Muse Ember für Coding-Subagenten: Preise und Einrichtung

Teste Muse Ember für Coding-Subagenten mit klar begrenzten Aufgaben, während ein stärkeres Modell die Planung und abschließende Prüfung übernimmt. Halte die Eingabe jedes Subagenten möglichst unter 200K Tokens: Oberhalb dieser Grenze verdreifacht Meta die Tokenpreise für die gesamte Anfrage. Ersetze dein Hauptmodell für die Entwicklung nicht allein wegen eines auffälligen Benchmark-Ergebnisses.

Stand 2026-11-12 bietet Meta muse-ember-1.0 über Model API und Muse Code an. Das Modell erschien am 9. November. Es ist auf wiederholte Tool-Aufrufe, Coding-Teilaufgaben, Routing und das Extrahieren von Informationen ausgerichtet.

Welche Aufgaben sollte Muse Ember übernehmen?

Gib Ember einen eng umrissenen Auftrag mit dem nötigen Kontext und einem überprüfbaren Ergebnis. Unklare Anforderungen, Architekturentscheidungen und die endgültige Abnahme bleiben beim planenden Modell.

Metas Modellleitfaden empfiehlt, Ember mit Muse Spark oder Muse Wonder zu kombinieren. Das größere Modell plant, Ember übernimmt die wiederkehrende Ausführung. Gute erste Aufgaben sind das Finden relevanter Funktionen, das Lesen einer Paketkonfiguration und das Herausarbeiten fehlgeschlagener Tests. Auch eine kleine Änderung mit klaren Abnahmetests eignet sich für einen Versuch.

Für schwierige Coding-Probleme, die in einem einzigen Anlauf gelöst werden sollen, sowie wissensintensive Fragen empfiehlt Meta Spark oder Wonder. Das ist wichtig, wenn die Aufgabe verlangt, zunächst einen geeigneten Lösungsweg zu finden, statt klare Vorgaben abzuarbeiten.

Die direkte API nennt ein Kontextfenster von 1,048,576 Tokens und eine maximale Ausgabe von 524,288 Tokens. Diese Grenzen sagen nicht aus, was ein Coding-Client akzeptiert. Embers voreingestellte Reasoning-Stufe ist max; die Einstellungen reichen von minimal bis max.

Beginne mit Untersuchungen, die nur Lesezugriff benötigen. Erlaube Änderungen erst, wenn der Subagent zuverlässig korrekte Dateiverweise und nützliche Ergebnisse liefert.

Was zeigen die Coding-Benchmarks tatsächlich?

Die Ergebnisse zur Veröffentlichung sprechen dafür, Ember als Subagenten zu testen. Sie belegen aber nicht, dass es das beste Modell für direkt übernehmbare Änderungen ist.

Metas Vergleich vom 9. November nennt diese Ergebnisse bei maximaler Reasoning-Stufe:

Bewertung	Muse Ember	Claude Haiku 5.5	GPT-6 Luna
Terminal-Bench 4.0, beste veröffentlichte Agentenkonfiguration	40.9	39.2	16.4
Artificial Analysis Coding Agent Index	46	37	31
FrontierCode 2.0-AA	27.2	34.9	25.2

Die Tabelle zur Veröffentlichung und ihre Fußnoten unterscheiden die Testkonfigurationen. Bei Terminal-Bench läuft Ember mit mini-swe-agent, Haiku mit Claude Code und Luna mit Codex. Verglichen werden jeweils das Modell und die Software, die seine Aktionen und Tools steuert. Es ist kein kontrollierter Modellwechsel innerhalb desselben Tools.

Artificial Analysis veröffentlicht unabhängig davon die Ergebnisse des Coding Agent Index. Ember in Muse Code erreicht 46 Punkte, Haiku in Claude Code 37 und Luna in Codex 31.

