Meta Rilis Muse Ember: Model AI Ringan untuk Pangkas Biaya Agen Otonom
Meta meluncurkan Muse Ember untuk tugas rutin agen AI dengan biaya token murah dan efisiensi tinggi, menyaingi GPT-6 Luna dan Claude Haiku.
Foto: Simon Willison (Dokumentasi editorial)
Poin penting
- Meta meluncurkan Muse Ember untuk menangani eksekusi penalaran, routing, dan pemanggilan tool berulang.
- Harga dasar mulai $0,10 per juta token input, bersaing ketat dengan GPT-6 Luna dan Claude Haiku 5.5.
- Analisis Artificial Analysis menempatkan Muse Ember pada garis batas efisiensi rasio kecerdasan dan biaya.
Meta AI resmi meluncurkan Muse Ember, model kecerdasan buatan terbarunya yang dirancang khusus untuk efisiensi tinggi dan eksekusi tugas berulang. Model ini menyasar pasar yang dihuni oleh Claude Haiku 5.5 dan GPT-6 Luna.
Dalam laporannya, praktisi teknologi Simon Willison mencatat bahwa model ini dioptimalkan untuk alur kerja agen AI, yaitu perangkat lunak otonom yang menjalankan tugas mandiri tanpa intervensi manual. Tugas tersebut mencakup ekstraksi data, perutean logika (*routing*), sub-tugas penulisan kode, hingga analisis dokumen panjang.
Struktur Harga dan Batas Ambang Dokumen
Untuk input standar hingga 200.000 token, Muse Ember mematok tarif $0,10 per sejuta token input, $0,50 per sejuta token output, dan $0,004 per sejuta token input tersimpan (*cached input*). Sebagai pembanding, model raksasa Claude Fable 5.2 dibanderol 80 kali lipat lebih mahal pada kisaran $8 per sejuta token input.
Namun, biaya akan bergeser saat ukuran dokumen membesar. Di atas ambang 200.000 token, tarif Muse Ember naik menjadi $0,30 per sejuta token input, $0,012 untuk *cached input*, dan $1,50 per sejuta token output.
Muse Ember duduk tepat di garis Pareto batas efisiensi menurut indeks Artificial Analysis: tidak ada model lain yang mencetak skor lebih tinggi dengan biaya per tugas yang lebih rendah.
Meta juga menyematkan enam tingkatan penalaran (*reasoning levels*), mulai dari *minimal* hingga *max*. Dalam pengujian grafis SVG oleh Willison, tingkat *max* menghasilkan kualitas visual yang setara dengan model Muse Wonder, meski harga Wonder tercatat 40 kali lebih mahal.
Apa Artinya bagi Pelaku Usaha
Kehadiran Muse Ember membuka peluang besar bagi perusahaan yang sedang membangun otomasi layanan pelanggan atau pipeline pemrosesan faktur massal. Beban komputasi yang semula mahal kini dapat dialihkan ke model ringkas tanpa mengorbankan logika penugasan.
Langkah mitigasi yang perlu diambil adalah memantau volume token input dokumen secara ketat. Pelaku usaha disarankan menjaga ukuran berkas di bawah batas ambang 200.000 token serta memaksimalkan utilisasi *cached input* guna mencegah lonjakan tagihan API.
Lakukan audit arsitektur sistem dengan membagi peran: gunakan model mahal hanya untuk pengambilan keputusan strategis tingkat tinggi, dan serahkan eksekusi operasional harian kepada model kelas efisiensi seperti Muse Ember.
✓ Lolos pemeriksaan redaksi AI. (Klik untuk lihat hasil pemeriksaan fakta)
Artikel ini ditulis AI, 9 klaimnya dicocokkan dengan sumber, dan diuji keterbacaannya sebelum terbit. Menemukan kekeliruan? Laporkan ke redaksi.
- Simon Willison: Introducing Our Smallest, Most Efficient Model: Muse Ember
| Klaim | Putusan | Dasar di sumber |
|---|---|---|
| Meta AI meluncurkan Muse Ember dalam kategori yang sama dengan Claude Haiku dan GPT Luna. | Didukung | “Meta AI just launched their entry in the Claude Haiku/GPT Luna category: Muse Ember” Simon Willison menyebutkan peluncuran Muse Ember oleh Meta AI di kategori tersebut. |
| Muse Ember dideskripsikan Meta sebagai model terkecil dan paling efisien untuk eksekusi penalaran kompleks dan tugas berulang agen AI seperti pemanggilan alat, sub-tugas pengkodean, routing, ekstraksi, serta pembacaan dokumen panjang. | Didukung | “our smallest and most efficient model designed for complex reasoning execution and the work agents repeat all day: tool calls, coding subtasks, routing, extraction, and long document parsing.” Deskripsi resmi Meta yang dikutip Simon Willison memuat rincian fungsi tersebut. |
| Untuk prompt pendek (hingga ambang batas), Muse Ember dibanderol $0,10 per juta token input dan $0,50 per juta token output, sama seperti GPT-6 Luna dan Claude Haiku 5.5. | Didukung | “both are $0.10/million input tokens and $0.50/million output.” Tercantum dalam teks perbandingan harga Simon Willison. |
| Harga Claude Fable 5.2 mencapai 80 kali lipat lebih mahal yaitu $8 per juta token input dan $40 per juta token output. | Didukung | “Today's other big model release, Claude Fable 5.2, is 80x that price at $8/$40.” Simon Willison membandingkan harga peluncuran Claude Fable 5.2. |
| Tarif Muse Ember untuk prompt hingga 200k token adalah $0,10 (input), $0,004 (cached input), dan $0,50 (output). | Didukung | “Muse Ember 1.0 ≤200k $0.10 $0.004 $0.50” Tercantum dalam tabel perbandingan harga di Simon Willison. |
| Di atas 200k token, tarif Muse Ember naik menjadi $0,30 (input), $0,012 (cached input), dan $1,50 (output). | Didukung | “>200k $0.30 $0.012 $1.50” Tercantum dalam baris kedua Muse Ember pada tabel harga Simon Willison. |
| Muse Ember berada di garis Pareto grafik Intelligence Index vs. Cost per Task Artificial Analysis, di mana tidak ada model yang mendapat skor lebih tinggi dengan biaya per tugas lebih rendah. | Didukung | “It also sits on the efficiency frontier of the full Artificial Analysis leaderboard: no model scores higher for less per task.” Dikutip Simon Willison dari pengumuman Meta mengenai hasil Artificial Analysis. |
| Muse Ember memiliki enam tingkat penalaran: minimal, low, medium, high, xhigh, dan max. | Didukung | “Muse Ember has six reasoning levels - minimal, low, medium, high, xhigh, and max” Disebutkan oleh Simon Willison saat menguji model. |
| Hasil pengujian pelikan tingkat max sebanding secara kualitas dengan Muse Wonder yang berharga 40 kali lipat lebih mahal. | Didukung | “The Ember pelicans are comparable in quality to those I got from Muse Wonder , which is 40x the price of Muse Ember.” Simon Willison membandingkan hasil output grafis Muse Ember dengan Muse Wonder. |
Video AI terbaru
Local AI 301: Quantization
