Muse Emberをコーディングのサブエージェントに使う：料金と設定

作業範囲を限定したコーディング用サブエージェントでMuse Emberを試し、計画と最終レビューは高性能なモデルに任せてください。可能な限り各サブエージェントの入力を200Kトークン未満に抑えます。この境界を超えると、Metaではリクエスト全体のトークン単価が3倍になります。目立つベンチマークスコアだけを理由に、開発の主力モデルを置き換えないでください。

2026-11-12時点で、MetaはModel APIとMuse Codeを通じてmuse-ember-1.0を提供しています。11月9日に公開されたモデルで、繰り返しのツール呼び出し、コーディングの小タスク、処理先の振り分け、情報抽出を主な用途としています。

Muse Emberにはどの作業を任せるべきですか？

Emberには狭い範囲の作業を任せ、必要な情報と検証できる成果物を指定してください。曖昧な要件の解釈、設計上の判断、最終的な受け入れ判断は、計画を担当するモデルに残します。

Metaのモデルガイドでは、EmberとMuse SparkまたはMuse Wonderの組み合わせを推奨しています。大きなモデルが計画を立て、Emberが繰り返しの実行を担当します。最初の作業には、関連する関数の検索、パッケージ設定の読み取り、失敗したテストの情報抽出が適しています。明確な受け入れテストを用意した小さな変更も候補です。

1回の応答で解決する必要がある難しいコーディング問題や、幅広い知識を要する質問には、MetaはSparkまたはWonderを推奨しています。明確な指示に従うだけでなく、適切な解法そのものを見つける必要がある場合に、この違いが重要になります。

直接APIの仕様では、コンテキストウィンドウは1,048,576トークン、最大出力は524,288トークンです。ただし、コーディングクライアントが同じ長さを扱えるとは限りません。Emberの推論強度は既定でmaxとなり、minimalからmaxまで設定できます。

まずは読み取り専用の調査から始めてください。サブエージェントが正しいファイル参照と有用な調査結果を安定して返すようになってから、編集権限を追加します。

コーディングのベンチマークから何が分かりますか？

公開時の結果は、Emberをサブエージェントとして試す根拠になります。ただし、そのままマージできる変更を作る最良のモデルだと示しているわけではありません。

Metaが11月9日に公開した比較では、推論強度を最大に設定した次の結果が示されています。

評価	Muse Ember	Claude Haiku 5.5	GPT-6 Luna
Terminal-Bench 4.0、公開済みの最良のエージェント実行構成	40.9	39.2	16.4
Artificial Analysis Coding Agent Index	46	37	31
FrontierCode 2.0-AA	27.2	34.9	25.2

公開時の表と注記には、評価環境の違いが記されています。Terminal-Benchでは、Emberにmini-swe-agent、HaikuにClaude Code、LunaにCodexを使っています。比較対象は、モデルと、その動作やツールを制御する実行ソフトウェアの組み合わせです。同じツール内でモデルだけを入れ替えた比較ではありません。

Artificial Analysisも独立してCoding Agent Indexの結果を報告しています。Muse Code内のEmberは46、Claude Code内のHaikuは37、Codex内のLunaは31です。

一方、Artificial AnalysisのIntelligence Index評価では、Terminal-BenchにおけるHaikuの結果は32.8と報告されています。これを、Metaが示す最良の公開済み実行構成での39.2と、説明なしに置き換えないでください。異なる評価系列として報告された数値です。

重要な弱点は共通しています。変更をプロジェクトに取り込めるかを評価するFrontierCodeでは、EmberはHaikuを下回ります。最初は調査や範囲を限定した実行でEmberを試してください。中間作業の安さより、採用できる変更の質を重視する場合は、Haikuか既存の高性能なサブエージェントを残します。

紹介しているCoding Agent Indexのタスク単価ガイドでは、スコアをモデル単体の性能と混同せず、エージェント構成全体を比較する方法を説明しています。

入力が200Kを超えると料金はどう変わりますか？

予算は公称のコンテキスト容量ではなく、入力の長さで計算してください。Metaの直接APIでは、キャッシュされた入力と保持されている会話履歴も200Kの判定に含まれます。

以下は2026-11-12時点の直接APIの公表単価です。すべて1Mトークン当たりのUSD表示です。該当する場合は標準処理の料金を示しています。地域別の追加料金、バッチ割引、サーバー側ツールの利用料金は含みません。

モデルと入力の料金区分	キャッシュなしの入力	キャッシュされた入力	出力
Muse Ember、入力200K以下	$0.10	$0.004	$0.50
Muse Ember、入力200K超	$0.30	$0.012	$1.50
Claude Haiku 5.5、入力100K以下	$0.10	$0.01	$0.50
GPT-6 Luna、入力272K以下	$0.10	$0.01	$0.50
DeepSeek V4.1 Flash 1017、ピーク時間帯以外	$0.15	$0.003	$0.60
DeepSeek V4.1 Flash 1017、ピーク時間帯	$0.30	$0.006	$1.20