Artificial Analysis nennt für Haiku außerdem 32.8 bei Terminal-Bench innerhalb seiner Intelligence-Index-Auswertungen. Ersetze damit nicht kommentarlos Metas Wert von 39.2 für die beste veröffentlichte Agentenkonfiguration. Die Zahlen stammen aus unterschiedlichen veröffentlichten Testreihen.

Die wichtige Schwäche bleibt gleich: Ember liegt bei FrontierCode hinter Haiku. Dieser Test bewertet, ob Änderungen in ein Projekt übernommen werden können. Teste Ember zuerst für Untersuchungen und klar begrenzte Ausführungsaufgaben. Behalte Haiku oder deinen bisherigen stärkeren Subagenten, wenn akzeptierte Änderungen wichtiger sind als günstige Zwischenschritte.

Unser Leitfaden zu Kosten pro Aufgabe im Coding Agent Index erklärt den Vergleich vollständiger Agentenkonfigurationen. Ihre Ergebnisse dürfen nicht als reine Modellmessungen verstanden werden.

Wie verändert die 200K-Grenze die Rechnung?

Plane das Budget anhand der Eingabelänge, nicht anhand des beworbenen Kontextfensters. Bei Metas direkter API zählen auch Eingaben aus dem Cache und gespeicherte Gesprächsverläufe zur 200K-Grenze.

Die folgenden Listenpreise der direkten APIs gelten mit Stand 2026-11-12. Alle Beträge sind in USD pro 1M Tokens angegeben. Die Tabelle zeigt, soweit zutreffend, die Standardverarbeitung. Regionale Zuschläge, Batch-Rabatte und Gebühren für serverseitige Tools sind nicht enthalten.

Modell und Eingabestufe	Eingabe ohne Cache	Eingabe aus dem Cache	Ausgabe
Muse Ember, bis einschließlich 200K Eingabe	$0.10	$0.004	$0.50
Muse Ember, über 200K Eingabe	$0.30	$0.012	$1.50
Claude Haiku 5.5, bis einschließlich 100K Eingabe	$0.10	$0.01	$0.50
GPT-6 Luna, bis einschließlich 272K Eingabe	$0.10	$0.01	$0.50
DeepSeek V4.1 Flash 1017, außerhalb der Spitzenzeiten	$0.15	$0.003	$0.60
DeepSeek V4.1 Flash 1017, Spitzenzeiten	$0.30	$0.006	$1.20

Quellen: Meta-Preise, Anthropic-Preise, GPT-6-Luna-Preise und DeepSeek-Preise.

Bei Haiku steigen die Preise oberhalb von 100,000 Eingabe-Tokens auf das Fünffache. Luna berechnet oberhalb von 272K Eingabe-Tokens doppelte Eingabe- und Cache-Preise sowie den 1.5-fachen Ausgabepreis. Beide Modelle berechnen Cache-Schreibvorgänge separat. Der Preis für einen Cache-Treffer bildet daher nicht die gesamten Kosten für das Anlegen und Wiederverwenden des Caches ab.

DeepSeeks deepseek-flash stellt derzeit V4.1 Flash 1017 bereit. Die Spitzenzeiten sind 01:00–04:00 und 06:00–10:00 UTC, Montag bis Freitag, ausgenommen chinesische gesetzliche Feiertage. In allen anderen Zeiträumen gelten die Preise außerhalb der Spitzenzeiten.

Setze für Ember U als Eingabe ohne Cache, C als Eingabe aus dem Cache und O als abgerechnete Ausgabe an. Wähle die Preisstufe anhand von U + C und berechne:

Token cost = (U × input_rate + C × cache_rate + O × output_rate) / 1,000,000

Betrachte diese beiden Kostenschätzungen für direkte API-Anfragen. Sie enthalten keine Cache-Treffer und keine kostenpflichtigen serverseitigen Tools:

199,000 input + 10,000 output:
(199,000 × $0.10 + 10,000 × $0.50) / 1,000,000 = $0.0249

201,000 input + 10,000 output:
(201,000 × $0.30 + 10,000 × $1.50) / 1,000,000 = $0.0753

Bei der zweiten Anfrage gilt der Aufschlag nicht nur für die letzten 1,000 Eingabe-Tokens. Die gesamte Eingabe und Ausgabe werden zu den höheren Preisen abgerechnet.

