Muse Ember para subagentes de código: precios y configuración

Prueba Muse Ember con subagentes de programación que tengan tareas acotadas y deja la planificación y la revisión final a un modelo más capaz. Mantén la entrada de cada subagente por debajo de 200K tokens cuando sea posible: superar ese umbral triplica las tarifas de toda la solicitud. No sustituyas tu modelo principal de desarrollo solo por su puntuación más destacada en un benchmark.

A fecha de 2026-11-12, Meta ofrece muse-ember-1.0 mediante Model API y Muse Code. El modelo se lanzó el 9 de noviembre, centrado en llamadas repetidas a herramientas, subtareas de programación, enrutamiento y extracción de información.

¿Qué tareas conviene asignar a Muse Ember?

Dale a Ember una tarea concreta, el contexto necesario y un resultado que puedas comprobar. Deja los requisitos ambiguos, las decisiones de arquitectura y la aceptación final al modelo que planifica.

La guía del modelo de Meta recomienda combinar Ember con Muse Spark o Muse Wonder. El modelo más grande planifica y Ember se encarga de la ejecución repetida. Para empezar, puedes pedirle que localice funciones, lea la configuración de un paquete o extraiga los fallos de las pruebas. También puedes encargarle un cambio pequeño con pruebas de aceptación explícitas.

Meta recomienda Spark o Wonder para problemas difíciles de programación que deban resolverse en una sola respuesta, o preguntas que requieran muchos conocimientos. La diferencia importa cuando la tarea exige descubrir el enfoque adecuado en lugar de seguir instrucciones claras.

La API directa especifica una ventana de contexto de 1,048,576 tokens y una salida máxima de 524,288 tokens. Estos límites no determinan lo que admitirá un cliente de programación. El esfuerzo de razonamiento predeterminado de Ember es max, con opciones desde minimal hasta max.

Empieza con investigación de solo lectura. Concede permisos de edición cuando el subagente devuelva referencias correctas a archivos y conclusiones útiles de forma consistente.

¿Qué muestran realmente los benchmarks de programación?

Los resultados del lanzamiento justifican probar Ember como subagente, pero no lo acreditan como el mejor modelo para cambios listos para integrar.

La comparación de Meta del 9 de noviembre presenta estos resultados con el esfuerzo de razonamiento máximo:

Evaluación	Muse Ember	Claude Haiku 5.5	GPT-6 Luna
Terminal-Bench 4.0, mejor configuración de agente publicada	40.9	39.2	16.4
Artificial Analysis Coding Agent Index	46	37	31
FrontierCode 2.0-AA	27.2	34.9	25.2

La tabla del lanzamiento y sus notas distinguen las configuraciones de prueba. Terminal-Bench usa mini-swe-agent para Ember, Claude Code para Haiku y Codex para Luna. Se compara cada modelo junto con el software que coordina sus acciones y herramientas. No es una prueba controlada que cambie solo el modelo dentro de una misma herramienta.

Artificial Analysis también publica de forma independiente los resultados de Coding Agent Index. Ember en Muse Code obtiene 46 puntos, frente a 37 de Haiku en Claude Code y 31 de Luna en Codex.

Artificial Analysis también atribuye a Haiku un 32.8 en Terminal-Bench dentro de sus evaluaciones de Intelligence Index. No sustituyas sin explicación el 39.2 de Meta, correspondiente al mejor resultado publicado con una configuración de agente. Son series de evaluación distintas.

La debilidad relevante se mantiene: Ember queda por detrás de Haiku en FrontierCode, que evalúa si los cambios de ingeniería pueden integrarse en el proyecto. Prueba Ember primero para investigar y ejecutar tareas acotadas. Conserva Haiku o tu subagente actual más capaz cuando los cambios aceptados importen más que abaratar el trabajo intermedio.

Nuestra guía sobre coste por tarea en Coding Agent Index explica cómo comparar configuraciones completas de agentes sin atribuir sus puntuaciones únicamente al modelo.

¿Cómo cambia la factura al superar 200K tokens?

Calcula el presupuesto según la longitud de entrada, no según la capacidad de contexto anunciada. En la API directa de Meta, la entrada en caché y el historial de conversación conservado cuentan para el umbral de 200K.

Estas tarifas de lista de las API directas están vigentes a fecha de 2026-11-12. Todos los importes están en USD por 1M tokens. La tabla muestra el procesamiento estándar cuando corresponde. No incluye recargos regionales, descuentos por lotes ni cargos por herramientas alojadas en el servidor.

