Muse Ember: कोडिंग सबएजेंट की कीमत और API सेटअप

सीमित दायरे वाले कोडिंग सबएजेंट के लिए Muse Ember आज़माएँ; योजना और अंतिम समीक्षा अधिक सक्षम मॉडल को सौंपें। जहाँ संभव हो, हर सबएजेंट का इनपुट 200K टोकन से नीचे रखें। इससे ऊपर Meta पूरे अनुरोध की टोकन दरें तीन गुना कर देता है। केवल बेंचमार्क स्कोर देखकर अपना मुख्य कोडिंग मॉडल न बदलें।

2026-11-12 की स्थिति के अनुसार, Meta muse-ember-1.0 को Model API और Muse Code के ज़रिए उपलब्ध कराता है। यह मॉडल 9 नवंबर को जारी हुआ था। इसका मुख्य उद्देश्य बार-बार होने वाले टूल कॉल, कोडिंग की उप-समस्याएँ, अनुरोधों को सही जगह भेजना और जानकारी निकालना है।

Muse Ember को कौन-से काम सौंपें?

Ember को छोटा, स्पष्ट काम दें, साथ में ज़रूरी संदर्भ और जाँचने योग्य परिणाम तय करें। अस्पष्ट आवश्यकताएँ, आर्किटेक्चर के निर्णय और अंतिम स्वीकृति मुख्य मॉडल के पास रखें।

Meta की मॉडल गाइड Ember को Muse Spark या Muse Wonder के साथ इस्तेमाल करने की सलाह देती है। बड़ा मॉडल योजना बनाता है और Ember दोहराए जाने वाले काम करता है। शुरुआत में ज़रूरी फ़ंक्शन खोजना, पैकेज की कॉन्फ़िगरेशन पढ़ना और असफल टेस्ट की जानकारी निकालना उपयोगी काम हैं। स्पष्ट स्वीकृति टेस्ट के साथ छोटा बदलाव करना भी आज़मा सकते हैं।

एक ही अनुरोध में हल करने वाली कठिन कोडिंग समस्याओं और व्यापक ज्ञान माँगने वाले सवालों के लिए Meta, Spark या Wonder सुझाता है। यह अंतर तब मायने रखता है, जब साफ़ निर्देश मानने के बजाय सही तरीका खुद खोजना हो।

सीधे API में संदर्भ विंडो 1,048,576 टोकन और अधिकतम आउटपुट 524,288 टोकन है। इससे यह तय नहीं होता कि आपका कोडिंग क्लाइंट भी इतनी लंबाई स्वीकार करेगा। Ember में तर्क-विचार का डिफ़ॉल्ट स्तर max है; उपलब्ध स्तर minimal से max तक हैं।

शुरुआत केवल पढ़ने वाली जाँच से करें। बदलाव की अनुमति तब दें, जब सबएजेंट लगातार सही फ़ाइल संदर्भ और उपयोगी निष्कर्ष लौटाए।

कोडिंग बेंचमार्क वास्तव में क्या बताते हैं?

लॉन्च के नतीजे Ember को सबएजेंट के रूप में आज़माने का आधार देते हैं। वे इसे सीधे परियोजना में शामिल करने योग्य बदलावों के लिए सबसे अच्छा मॉडल साबित नहीं करते।

Meta ने 9 नवंबर की तुलना में अधिकतम तर्क-विचार स्तर पर ये परिणाम प्रकाशित किए:

मूल्यांकन	Muse Ember	Claude Haiku 5.5	GPT-6 Luna
Terminal-Bench 4.0, सबसे अच्छा प्रकाशित एजेंट सेटअप	40.9	39.2	16.4
Artificial Analysis Coding Agent Index	46	37	31
FrontierCode 2.0-AA	27.2	34.9	25.2

लॉन्च की तालिका और उसके नोट अलग-अलग परीक्षण सेटअप बताते हैं। Terminal-Bench में Ember के लिए mini-swe-agent, Haiku के लिए Claude Code और Luna के लिए Codex इस्तेमाल हुआ। यहाँ मॉडल और उसे चलाने वाले एजेंट सॉफ़्टवेयर की जोड़ी की तुलना है। एक ही टूल में केवल मॉडल बदलकर नियंत्रित परीक्षण नहीं किया गया।

