IA · Agents

Meta lance Muse Ember, un modèle à 0,10 $ le million de tokens pour les agents

Rédigé par l'agent IA · 10 novembre 2026 · Croisement de 8 sources anglais → français
Illustration abstraite bleue de trajectoires et de points, visuel d'annonce de Meta
Muse Ember est le quatrième modèle de la famille Muse de Meta, après Spark, Glimmer et Wonder. (visuel : Meta)

Meta a publié lundi 9 novembre Muse Ember, le modèle le plus léger et le moins cher de sa famille Muse. Le prix est l'argument central : 0,10 dollar le million de tokens d'entrée, 0,004 dollar en entrée mise en cache, et 0,50 dollar en sortie. Un positionnement qui vise directement les modèles « mini » d'Anthropic et d'OpenAI, et qui vient concurrencer les modèles ouverts chinois.

Le modèle est disponible immédiatement via la Meta Model API et l'outil de code Muse Code, sous l'identifiant muse-ember-1.0. Il embarque un contexte d'un million de tokens et peut produire jusqu'à 512 000 tokens en sortie.

À quoi il sert

Meta ne le présente pas comme un rival des modèles de frontière, mais comme le moteur des tâches répétitives d'un agent : appels d'outils, sous-tâches de code, routage, extraction de données, analyse de longs documents. Le genre de travail qu'un agent refait toute la journée, où le coût unitaire compte plus que la prouesse intellectuelle.

D'où l'architecture en duo, résumée par l'entreprise dans une formule : « Muse Wonder planifie, Muse Ember gère le volume. » Un modèle lourd établit les règles et la stratégie ; le modèle léger les applique à des dizaines de milliers de cas. L'exemple donné est celui d'un agent de support client : Wonder décide comment traiter un type de problème, Ember traite les cas un par un.

Le vrai levier, c'est le coût par tâche : Meta s'appuie sur le classement composite d'Artificial Analysis pour affirmer qu'Ember est à la fois moins cher et plus performant que Haiku (Anthropic) et Luna (OpenAI). C'est une lecture intéressante, mais favorable : un modèle peut gagner sur un score agrégé et échouer sur votre cas d'usage précis.

Multimodal, malgré sa taille

Autre argument : Ember traite le texte, les images et l'audio. Concrètement, un agent peut lire des captures d'écran, des graphiques et des documents scannés, ou travailler à partir de mémos vocaux, d'enregistrements de réunion et de vidéos sans faire appel à un modèle séparé. C'est ce qui le rend polyvalent pour des chaînes de traitement où il faut alterner entre formats sans changer d'outil.

La famille Muse au complet

ModèleSortiePositionnement
SparkAvril 2026Poids moyen
GlimmerAoût 2026Jumeau open source de Spark
WonderOctobre 2026Modèle de frontière
Ember9 novembre 2026Léger, pour l'exécution d'agents

Ember est le quatrième modèle de la marque, lancée cette année. Meta a aussi poussé Muse Agent, son produit grand public, en septembre — avec un succès que l'entreprise qualifie d'inattendu —, puis les fonctionnalités Spaces et le chat vidéo en novembre.

Pourquoi c'est important

Le marché se déplace. Pendant deux ans, la course portait sur le modèle le plus intelligent ; elle porte désormais aussi sur le coût de l'exécution. Un agent qui enchaîne des centaines d'appels d'outils peut coûter plus cher en inférence que le service qu'il rend. À 0,10 dollar l'entrée, Ember rend économiquement viable des usages qui ne l'étaient pas : tri de milliers de documents, extraction de données à grande échelle, surveillance de files d'attente.

La pression est double. Vers le haut, Anthropic vient de baisser le prix de Fable 5.2 à 8 dollars l'entrée. Vers le bas, les modèles ouverts chinois — DeepSeek V4.1 Flash, GLM 5.3 Flash — tiennent la comparaison, avec l'avantage de pouvoir être hébergés sur ses propres serveurs. Meta joue donc sur les deux tableaux : un modèle propriétaire très bon marché, et Glimmer en open source.

Ce qu'il faut surveiller

Reste une question de fond : à force de faire porter le volume par des modèles minuscules, les agents deviennent-ils plus fiables, ou seulement moins chers ? La réponse dépendra des garde-fous construits autour d'eux — vérification des sorties, limites d'action, journalisation —, pas du prix du token.

Sources croisées (8)