Modelo y tramo de entrada	Entrada sin caché	Entrada en caché	Salida
Muse Ember, hasta 200K de entrada	$0.10	$0.004	$0.50
Muse Ember, más de 200K de entrada	$0.30	$0.012	$1.50
Claude Haiku 5.5, hasta 100K de entrada	$0.10	$0.01	$0.50
GPT-6 Luna, hasta 272K de entrada	$0.10	$0.01	$0.50
DeepSeek V4.1 Flash 1017, fuera de horas punta	$0.15	$0.003	$0.60
DeepSeek V4.1 Flash 1017, horas punta	$0.30	$0.006	$1.20

Fuentes: precios de Meta, precios de Anthropic, precios de GPT-6 Luna y precios de DeepSeek.

Las tarifas de Haiku se multiplican por cinco por encima de 100,000 tokens de entrada. Luna duplica sus tarifas de entrada y caché, y multiplica por 1.5 la de salida, al superar 272K tokens de entrada. Ambos cobran por separado la escritura en caché. Por tanto, la tarifa de lectura de caché no representa el coste completo de crearla y reutilizarla.

Actualmente, deepseek-flash de DeepSeek sirve V4.1 Flash 1017. Las horas punta son 01:00–04:00 y 06:00–10:00 UTC, de lunes a viernes, excepto los festivos oficiales de China. En los demás periodos se aplican las tarifas fuera de horas punta.

Para Ember, define U como entrada sin caché, C como entrada en caché y O como salida facturada. Elige el tramo según U + C y calcula:

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

Considera estas dos estimaciones de solicitudes a la API directa. No hay aciertos de caché ni herramientas de servidor de pago:

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

La segunda solicitud no paga el recargo solo por sus últimos 1,000 tokens de entrada. Toda su entrada y salida se factura con las tarifas superiores.

Meta también cuenta como entrada la conversación asociada a previous_response_id. Por eso, un mensaje nuevo y breve puede activar la tarifa de contexto largo. Entrega a los subagentes instrucciones concretas, en lugar de reenviar toda la conversación del modelo que planifica.

Los resultados de Artificial Analysis del 9 de noviembre sitúan a Ember en 36 puntos y unos $0.14 por tarea de Intelligence Index. Haiku alcanza 36 con $0.41; DeepSeek V4.1 Flash 1017 llega a 33 con $0.60. Son promedios del benchmark, no presupuestos para tu repositorio ni garantías de una tasa de éxito equivalente.

Para comparar con DeepSeek, consulta las diferencias entre el modelo Flash actual y sus tarifas, en lugar de usar precios de una versión V4 anterior.

Conecta Meta API y verifica una respuesta

Usa Responses para una integración nueva. Mantén Chat Completions si tu código ya utiliza un array de mensajes, o Messages para un cliente con formato Anthropic.

Meta documenta tres formatos de API:

Formato	Endpoint de la solicitud
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`

Los tres usan autenticación Bearer. Sus formatos de solicitud son distintos, así que cambiar únicamente la URL no convierte el cuerpo de la solicitud.

Crea una clave en el panel de Meta Model API, mediante API keys → Create API key. La guía de inicio rápido documenta este paso de configuración de la cuenta.

Ejecuta esta prueba básica en Bash, con curl y jq instalados:

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
}'

Comprueba que aparezcan status: "completed", el identificador del modelo Ember, la clasificación bug y un objeto usage con datos. Estos campos siguen la estructura de respuesta de Responses documentada.

Esta prueba usa deliberadamente un esfuerzo minimal. Los resultados publicados de los benchmarks usan max; la prueba básica no los reproduce. El límite de salida incluye tanto el razonamiento como la salida visible.

Si la solicitud falla, examina el error devuelto antes de añadir herramientas. Revisa la clave, el endpoint y el identificador exacto del modelo. Si la salida está incompleta, comprueba el límite de salida y vuelve a intentarlo con uno adecuado.

Una clasificación correcta verifica la conexión con la API. No verifica el acceso al repositorio ni la ejecución de herramientas.

Asigna una subtarea acotada de Claude Code a Ember

Usa la integración Messages documentada por Meta para probar una combinación concreta de modelo planificador y subagente. Esta ruta ejecuta modelos de Meta dentro de Claude Code. No conserva un modelo Claude como planificador detrás del mismo endpoint de Meta.

Con Claude Code instalado, conserva MODEL_API_KEY del paso anterior. Desde un proyecto JavaScript desechable que contenga package.json, ejecuta lo siguiente en Bash:

(
  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
)

El subshell evita que estas modificaciones afecten a sesiones posteriores de la shell. Las instrucciones de Meta para agentes de programación especifican el host base sin /v1 y la autenticación Bearer mediante ANTHROPIC_AUTH_TOKEN.

El modelo principal es Wonder. El alias haiku y el modelo predeterminado de los subagentes apuntan a Ember. Sin embargo, la configuración actual de modelos de Claude Code permite que los parámetros de invocación y las definiciones de agentes sustituyan ese valor predeterminado.