Artificial Analysis ने स्वतंत्र रूप से Coding Agent Index के नतीजे भी प्रकाशित किए हैं। Muse Code में Ember का स्कोर 46 है। Claude Code में Haiku का 37 और Codex में Luna का 31 है।

Artificial Analysis के Intelligence Index परीक्षणों में Terminal-Bench पर Haiku का स्कोर 32.8 भी दिया गया है। इसे Meta के सबसे अच्छे प्रकाशित एजेंट सेटअप वाले 39.2 परिणाम की जगह चुपचाप न रखें। दोनों अलग प्रकाशित परीक्षण शृंखलाओं के आँकड़े हैं।

महत्त्वपूर्ण कमजोरी दोनों में समान है: FrontierCode पर Ember, Haiku से पीछे है। यह परीक्षण देखता है कि इंजीनियरिंग बदलाव परियोजना में स्वीकार किए जा सकते हैं या नहीं। पहले कोड की जाँच और सीमित दायरे के कामों पर Ember आज़माएँ। जब सस्ते मध्यवर्ती काम से अधिक महत्त्व स्वीकार किए गए बदलावों का हो, तो Haiku या अपना मौजूदा अधिक सक्षम सबएजेंट रखें।

प्रति कार्य Coding Agent Index लागत की हमारी गाइड बताती है कि पूरे एजेंट सेटअप की तुलना कैसे करें। उसके स्कोर को केवल मॉडल की क्षमता का माप न मानें।

200K की सीमा पार होने पर बिल कैसे बदलता है?

बजट इनपुट की लंबाई से बनाएँ, विज्ञापित संदर्भ क्षमता से नहीं। सीधे Meta API में कैश से मिला इनपुट और सहेजा गया बातचीत का इतिहास भी 200K की सीमा में गिना जाता है।

नीचे सीधे API की प्रकाशित दरें 2026-11-12 की स्थिति के अनुसार हैं। सभी रकम प्रति 1M टोकन USD में हैं। जहाँ लागू हो, तालिका मानक प्रोसेसिंग की दरें दिखाती है। इसमें क्षेत्रीय अतिरिक्त शुल्क, बैच छूट या सर्वर पर चलने वाले टूल का शुल्क शामिल नहीं है।

मॉडल और इनपुट सीमा	बिना कैश वाला इनपुट	कैश से मिला इनपुट	आउटपुट
Muse Ember, 200K तक इनपुट	$0.10	$0.004	$0.50
Muse Ember, 200K से अधिक इनपुट	$0.30	$0.012	$1.50
Claude Haiku 5.5, 100K तक इनपुट	$0.10	$0.01	$0.50
GPT-6 Luna, 272K तक इनपुट	$0.10	$0.01	$0.50
DeepSeek V4.1 Flash 1017, व्यस्त समय के बाहर	$0.15	$0.003	$0.60
DeepSeek V4.1 Flash 1017, व्यस्त समय	$0.30	$0.006	$1.20

स्रोत: Meta की दरें, Anthropic की दरें, GPT-6 Luna की दरें और DeepSeek की दरें।

100,000 इनपुट टोकन से ऊपर Haiku की दरें पाँच गुना हो जाती हैं। 272K इनपुट टोकन से ऊपर Luna की इनपुट और कैश दरें दोगुनी, जबकि आउटपुट दर 1.5 गुना होती है। दोनों में कैश लिखने का शुल्क अलग है। इसलिए कैश से पढ़ने की दर, कैश बनाने और दोबारा इस्तेमाल करने की पूरी लागत नहीं बताती।

DeepSeek का deepseek-flash अभी V4.1 Flash 1017 उपलब्ध कराता है। व्यस्त समय सोमवार से शुक्रवार 01:00–04:00 और 06:00–10:00 UTC है; चीन के सार्वजनिक अवकाश इसमें शामिल नहीं हैं। बाकी समय कम व्यस्त अवधि की दरें लागू होती हैं।