出典：Metaの料金、Anthropicの料金、GPT-6 Lunaの料金、DeepSeekの料金。

Haikuは入力が100,000トークンを超えると、各単価が5倍になります。Lunaは入力が272Kトークンを超えると、入力とキャッシュの単価が2倍、出力単価が1.5倍になります。両モデルともキャッシュ書き込みには別の料金がかかります。そのため、キャッシュ読み取り単価だけでは、キャッシュの作成と再利用にかかる総費用は分かりません。

DeepSeekのdeepseek-flashは現在、V4.1 Flash 1017を提供しています。ピーク時間帯は月曜から金曜の01:00–04:00および06:00–10:00 UTCで、中国の祝日を除きます。それ以外はピーク時間帯以外の単価が適用されます。

Emberでは、キャッシュなしの入力をU、キャッシュされた入力をC、課金対象の出力をOとします。U + Cで料金区分を選び、次の式で計算します。

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

直接APIへの2つのリクエストを試算します。どちらもキャッシュヒットはなく、有料のサーバー側ツールを使わない前提です。

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

2つ目のリクエストでは、最後の1,000入力トークンだけに高い単価が適用されるわけではありません。入力と出力の全体が、高い単価で計算されます。

Metaは、previous_response_idが参照する会話も入力として数えます。そのため、新しく追加したメッセージが短くても、長いコンテキストの料金区分に入る可能性があります。計画担当モデルの会話全体を転送するのではなく、必要な情報に絞った作業指示をサブエージェントに渡してください。

Artificial Analysisの11月9日時点の評価では、Emberは36点で、Intelligence Indexの1タスク当たりの費用は約$0.14です。Haikuは36点で$0.41、DeepSeek V4.1 Flash 1017は33点で$0.60です。これらはベンチマーク内の平均値です。あなたのリポジトリでの見積額でも、同等のタスク成功率の保証でもありません。

DeepSeekと比較する際は、古いV4リリースの料金ではなく、現在のFlashモデルと料金の違いを確認してください。

Meta APIへの接続と応答の確認

新しい実装ではResponsesを使ってください。メッセージ配列を使う既存コードではChat Completions、Anthropic形式のクライアントではMessagesを選びます。

Metaは3種類のAPI形式を文書化しています。

形式	リクエスト先
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`

いずれもBearer認証を使います。ただし、リクエスト形式は異なります。URLを変更するだけでは、リクエスト本文を別の形式に変換できません。

Meta Model APIのダッシュボードで、API keys → Create API keyからキーを作成してください。このアカウント設定の手順はクイックスタートに記載されています。

curlとjqをインストールした環境で、次の基本的な接続テストをBashで実行します。

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
}'

status: "completed"、EmberのモデルID、分類結果のbug、値が入ったusageオブジェクトを確認してください。これらのフィールドは、文書化されたResponsesの応答構造に対応しています。

このテストでは意図的に推論強度をminimalにしています。公開されたベンチマークはmaxで測定されており、この接続テストはその結果を再現するものではありません。出力上限には、推論と表示される出力の両方が含まれます。

リクエストが失敗した場合は、ツールを追加する前に返されたエラーを確認してください。キー、接続先、正確なモデルIDを再確認します。出力が未完了の場合は出力上限を確認し、適切な値で再試行してください。

分類が成功すれば、APIへの接続を確認できます。リポジトリへのアクセスやツールの実行を確認したことにはなりません。

Claude Codeの限定的な作業をEmberに割り当てる

計画担当モデルとサブエージェントの組み合わせを試すには、Metaが文書化したMessages連携を使ってください。この方法では、Claude Codeの中でMetaのモデルが動作します。同じMetaの接続先を使ったまま、Claudeモデルを計画担当として残す構成ではありません。

Claude Codeをインストールし、前の手順で設定したMODEL_API_KEYを保持してください。package.jsonを含む使い捨てのJavaScriptテストプロジェクトで、次をBashから実行します。

(
  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
)

設定変更はサブシェル内に限定され、以降のシェルセッションには残りません。Metaのコーディングエージェント向け手順では、ベースのホストに/v1を付けず、ANTHROPIC_AUTH_TOKENでBearer認証を行います。

主モデルはWonderです。haikuの別名と、サブエージェントの既定モデルはEmberを指します。ただし、現在のClaude Codeのモデル設定では、呼び出し時のパラメーターやエージェント定義が、この既定値を上書きできます。

次の明示的なテスト用プロンプトを使ってください。

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.