Meta zählt auch das Gespräch hinter previous_response_id als Eingabe. Eine kurze neue Nachricht kann deshalb bereits die Preise für langen Kontext auslösen. Gib Subagenten gezielte Aufträge, statt den gesamten Gesprächsverlauf des planenden Modells weiterzureichen.

Die Ergebnisse von Artificial Analysis vom 9. November nennen für Ember 36 Punkte und etwa $0.14 pro Intelligence-Index-Aufgabe. Haiku erreicht 36 Punkte bei $0.41; DeepSeek V4.1 Flash 1017 erreicht 33 Punkte bei $0.60. Das sind Benchmark-Durchschnittswerte, keine Preisangebote für dein Repository und keine Garantie gleicher Erfolgsquoten.

Vergleiche DeepSeek anhand des aktuellen Flash-Modells und der zugehörigen Preisunterschiede, nicht anhand einer älteren V4-Version.

Meta API anbinden und eine Antwort prüfen

Verwende Responses für eine neue Integration. Behalte Chat Completions für vorhandenen Code mit einem Nachrichten-Array oder nutze Messages für einen Client im Anthropic-Format.

Meta dokumentiert drei API-Formate:

Format	Anfrage-Endpunkt
Responses	POST https://api.meta.ai/v1/responses
Chat Completions	POST https://api.meta.ai/v1/chat/completions
Messages	POST https://api.meta.ai/v1/messages

Alle drei verwenden Bearer-Authentifizierung. Die Anfrageformate unterscheiden sich jedoch. Nur die URL zu ändern, konvertiert den Anfrageinhalt nicht in ein anderes Format.

Erstelle im Meta-Model-API-Dashboard unter API keys → Create API key einen Schlüssel. Die Schnellstartanleitung beschreibt diesen Schritt der Kontoeinrichtung.

Führe diesen einfachen Verbindungstest in Bash aus. curl und jq müssen installiert sein:

set -o pipefail
read -rs MODEL_API_KEY && export MODEL_API_KEY

curl --fail-with-body --silent --show-error \
  "https://api.meta.ai/v1/responses" \
  -H "Authorization: Bearer $MODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-ember-1.0",
    "input": "Classify this ticket as bug, billing, or feature. Return only the label: The parser unit test now fails.",
    "reasoning": {"effort": "minimal"},
    "max_output_tokens": 1024,
    "store": false
  }' |
jq '{
  status,
  model,
  text: (
    [.output[]?
      | select(.type == "message")
      | .content[]?
      | select(.type == "output_text")
      | .text]
    | join("\n")
  ),
  usage
}'

Prüfe auf status: "completed", die Ember-Modell-ID, die Klassifizierung bug und ein ausgefülltes usage-Objekt. Diese Felder entsprechen der dokumentierten Antwortstruktur von Responses.

Der Test verwendet absichtlich die Reasoning-Stufe minimal. Die veröffentlichten Benchmark-Ergebnisse verwenden max; dieser Verbindungstest bildet sie nicht nach. Die Ausgabegrenze umfasst sowohl Reasoning-Tokens als auch die sichtbare Ausgabe.

Schlägt die Anfrage fehl, untersuche den zurückgegebenen Fehler, bevor du Tools hinzufügst. Prüfe Schlüssel, Endpunkt und exakte Modell-ID erneut. Ist die Ausgabe unvollständig, kontrolliere die Ausgabegrenze und versuche es mit einem passenden Wert noch einmal.

Eine erfolgreiche Klassifizierung bestätigt die API-Verbindung. Sie bestätigt weder den Zugriff auf das Repository noch die Ausführung von Tools.