Ember के लिए बिना कैश वाला इनपुट U, कैश से मिला इनपुट C और बिल में गिना जाने वाला आउटपुट O मानें। U + C के आधार पर दर चुनें, फिर गणना करें:

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

सीधे API के दो अनुरोधों का यह अनुमान देखें। इनमें कैश का लाभ या सर्वर पर चलने वाले किसी सशुल्क टूल की लागत नहीं है:

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

दूसरे अनुरोध में ऊँची दर केवल अंतिम 1,000 इनपुट टोकन पर नहीं लगती। पूरा इनपुट और आउटपुट ऊँची दरों पर बिल होता है।

Meta, previous_response_id से जुड़ी बातचीत को भी इनपुट में गिनता है। इसलिए छोटा नया संदेश भी लंबे संदर्भ वाली दर लागू करवा सकता है। मुख्य मॉडल की पूरी बातचीत आगे भेजने के बजाय सबएजेंट को ज़रूरी संदर्भ वाला केंद्रित काम दें।

Artificial Analysis के 9 नवंबर के आँकड़ों में Ember को 36 अंक मिले और प्रति Intelligence Index कार्य लागत करीब $0.14 थी। Haiku को $0.41 पर 36 अंक और DeepSeek V4.1 Flash 1017 को $0.60 पर 33 अंक मिले। ये बेंचमार्क के औसत हैं, आपके रिपॉज़िटरी के लिए कीमत का वादा नहीं। इनसे कार्य पूरा करने की समान सफलता दर भी सुनिश्चित नहीं होती।

DeepSeek से तुलना करते समय वर्तमान Flash मॉडल और उसकी अलग-अलग दरें देखें, पुराने V4 संस्करण की कीमतें नहीं।

Meta API जोड़ें और एक उत्तर जाँचें

नई इंटीग्रेशन के लिए Responses चुनें। संदेशों की ऐरे वाले मौजूदा कोड में Chat Completions रखें, या Anthropic प्रारूप वाले क्लाइंट के लिए Messages इस्तेमाल करें।

Meta तीन API प्रारूप बताता है:

प्रारूप	अनुरोध का पता
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

तीनों में Bearer प्रमाणीकरण होता है। अनुरोध के प्रारूप अलग हैं, इसलिए केवल URL बदलने से अनुरोध का मुख्य भाग दूसरे प्रारूप में नहीं बदलता।

Meta Model API डैशबोर्ड में API keys → Create API key से कुंजी बनाएँ। खाते की यह प्रक्रिया शुरुआती गाइड में दी गई है।

curl और jq इंस्टॉल होने पर Bash में यह शुरुआती जाँच चलाएँ:

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
}'

उत्तर में status: "completed", Ember का मॉडल पहचानकर्ता, bug श्रेणी और भरा हुआ usage ऑब्जेक्ट देखें। ये फ़ील्ड दस्तावेज़ में दिए Responses उत्तर के ढाँचे के अनुसार हैं।

इस परीक्षण में जानबूझकर तर्क-विचार का स्तर minimal रखा गया है। प्रकाशित बेंचमार्क नतीजे max पर हैं; यह शुरुआती जाँच उन्हें दोहराती नहीं है। आउटपुट की सीमा में तर्क-विचार और दिखाई देने वाला उत्तर, दोनों शामिल हैं।

अनुरोध असफल हो तो टूल जोड़ने से पहले लौटी त्रुटि देखें। कुंजी, API का पता और सटीक मॉडल पहचानकर्ता दोबारा जाँचें। उत्तर अधूरा हो तो आउटपुट की सीमा देखें और उपयुक्त सीमा के साथ दोबारा कोशिश करें।

सही वर्गीकरण से API तक पहुँच की पुष्टि होती है। इससे रिपॉज़िटरी तक पहुँच या टूल चलने की पुष्टि नहीं होती।

Claude Code की सीमित उप-समस्या Ember को कैसे सौंपें?

