagem mais clara dele, e a Meta quase não falou dela. O Ember começa a responder em menos de 5 segundos, mesmo no raciocínio máximo. O Haiku 5.5, na mesma configuração, pensa três minutos antes da primeira palavra. Nos níveis de raciocínio baixos, o Haiku e o Luna também respondem em segundos, mas aí a nota deles cai bastante. O Ember é o único do trio que entrega a nota alta e também uma resposta rápida, e é isso que importa para um agente que atende o cliente no chat.
Onde os números da Meta parecem bons demais
Quatro coisas que não aparecem na manchete do lançamento:
1. A comparação foi feita só no raciocínio máximo. Nessa configuração o Haiku é o que mais escreve, e por isso é o mais caro. Um nível abaixo, o Haiku tira 35 e custa 25 centavos por tarefa. A diferença real, para quem ajusta bem o próprio modelo, é de cerca de 1,8 vez. Ainda é vantagem do Ember, mas não um terço.
2. Parte das vitórias vem de testes que a própria Meta rodou. Três dos testes da tabela de lançamento são internos da Meta. E, no teste de uso do computador, a nota que ela mostra, 69,5%, inclui pontos por sucesso parcial. Contando só as tarefas concluídas até o fim, a nota é 33,8%. O Haiku tem a mesma queda, para 27,8%, então o Ember continua na frente, mas longe da impressão de que sete em cada dez tarefas deram certo.
3. Num teste, o Haiku vence com folga. O FrontierCode verifica se o código que o modelo escreveu seria aceito num projeto real. Haiku: 34,9%. Ember: 27,2%. A Meta mostra essa linha na tabela dela, e isso conta a seu favor.
4. O degrau de preço em 200 mil tokens. A Meta vende uma janela de um milhão de tokens, mas, assim que a entrada passa de 200 mil tokens (algumas centenas de páginas de texto em inglês, e menos em português), o preço triplica, e sobre o pedido inteiro, não só sobre a parte que passou. A entrada inclui também as instruções do agente e o histórico da conversa. A favor do Ember: o Haiku tem um degrau maior: o preço é multiplicado por 5, e já a partir de 100 mil. Acima de 272 mil, o GPT-6 Luna fica mais barato que o Ember.
E mais uma coisa, que soa como vantagem: o Ember quase não inventa respostas. A taxa de invenção dele é de 17,4%, cerca de metade da do Haiku. Mas isso tem um preço. A Artificial Analysis fez aos modelos perguntas sobre fatos, para responder só de memória, sem nenhum documento para consultar, e o Ember se recusou a responder 64% delas. No total, ele acertou 21% das perguntas, contra 35% do Haiku. Para um agente que trabalha com os seus documentos e dados, é um bom comportamento: melhor "não sei" do que uma invenção. Para quem quer tirar dúvidas com ele sem dar nenhum documento, é um modelo fraco. O que é uma alucinação e por que ela acontece, explicamos em o que é alucinação de IA.
Testes reais: o que viu quem já rodou o modelo
O material ainda é pouco. Estes testes saíram nas primeiras horas depois do lançamento, a maioria de desenvolvedores independentes ou de empresas que vendem ferramentas para agentes. No mesmo dia saiu também o Claude Fable 5.2, da Anthropic, e a maior parte da atenção foi para lá.
Quatro testes, e o resultado
Verde: o Ember compensa mais. Laranja: depende do que importa para você. Fontes: kritinv07, browser_use, navaneeth_pk e LatentOperatorX no X, 9 e 10/11/2026.
O teste mais importante para um negócio: atendimento ao cliente. O desenvolvedor Kritin Vongthongsri rodou 400 conversas de atendimento simuladas em cada modelo, numa loja e numa companhia aérea, cada tarefa oito vezes. No sucesso na primeira tentativa deu empate: 83,2% para o Ember, 82,8% para o Haiku. A diferença apareceu nas falhas. Em 24 das 50 falhas do Ember, ele avisou o cliente de que a ação tinha dado certo. Num exemplo, ele fez uma troca em vez de uma devolução e escreveu ao cliente que a troca tinha sido feita com sucesso. No Haiku, isso aconteceu em 31% das falhas. É um teste só, com 50 falhas, e o próprio autor escreve que, em confiabilidade geral, nenhum dos dois lidera com clareza. São necessários mais testes para saber se é um padrão, mas é exatamente o tipo de erro que um negócio não pode se permitir.
E a conta: as conversas do Ember foram mais longas, 22,5 mensagens em média contra 16,6. Quando se calcula quanto custa uma resposta em que dá para confiar, o Ember saiu por 22 centavos e o Haiku, por 18. A mesma tabela de preço, e o Ember 20% mais caro.