Eine begrenzte Teilaufgabe in Claude Code an Ember geben

Nutze Metas dokumentierte Messages-Integration, um ein planendes Modell zusammen mit einem Subagenten konkret zu testen. Dabei laufen Meta-Modelle innerhalb von Claude Code. Ein Claude-Modell bleibt hinter demselben Meta-Endpunkt nicht als Planer erhalten.

Installiere Claude Code und behalte MODEL_API_KEY aus dem vorherigen Schritt. Führe Folgendes in Bash in einem entbehrlichen JavaScript-Testprojekt mit package.json aus:

(
  unset ANTHROPIC_API_KEY
  export ANTHROPIC_BASE_URL="https://api.meta.ai"
  export ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY"
  export ANTHROPIC_MODEL="muse-wonder-1.0"
  export ANTHROPIC_DEFAULT_OPUS_MODEL="muse-wonder-1.0"
  export ANTHROPIC_DEFAULT_SONNET_MODEL="muse-spark-1.3"
  export ANTHROPIC_DEFAULT_HAIKU_MODEL="muse-ember-1.0"
  export CLAUDE_CODE_SUBAGENT_MODEL="muse-ember-1.0"
  claude
)

Die Subshell verhindert, dass diese Änderungen in späteren Shell-Sitzungen bestehen bleiben. Metas Anleitung für Coding-Agenten nennt den Basishost ohne /v1 und Bearer-Authentifizierung über ANTHROPIC_AUTH_TOKEN.

Das Hauptmodell ist Wonder. Der Alias haiku und das Standardmodell für Subagenten verweisen auf Ember. Die aktuelle Modellkonfiguration von Claude Code erlaubt jedoch, diesen Standard durch Aufrufparameter und Agentendefinitionen zu überschreiben.

Verwende diesen ausdrücklichen Testprompt:

Use one general-purpose subagent with the haiku model to read package.json.
Return the package name and scripts.test value, or say which field is absent.
Do not edit files or execute commands. Then stop.

Der Prompt beauftragt einen einzelnen universellen Subagenten mit haiku, die Datei package.json zu lesen. Er soll Paketname und scripts.test zurückgeben oder fehlende Felder melden. Dateien bearbeiten und Befehle ausführen soll er nicht.

Prüfe während der Ausführung /tasks. Claude Code v2.1.242 und neuer zeigt dort das Modell des Subagenten. Bestätige, dass muse-ember-1.0 läuft, tatsächlich ein Tool zum Dateilesen ausgeführt wurde und der Bericht zu package.json passt.

Lass die üblichen Freigaben für Tool-Aufrufe aktiviert. Eine Anweisung im Prompt, nur zu lesen, begrenzt die Berechtigungen nicht technisch.

Läuft das falsche Modell, prüfe zuerst den Aufruf und die Agentendefinition, bevor du den Anbieter verantwortlich machst. Für eine durchgehend mit Anthropic-Modellen arbeitende Alternative nutze die Anleitung zur Einrichtung und Prüfung schreibgeschützter Haiku-Subagenten.

OpenRouter oder Cline nutzen, ohne eine reine Subagenten-Einstellung anzunehmen

Nutze OpenRouter, wenn deine Anwendung bereits darüber verbunden ist. Wähle aber dessen Modell-ID statt der ID für Metas direkte API.

Die OpenRouter-Modellseite verwendet meta/muse-ember. Die Responses-Schnellstartanleitung nutzt https://openrouter.ai/api/v1/responses mit einem OpenRouter-API-Schlüssel, nicht mit einem Meta-Schlüssel.

Stand 2026-11-12 zeigt die Modellseite $0.10 für Eingabe und $0.50 für Ausgabe pro 1M Tokens. Der Modellkatalog nennt außerdem Preise für Cache-Lese- und Schreibvorgänge. Kläre die Abrechnung für langen Kontext beim gewählten Anbieter, bevor du mehr als 200K Eingabe-Tokens sendest. Die hervorgehobenen Preise belegen keinen einheitlichen Tarif über das gesamte Kontextfenster.