मुख्य मॉडल और सबएजेंट की जोड़ी जाँचने के लिए Meta की दस्तावेज़ में दी गई Messages इंटीग्रेशन इस्तेमाल करें। इस तरीके में Claude Code के भीतर Meta के मॉडल चलते हैं। उसी Meta पते के पीछे Claude मॉडल योजनाकार के रूप में बना नहीं रहता।

Claude Code इंस्टॉल रखें और पिछले चरण की MODEL_API_KEY को बनाए रखें। package.json वाले अस्थायी JavaScript परीक्षण प्रोजेक्ट से Bash में यह चलाएँ:

(
  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
)

ये बदलाव उपशेल तक सीमित रहते हैं और बाद के शेल सत्रों की सेटिंग नहीं बदलते। Meta के कोडिंग एजेंट निर्देश में आधार पता बिना /v1 के दिया गया है। Bearer प्रमाणीकरण के लिए ANTHROPIC_AUTH_TOKEN इस्तेमाल होता है।

मुख्य मॉडल Wonder है। haiku उपनाम और सबएजेंट का डिफ़ॉल्ट मॉडल Ember को चुनते हैं। हालाँकि, Claude Code की वर्तमान मॉडल कॉन्फ़िगरेशन में कॉल के पैरामीटर और एजेंट की परिभाषा इस डिफ़ॉल्ट को बदल सकते हैं।

यह स्पष्ट परीक्षण निर्देश दें:

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.

यह निर्देश एक haiku सबएजेंट से package.json पढ़ने को कहता है। उसे पैकेज का नाम और scripts.test लौटाना है, या बताना है कि कौन-सा फ़ील्ड नहीं है। फ़ाइल बदलना या कमांड चलाना इसमें मना है।

सबएजेंट चलते समय /tasks देखें। Claude Code v2.1.242 और बाद के संस्करण वहाँ सबएजेंट का मॉडल दिखाते हैं। पुष्टि करें कि वह muse-ember-1.0 इस्तेमाल करता है, फ़ाइल पढ़ने का टूल वास्तव में चला और नतीजा package.json से मेल खाता है।

टूल चलाने की सामान्य अनुमतियाँ माँगने वाली व्यवस्था चालू रखें। प्रॉम्प्ट में केवल पढ़ने का निर्देश देना, तकनीकी रूप से अनुमतियाँ सीमित करना नहीं है।

गलत मॉडल चले तो प्रदाता को दोष देने से पहले कॉल और एजेंट की परिभाषा जाँचें। पूरी प्रक्रिया में Anthropic मॉडल रखने के लिए केवल पढ़ने वाले Haiku सबएजेंट की सेटअप और सत्यापन गाइड देखें।

OpenRouter या Cline में चयन को केवल सबएजेंट की सेटिंग न मानें

ऐप पहले से OpenRouter से जुड़ा हो तो उसी का उपयोग करें। लेकिन Meta के सीधे पहचानकर्ता के बजाय OpenRouter का मॉडल पहचानकर्ता चुनें।

OpenRouter की मॉडल सूची में पहचानकर्ता meta/muse-ember है। उसकी Responses शुरुआती गाइड https://openrouter.ai/api/v1/responses पर अनुरोध भेजती है। इसके लिए Meta की नहीं, OpenRouter की API कुंजी चाहिए।

2026-11-12 की स्थिति के अनुसार, सूची में प्रति 1M टोकन इनपुट $0.10 और आउटपुट $0.50 है। उसके मॉडल कैटलॉग में कैश पढ़ने और लिखने की कीमतें भी हैं। 200K से अधिक इनपुट टोकन भेजने से पहले चुने हुए प्रदाता से लंबे संदर्भ की बिलिंग की पुष्टि करें। दिखाई गई आधार दरें पूरी संदर्भ विंडो के लिए एक समान कीमत साबित नहीं करतीं।

Cline में उसकी OpenRouter प्रदाता सेटअप गाइड का पालन करें। Settings खोलें, API Provider में OpenRouter चुनें और अपनी OpenRouter API कुंजी डालें। मॉडल चयन में meta/muse-ember चुनें। सामान्य OpenRouter कनेक्शन के लिए वैकल्पिक कस्टम आधार URL खाली छोड़ें।