Post de Kritin Vongthongsri no X: Muse Ember x Claude Haiku 5.5 em 800 conversas de atendimento, 10/11/2026
Navegar em sites: aqui ele brilha. A Browser Use, que desenvolve uma ferramenta que permite ao agente usar o navegador, o rodou em tarefas de centenas de passos. Ele tirou a mesma nota do GPT-6 Luna no raciocínio médio, por cerca de 3 centavos a tarefa. É uma empresa que vende ferramenta para agentes, então tem interesse em que modelos baratos se saiam bem.
Post da Browser Use no X: Muse Ember no teste de tarefas longas no navegador, 9/11/2026
Contra o DeepSeek: mais rápido, menos bonito. Um desenvolvedor criou dez apps internos com cada um de três modelos e deixou avaliadores darem nota sem saber quem fez o quê. O preço saiu igual. O Ember terminou três vezes mais rápido que o Luna, segundo ele com qualidade parecida ou melhor. O DeepSeek V4.1 Flash tirou 8,1 no design, contra 6,9 do Ember. O desenvolvedor parece ter ligação com a plataforma em que os apps foram construídos.
Post de Navaneeth PK no X: Muse Ember x GPT-6 Luna e DeepSeek V4.1 Flash, 10/11/2026
E dois alertas de campo. Um desenvolvedor japonês viu que, no teste dele, o Ember chegou à nota máxima, mas escreveu cerca de três vezes mais texto que o Muse Spark e demorou mais. E um desenvolvedor no Hacker News, que usou a versão de teste do modelo antes do lançamento, escreveu que ele começa forte e, lá pela vigésima mensagem da conversa, já não dá para usar. É um relato só, sobre uma versão inicial, e, segundo a newsletter Latent Space, problemas que surgiram no período de teste foram corrigidos antes do lançamento. Mas ele combina com a forma como a Meta apresenta o modelo: para trabalho repetitivo em volume, não para conversas longas.
Vantagens e desvantagens do Muse Ember
O que você ganha
- A nota do Haiku 5.5 por um custo por tarefa entre um terço e metade
- Velocidade: a resposta começa em segundos, mesmo no raciocínio máximo
- O texto que ele já leu, como as instruções fixas do agente, sai 60% mais barato que no Haiku e no Luna
- Lê imagens, vídeo, áudio e PDF
- Prefere dizer "não sei" a inventar
- Na API, o seu conteúdo não é usado para treinamento
Do que você abre mão
- Conhecimento geral fraco: não é modelo para perguntas que ele teria de responder de memória
- Código complexo: o Haiku 5.5 é melhor
- Num teste, disse "feito" sobre ações que falharam, mais que o Haiku
- Acima de 200 mil tokens de entrada, o preço triplica
- Modelo fechado: roda só na nuvem da Meta e dos parceiros
- Não tem o desconto que o Haiku e o Luna dão para tarefas que não precisam de resposta imediata
Uma linha sobre privacidade, porque ela confunde. Na API, segundo os termos da Meta, o conteúdo não é usado para treinar os modelos dela. Na assinatura do Muse Code, o padrão é o contrário: o conteúdo é usado para treinamento, com qualquer modelo que você escolher, até você desligar isso nas configurações. O desligamento vale só a partir daquele momento, e o que já foi enviado continua disponível para treinamento. E, para quem chega ao Ember pelo Google Cloud, segundo a Meta ela nem recebe o conteúdo. Sobre a privacidade no produto da Meta para o consumidor, escrevemos em Muse e privacidade.
Exemplos de uso: o que eu daria ao Muse Ember no agente de um negócio
- Separar e-mails e mensagens do site por urgência
- Extrair valor, data e fornecedor de notas fiscais
- Etiquetar avaliações no Google: positiva, negativa, precisa de resposta
- Descrições de imagens e tags para produtos do site
- Coletar preços e informações de sites
- Atendimento que executa ações: cancelamento, reembolso, alteração de pedido
- Preencher formulários nos sistemas do negócio
- Pequenos ajustes no código do site
- Perguntas sobre fatos, sem um documento que ele possa ler
- Textos de marketing e decisões
- Bug complicado ou mudança grande no site
- Conversa longa, de dezenas de mensagens
- Documento de centenas de páginas de uma vez
Minha regra: o Ember recebe uma tarefa que tem começo, fim e um jeito de conferir que foi feita. "Pegue o valor desta nota fiscal": sim. "Cuide deste cliente": não, a menos que um modelo mais forte ou o próprio sistema confira que o reembolso foi mesmo feito. O achado sobre o "feito" falso é o motivo: no trabalho com clientes, um erro relatado como sucesso custa mais do que tudo o que se economiza.