この指示は、haikuを使う汎用サブエージェント1つにpackage.jsonを読ませます。パッケージ名とscripts.testの値を返し、フィールドがなければその旨を報告させます。ファイルの編集やコマンド実行は求めていません。

サブエージェントの実行中に/tasksを確認してください。Claude Code v2.1.242以降では、そこにサブエージェントのモデルが表示されます。muse-ember-1.0が使われていること、ファイル読み取りツールが実際に呼ばれたこと、報告内容がpackage.jsonと一致することを確認します。

通常のツール実行承認は有効にしておいてください。プロンプトで読み取り専用と指示しても、権限を技術的に制限したことにはなりません。

別のモデルが動いた場合は、プロバイダーの問題と判断する前に、呼び出しとエージェント定義を調べてください。全体をAnthropicのモデルで構成したい場合は、読み取り専用Haikuサブエージェントの設定・確認ガイドを参照してください。

OpenRouterやClineのモデル選択をサブエージェント専用と考えない

アプリケーションがすでにOpenRouter経由で接続している場合は、その経路を使えます。ただし、Metaの直接API用IDではなく、OpenRouterのモデルIDを選んでください。

OpenRouterのモデルページで使われるIDはmeta/muse-emberです。Responsesのクイックスタートでは、https://openrouter.ai/api/v1/responsesに接続します。必要なのはOpenRouterのAPIキーであり、Metaのキーではありません。

2026-11-12時点で、モデルページには1Mトークン当たり入力$0.10、出力$0.50と表示されています。モデル一覧にはキャッシュ読み取りと書き込みの料金もあります。入力が200Kトークンを超えるリクエストを送る前に、選択したプロバイダーの長いコンテキストに対する課金方法を確認してください。表示される基本単価だけでは、コンテキストウィンドウ全体で同じ料金が適用されるとは判断できません。

Clineでは、OpenRouterプロバイダーの設定手順に従ってください。Settingsを開き、API ProviderでOpenRouterを選び、OpenRouterのAPIキーを入力します。モデルの選択欄でmeta/muse-emberを指定してください。標準のOpenRouter接続では、任意のカスタムベースURL欄は空のままにします。

編集を頼む前に、同じファイル読み取り作業を実行してください。実際のツール呼び出しを確認し、返された値をファイルと照合します。

プロバイダーのモデル選択欄でEmberを選んでも、サブエージェントだけが使う設定だとは限りません。Clineの組み込みサブエージェントの文書は現在、CLIとDesktopを対象としており、VS CodeやJetBrainsの拡張機能は対象外です。ここで説明した異なるモデルの組み合わせを明示的に試す場合は、前述のClaude Code設定を使ってください。

コードを送る前に地域制限とデータ設定を確認する

リポジトリの内容をアップロードする前に、選んだ接続経路の利用条件を確認してください。モデルが集約サービスに掲載されていても、自分の所在地や提供形態での利用が認められている証拠にはなりません。

2026-11-12時点で確認されたMetaのGeographic Use Policyは、ロシア、ベラルーシ、イランを制限対象地域に含めています。制限は、その地域からのアクセスに適用されます。また、対象地域にいると認識しながら、エンドユーザーに統合製品へのアクセスを許可する行為にも適用されます。技術的手段による地域制限の回避も禁止しています。

Model APIのEmberはStandardモードのみで、Contributorモード版はありません。MetaはStandardモードの内容をモデルの学習に使わないと説明しています。

これは、データを一切保持しないという約束ではありません。Zero Data Retentionは別途有効化する必要があり、対応状況はモデルによって異なる可能性があります。

Muse Codeのサブスクリプションには別のルールがあり、既定でContributorモードが有効です。サブスクリプションでリポジトリを扱う前に、この設定を確認してください。無効にするには/settingsを開き、Contributor modeの行を選んでオフにします。設定は端末ごとに保存されるため、各コンピューターで確認してください。

範囲を限定した試行の後で採用を判断する

チーム全体のモデル振り分けを変える前に、固定した代表的なタスク群でEmberと現在のサブエージェントを比較してください。

例えば、最近の作業から20件のタスクを選びます。リポジトリの状態、ツール権限、受け入れ確認、キャッシュ方針を統一してください。実際に使われたモデル、推論強度、入力長、再試行回数、経過時間、各結果が受け入れられたかを記録します。

計画、サブエージェント、再試行、モデルによるレビューの費用を含めて、受け入れられた1タスク当たりの費用を計算します。

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

人によるレビュー時間は別に記録してください。許容できない品質低下を起こさず、受け入れられたタスク当たりの費用が改善した場合にだけ、Emberの担当範囲を広げます。再試行や不採用の変更で節約分が消える種類の作業には、以前のサブエージェントを残してください。