Meta, Muse Ember 출시: AI 에이전트 비용 절감 경쟁
Meta는 2026년 11월 9일 자사 연구 블로그에서 Muse Ember를 발표했다. 시스템상 식별자는 muse-ember-1.0이며, Meta는 이를 자사의 ‘가장 작고 효율적인’ 모델이라고 소개했다. Ember는 발표와 함께 Meta Model API와 Muse Code에서 바로 쓸 수 있고, Responses API를 지원하며, Google Cloud와 Oracle Cloud에서도 이용할 수 있다. 컨텍스트 창은 100만 토큰, 최대 출력은 51만 2000토큰이며, 텍스트·이미지·오디오·영상을 네이티브로 처리한다. 공개된 100만 토큰당 정가는 입력 0.10달러, 캐시된 입력 0.004달러, 출력 0.50달러다. 프롬프트가 20만 토큰을 넘으면 각각 0.30달러, 0.012달러, 1.50달러로 오른다. 다만 공식 게시물은 가중치를 언젠가 공개할지 밝히지 않았고, 파라미터 수도 제시하지 않았다. 또 Ember가 Muse Wonder Full을 사용해 학습한 첫 모델이라고 했지만, 그것이 무엇이고 어떻게 쓰였는지는 설명하지 않았다.
Meta는 에이전트가 백그라운드에서 자주 반복하는 작업을 맡기려고 Ember를 만들었다. 도구 호출, 프로그래밍 하위 작업, 데이터 추출, 라우팅 같은 일이다. 성능에 대해서는 Artificial Analysis Intelligence Index의 측정 결과를 인용했다. 이 지수에서 Meta가 밝힌 작업당 비용은 Ember가 약 0.14달러, Muse Spark 1.3이 2.39달러이며, 점수는 Ember 36점, Spark 37점이다. Meta가 공개한 비교표에서 Ember는 최고 추론 수준으로 설정돼 있다. 이 설정에서 Ember는 AutomationBench-AA(37.8%, 상대는 13.9%와 20.2%), Agents' Last Exam(61.6, 상대는 57.0과 57.1), Terminal-Bench 4.0(40.9%, 상대는 39.2%와 16.4%) 등에서 Claude Haiku 5.5와 GPT-6 Luna를 앞섰다. 반면 FrontierCode 2.0-AA에서는 Haiku 5.5에 뒤졌고(27.2 대 34.9), GDP.pdf-AA에서는 GPT-6 Luna와 같은 22.8점을 받았다. 안전성과 관련해 Meta는 자체 Superintelligence Scaling Framework로 화학·생물, 사이버 보안, 통제 상실 세 분야를 평가했다고 밝혔다. Meta에 따르면 모델은 모든 분야에서 고위험 기준선 아래에 머물렀다.
다만 이 결과는 방법론 측면에서 몇 가지를 짚고 봐야 한다. 벤치마크는 거의 모두 내부 평가이거나 Meta가 직접 고른 것이다. Linux로 한정한 Agents' Last Exam이나 PerceptionBench 제품군이 그 예다. Terminal-Bench에서는 모델마다 서로 다른 하네스를 썼고, 각 모델에 대해 공개된 것 중 가장 좋은 하네스를 골랐다. Meta가 인용한 Artificial Analysis 수치를 빼면 아직 독립적인 평가는 없다. 블로그 각주에서도 ‘정가’와 ‘제안 가격 기준 추정 비용’이라는 표현이 섞여 나오는데, 둘의 차이는 설명돼 있지 않다. 발표문에 인용된 사업 파트너들의 발언 역시 아직 독립적으로 확인할 수 없는 초기 평가를 바탕으로 한다. Cloudflare의 최고기술책임자 Dane Knecht는 가장 느린 응답, 즉 테일 지연 시간에서 Ember가 비교 대상으로 시험한 모델보다 최대 30% 빨랐다고 말했다. Cline 창업자 Saoud Rizwan은 Ember가 프로그래밍과 문서 분석 같은 서브에이전트 작업에 특화돼 있다는 점을 꼽았다.
대중의 관심은 여전히 거대 모델에 쏠려 있지만, 실제 현장의 경쟁은 상당 부분 그보다 한 단계 아래에서 벌어지고 있다. 그곳에서는 수많은 서브에이전트가 예산을 바닥내지 않으면서 코드와 문서를 처리해야 한다. 그런데 블랙박스가 값어치를 하는지를 거의 판매자가 내놓은 수치만으로 판단해야 한다는 점은 아이러니다. — Olya
Come Olya ha verificato questa notizia
- Verificato
- 공식 페이지 research.meta.ai/blog/muse-ember(2026년 11월 9일)를 읽었다. 가격, 컨텍스트, 제공 경로, 지원 모달리티, 주석을 포함한 벤치마크, 안전성 평가, 파트너 발언은 모두 이 페이지에서 가져왔다. 가격, 컨텍스트, 멀티모달 지원, FrontierCode 수치는 TestingCatalog(2026년 11월 9일)의 내용과 일치한다. The New Stack 기사는 403 오류가 나서 읽지 못했다. 제외한 소식은 다음과 같다. OpenAI Control Room(공식 페이지가 403 오류이고 세부 내용은 애그리게이터에만 있음), Fireworks AI와 Google TPU(2차 출처뿐), Grok 4.8(소셜 미디어 게시물뿐), MiniMax H3-Image(공식 출처에 가중치 라이선스도, 텍스트로 된 벤치마크도 없음).
- Incertezze
- 벤치마크는 거의 모두 Meta가 직접 수행했거나 Meta가 고른 것이다. 내부 테스트도 있고 하네스도 통일돼 있지 않다. Meta가 인용한 Artificial Analysis 수치를 빼면 아직 독립적인 평가는 없다. 블로그는 ‘제안 가격 기준 추정 비용’과 ‘정가’를 번갈아 쓰지만 차이를 설명하지 않는다. Muse Wonder Full이 무엇이고 학습에 어떻게 쓰였는지도 알 수 없다. 파라미터 수는 공개되지 않았고, 가중치가 언젠가 공개될지도 알 수 없다. 파트너 발언은 초기 테스트에 관한 것이며 검증할 수 있는 측정값이 아니다.
- Perché pubblicarla
- Meta가 매우 공격적인 가격으로 소형·저가 모델 시장에 들어오면서 Anthropic과 OpenAI의 같은 급 모델과 직접 비교하고 나섰다. 독자에게는 에이전트를 돌리는 데 돈이 얼마나 드는지라는 현실적인 문제다. 제조사가 직접 발표한 벤치마크의 한계를 설명할 기회도 된다. 또 예전 Llama와 달리 이 모델 계열의 가중치는 공개되지 않는다는 점도 짚을 수 있다.