Usa este mensaje de prueba explícito:

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.

El mensaje pide a un único subagente haiku que lea package.json y devuelva el nombre del paquete y el valor de scripts.test. Debe indicar cualquier campo ausente, sin editar archivos ni ejecutar comandos.

Mientras trabaja el subagente, consulta /tasks. Claude Code v2.1.242 y posteriores muestran allí el modelo del subagente. Confirma que use muse-ember-1.0, que realmente haya ejecutado una herramienta de lectura y que su informe coincida con package.json.

Mantén activadas las aprobaciones habituales de herramientas. Una instrucción de solo lectura en el mensaje no constituye una restricción técnica de permisos.

Si se ejecuta el modelo equivocado, revisa la invocación y la definición del agente antes de culpar al proveedor. Para mantener modelos Anthropic durante todo el proceso, sigue la guía de configuración y verificación de subagentes Haiku de solo lectura.

Usa OpenRouter o Cline sin asumir que el ajuste solo afecta a subagentes

Usa OpenRouter cuando tu aplicación ya se conecte mediante este servicio, pero selecciona su identificador de modelo en lugar del identificador directo de Meta.

La ficha del modelo en OpenRouter usa meta/muse-ember. Su guía de inicio de Responses utiliza https://openrouter.ai/api/v1/responses con una clave de API de OpenRouter, no de Meta.

A fecha de 2026-11-12, la ficha muestra $0.10 de entrada y $0.50 de salida por 1M tokens. Su catálogo de modelos también incluye precios de lectura y escritura de caché. Confirma la facturación de contexto largo del proveedor seleccionado antes de enviar solicitudes con más de 200K tokens de entrada. Las tarifas destacadas no demuestran que el precio sea uniforme en toda la ventana de contexto.

Para Cline, sigue su configuración del proveedor OpenRouter. Abre Settings, selecciona OpenRouter en API Provider e introduce tu clave de API de OpenRouter. Elige meta/muse-ember en el selector de modelos. Deja vacía la URL base personalizada opcional para la conexión estándar con OpenRouter.

Ejecuta la misma tarea de lectura de archivos antes de solicitar cambios. Confirma que haya una llamada real a una herramienta y compara los valores devueltos con el archivo.

Seleccionar Ember en el selector de modelos del proveedor no demuestra que solo lo usen los subagentes. La documentación de subagentes nativos de Cline cubre actualmente CLI y Desktop, no las extensiones de VS Code o JetBrains. Para la prueba con distintos modelos descrita aquí, usa la configuración de Claude Code anterior.

Revisa las restricciones regionales y los ajustes de datos antes de enviar código

Consulta las condiciones de la vía de acceso antes de subir contenido del repositorio. Que un agregador incluya el modelo no demuestra que tu ubicación o despliegue estén permitidos.

La Geographic Use Policy de Meta, consultada a fecha de 2026-11-12, incluye Rusia, Bielorrusia e Irán entre los territorios restringidos. Las restricciones cubren el acceso y permitir deliberadamente que usuarios finales situados en esos territorios accedan a productos integrados. También prohíbe eludir los controles geográficos mediante medidas técnicas.

En Model API, Ember solo funciona en modo Standard y no tiene una variante Contributor. Meta afirma que no usa el contenido del modo Standard para entrenar sus modelos.

Esto no equivale a prometer que no se retendrán datos. Zero Data Retention requiere una habilitación aparte, y su disponibilidad puede variar según el modelo.

Las suscripciones de Muse Code tienen una regla diferente: usan el modo Contributor de forma predeterminada. Revisa ese ajuste antes de usar una suscripción para trabajar con repositorios. Para desactivarlo, abre /settings, selecciona la fila Contributor mode y desactívala. El ajuste es específico de cada dispositivo, así que compruébalo en cada equipo.

Decide después de una prueba acotada

Compara Ember con tu subagente actual en un conjunto fijo de tareas representativas antes de cambiar el enrutamiento de todo el equipo.

Por ejemplo, selecciona 20 tareas de trabajos recientes. Mantén iguales la versión del repositorio, los permisos de herramientas, las comprobaciones de aceptación y la política de caché. Registra el modelo real, el esfuerzo de razonamiento, la longitud de entrada, los reintentos, el tiempo transcurrido y la aceptación de cada resultado.

Calcula el coste por tarea aceptada, incluyendo planificación, subagente, reintentos y revisión realizada por un modelo:

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

Registra por separado el tiempo de revisión humana. Amplía las tareas de Ember solo cuando mejore el coste por tarea aceptada sin una pérdida de calidad inaceptable. Conserva el subagente anterior para las tareas en las que los reintentos o los cambios rechazados de Ember eliminen el ahorro.