Se o seu agente roda no Haiku 5.5 ou no Luna e funciona bem, não há por que correr para trocar. A diferença é de centavos por tarefa, e trocar de modelo exige testar de novo tudo o que o agente faz. Vale testar o Ember em dois casos: quando o agente faz milhares de ações por dia e a conta já pesa, ou quando a velocidade importa, por exemplo no atendimento ao vivo. Se alguém gerencia o agente para você, pergunte se dá para rodar o Ember numa tarefa sua ao lado do modelo atual e comparar resultado e conta. E quem tem o agente rodando no modelo do Google deve fazer a conta agora: o Gemini 3.8 Flash custa US$ 0,75 e US$ 3,75, e o preço dele dobra em 1º de janeiro de 2027.
O que eu faço com isso
Costumo construir agentes sobre o Hermes Agent, infraestrutura de código aberto da Nous Research, e escolho para cada negócio os modelos que servem para ele: da OpenAI, Anthropic, Google, Meta e outros. A Platin Digital é OpenAI Select Partner, e isso não muda a escolha. A maioria dos agentes tem mais de um modelo: um modelo forte que decide e um modelo barato que faz o trabalho do dia a dia. O Ember é um candidato sério ao segundo papel, e vou esperar mais medições independentes, principalmente sobre confiabilidade no uso de ferramentas e em conversas longas, antes de colocá-lo diante dos clientes de um negócio.
Em sete semanas, OpenAI, Anthropic e Meta chegaram exatamente ao mesmo preço na faixa barata, e o Google foi na direção contrária. Quanto custa um agente além do preço do modelo, detalhamos em quanto custa um agente de IA para o negócio, e o ranking completo dos modelos está no Sigma AI Ranking.
Perguntas frequentes
O que é o Muse Ember?
O Muse Ember é o menor e mais barato modelo da Meta, lançado em 9 de novembro de 2026. Foi feito para o trabalho do dia a dia de agentes de IA em grande volume: acionar ferramentas, extrair dados de documentos, classificar, navegar em sites e pequenas tarefas de código. Ele lê texto, imagens, vídeo, áudio e PDF, responde em texto e está disponível na API da Meta com o nome muse-ember-1.0, no Muse Code, no Google Cloud e no OpenRouter.
Quanto custa o Muse Ember?
US$ 0,10 por milhão de tokens de entrada, US$ 0,50 de saída e US$ 0,004 pelo texto que o modelo já leu. É o mesmo preço do Claude Haiku 5.5 e do GPT-6 Luna, exceto pelo texto já lido, que sai 60% mais barato nele. Quando a entrada passa de 200 mil tokens, o pedido inteiro é cobrado em triplo: US$ 0,30 e US$ 1,50. A Meta não divulga um plano gratuito na API, e não há desconto para tarefas que não precisam de resposta imediata.
O Muse Ember é melhor que o Claude Haiku 5.5?
Na nota geral da Artificial Analysis, os dois empatam em 36. Antes do arredondamento, o Haiku fica um pouco acima. O Ember é três vezes mais barato por tarefa no raciocínio máximo e 4,6 vezes mais rápido. O Haiku 5.5 é melhor em perguntas sobre fatos respondidas de memória, sem documento, e em código complexo, e, num teste de atendimento, relatou menos vezes um sucesso que não aconteceu. Para trabalho de rotina em volume, o Ember compensa mais. Para trabalho que exige conhecimento e precisão diante do cliente, o Haiku.
O Muse Ember está disponível no Brasil e em Portugal?
Nem o Brasil nem Portugal aparecem na lista de países bloqueados da API da Meta, e o modelo também está disponível pelo Google Cloud e pelo OpenRouter. Clientes da União Europeia, como os de Portugal, contratam com a Meta Platforms Ireland. Não testamos por conta própria o cadastro e o pagamento. Ele não faz parte do app Meta AI nem do WhatsApp, então é um modelo para quem roda um agente ou programa. Sobre a disponibilidade do agente da Meta para o consumidor, escrevemos em Muse no Brasil e em Portugal.
Os meus dados são usados para treinar a Meta?
Na API, não: segundo os termos de uso da Meta, o conteúdo enviado ao Muse Ember não é usado para treinar os modelos dela. Na assinatura do Muse Code, o padrão é que o conteúdo seja usado para treinamento, e dá para desligar isso nas configurações. A Meta não divulga um prazo fixo de retenção dos dados. Pelo Google Cloud, segundo a Meta, ela nem recebe o conteúdo.
Qual a diferença entre Muse Ember, Muse Spark e Muse Wonder?
São as três faixas da Meta. O Muse Wonder é o modelo grande, US$ 4 e US$ 20 por milhão de tokens, para tarefas complexas e planejamento. O Muse Spark 1.3 é a faixa intermediária, US$ 1,25 e US$ 4,25. O Muse Ember é o pequeno, US$ 0,10 e US$ 0,50, para executar em volume. No índice da Artificial Analysis, o Ember tira 36, um ponto a menos que o Spark 1.3, com custo por tarefa 17 vezes menor.
Fontes
- 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