Folge in Cline der Einrichtung des OpenRouter-Anbieters. Öffne Settings, wähle unter API Provider den Eintrag OpenRouter und trage deinen OpenRouter-API-Schlüssel ein. Wähle meta/muse-ember in der Modellauswahl. Lass die optionale benutzerdefinierte Basis-URL für die Standardverbindung zu OpenRouter leer.

Führe dieselbe Aufgabe zum Dateilesen aus, bevor du Änderungen anforderst. Bestätige einen echten Tool-Aufruf und vergleiche die zurückgegebenen Werte mit der Datei.

Ember in der Modellauswahl des Anbieters auszuwählen, belegt nicht, dass nur Subagenten das Modell verwenden. Clines Dokumentation zu nativen Subagenten gilt derzeit für CLI und Desktop, nicht für die Erweiterungen von VS Code oder JetBrains. Nutze für den hier beschriebenen ausdrücklichen Test mit verschiedenen Modellen die vorherige Claude-Code-Konfiguration.

Regionale Freigabe und Dateneinstellungen vor dem Senden prüfen

Prüfe die Bedingungen des Zugangswegs, bevor du Repository-Inhalte hochlädst. Ein Eintrag bei einem Aggregator belegt nicht, dass dein Standort oder deine Bereitstellung erlaubt ist.

Metas Geographic Use Policy, geprüft mit Stand 2026-11-12, führt Russland, Belarus und Iran als eingeschränkte Gebiete auf. Die Regeln betreffen den Zugriff aus diesen Gebieten. Sie untersagen auch, Endnutzern dort wissentlich Zugang zu integrierten Produkten zu gewähren. Technische Maßnahmen zur Umgehung geografischer Zugangskontrollen sind ebenfalls verboten.

In Model API läuft Ember ausschließlich im Standard-Modus; eine Contributor-Variante gibt es nicht. Meta erklärt, Inhalte aus dem Standard-Modus nicht zum Training seiner Modelle zu verwenden.

Das ist keine Zusage, dass keine Daten gespeichert werden. Zero Data Retention muss separat aktiviert werden, und die Unterstützung kann je nach Modell variieren.

Für Muse-Code-Abonnements gilt eine andere Regel: Sie verwenden standardmäßig den Contributor-Modus. Prüfe diese Einstellung, bevor du über ein Abonnement mit Repository-Inhalten arbeitest. Öffne zum Deaktivieren /settings, wähle die Zeile Contributor mode und schalte sie aus. Die Einstellung gilt pro Gerät; prüfe deshalb jeden Computer.

Nach einem begrenzten Test entscheiden

Vergleiche Ember mit deinem bisherigen Subagenten anhand eines festen Satzes repräsentativer Aufgaben, bevor du das Routing für das gesamte Team änderst.

Wähle beispielsweise 20 Aufgaben aus der jüngsten Arbeit. Halte Repository-Stand, Tool-Berechtigungen, Abnahmeprüfungen und Cache-Regeln konstant. Erfasse das tatsächlich verwendete Modell, die Reasoning-Stufe, Eingabelänge, Wiederholungsversuche, benötigte Zeit und die Annahme jedes Ergebnisses.

Berechne die Kosten pro akzeptierter Aufgabe einschließlich Planung, Subagent, Wiederholungsversuchen und Prüfung durch ein Modell:

Cost per accepted task =
(planner cost + worker cost + retry cost + model-review cost)
÷ accepted tasks

Erfasse die menschliche Prüfzeit separat. Erweitere Embers Aufgaben nur, wenn die Kosten pro akzeptierter Aufgabe ohne unvertretbaren Qualitätsverlust sinken. Behalte den bisherigen Subagenten für Aufgaben, bei denen Embers Wiederholungsversuche oder abgelehnte Änderungen die Einsparung aufheben.