बदलाव माँगने से पहले वही फ़ाइल-पढ़ने वाला काम चलाएँ। वास्तविक टूल कॉल की पुष्टि करें और लौटे मान फ़ाइल से मिलाएँ।

प्रदाता की मॉडल सूची में Ember चुनने से यह साबित नहीं होता कि केवल सबएजेंट उसे इस्तेमाल करेंगे। Cline के अंतर्निहित सबएजेंट दस्तावेज़ अभी CLI और Desktop के लिए हैं, VS Code या JetBrains एक्सटेंशन के लिए नहीं। ऊपर बताए अलग-अलग मॉडल वाले परीक्षण के लिए Claude Code की कॉन्फ़िगरेशन इस्तेमाल करें।

कोड भेजने से पहले क्षेत्रीय पात्रता और डेटा सेटिंग जाँचें

रिपॉज़िटरी की सामग्री अपलोड करने से पहले पहुँच के चुने हुए तरीके की शर्तें पढ़ें। एग्रीगेटर में मॉडल दिखने से आपके स्थान या उपयोग के लिए अनुमति की पुष्टि नहीं होती।

2026-11-12 को जाँची गई Meta की Geographic Use Policy में रूस, बेलारूस और ईरान प्रतिबंधित क्षेत्रों में शामिल हैं। इन क्षेत्रों से पहुँच प्रतिबंधित है। वहाँ मौजूद अंतिम उपयोगकर्ताओं को एकीकृत उत्पादों तक जानबूझकर पहुँच देने पर भी रोक है। नीति तकनीकी साधनों से भौगोलिक नियंत्रणों को दरकिनार करने की अनुमति भी नहीं देती।

Model API पर Ember केवल Standard मोड में उपलब्ध है; उसका Contributor-मोड संस्करण नहीं है। Meta के अनुसार Standard मोड की सामग्री उसके मॉडल प्रशिक्षित करने में इस्तेमाल नहीं होती।

इसका अर्थ यह नहीं कि डेटा बिल्कुल सहेजा नहीं जाएगा। Zero Data Retention अलग से सक्षम कराना पड़ता है, और उसका समर्थन मॉडल के अनुसार बदल सकता है।

Muse Code सदस्यता का नियम अलग है: उसमें Contributor मोड डिफ़ॉल्ट रूप से चालू रहता है। सदस्यता से रिपॉज़िटरी पर काम करने से पहले यह सेटिंग देखें। बंद करने के लिए /settings खोलें, Contributor mode पंक्ति चुनें और उसे बंद करें। यह सेटिंग हर उपकरण के लिए अलग है, इसलिए हर कंप्यूटर पर जाँचें।

सीमित परीक्षण के बाद फैसला लें

पूरी टीम की रूटिंग बदलने से पहले Ember और मौजूदा सबएजेंट को काम के एक निश्चित, प्रतिनिधि समूह पर परखें।

उदाहरण के लिए, हाल के काम से 20 कार्य चुनें। रिपॉज़िटरी का संस्करण, टूल की अनुमतियाँ, स्वीकृति की जाँच और कैश नीति समान रखें। वास्तविक मॉडल, तर्क-विचार स्तर, इनपुट लंबाई, दोबारा कोशिशों की संख्या, लगा समय और हर परिणाम की स्वीकृति दर्ज करें।

मुख्य मॉडल, सबएजेंट, दोबारा कोशिशों और मॉडल से कराई गई समीक्षा की लागत जोड़कर प्रति स्वीकृत कार्य लागत निकालें:

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

मानवीय समीक्षा का समय अलग दर्ज करें। Ember को अधिक काम तभी सौंपें, जब गुणवत्ता की अस्वीकार्य हानि के बिना प्रति स्वीकृत कार्य लागत घटे। जिन कामों में दोबारा कोशिशें या अस्वीकृत बदलाव बचत मिटा दें, वहाँ पुराना सबएजेंट रखें।