Muse Ember para subagentes de código: preços e configuração

Teste o Muse Ember em subagentes de programação com tarefas bem delimitadas e deixe o planejamento e a revisão final com um modelo mais capaz. Sempre que possível, mantenha a entrada de cada subagente abaixo de 200K tokens: ultrapassar esse limite triplica as tarifas de toda a requisição. Não substitua seu modelo principal de desenvolvimento apenas pela pontuação de destaque em um benchmark.

Em 2026-11-12, a Meta oferece muse-ember-1.0 pelo Model API e pelo Muse Code. O modelo foi lançado em 9 de novembro, com foco em chamadas repetidas de ferramentas, subtarefas de programação, roteamento e extração de informações.

Quais tarefas devem ficar com o Muse Ember?

Dê ao Ember uma tarefa específica, o contexto necessário e um resultado que você consiga verificar. Deixe requisitos ambíguos, decisões de arquitetura e a aceitação final com o modelo responsável pelo planejamento.

O guia do modelo da Meta recomenda combinar o Ember com Muse Spark ou Muse Wonder. O modelo maior planeja, enquanto o Ember executa o trabalho repetitivo. Para começar, peça que ele localize funções, leia a configuração de um pacote ou extraia informações sobre testes que falharam. Outra opção é implementar uma pequena alteração com testes de aceitação explícitos.

A Meta recomenda Spark ou Wonder para problemas difíceis de programação que precisam de solução em uma única resposta, ou perguntas que exigem amplo conhecimento. Essa diferença importa quando a tarefa exige descobrir a abordagem correta, em vez de seguir instruções claras.

A API direta especifica uma janela de contexto de 1,048,576 tokens e saída máxima de 524,288 tokens. Esses limites não determinam o que um cliente de programação aceita. O esforço de raciocínio padrão do Ember é max, com opções de minimal a max.

Comece com investigação somente de leitura. Conceda permissão de edição depois que o subagente retornar referências corretas a arquivos e conclusões úteis de forma consistente.

O que os benchmarks de programação realmente mostram?

Os resultados do lançamento justificam testar o Ember como subagente, mas não demonstram que ele seja o melhor modelo para alterações prontas para integrar ao projeto.

A comparação da Meta de 9 de novembro apresenta estes resultados com esforço máximo de raciocínio:

Avaliação	Muse Ember	Claude Haiku 5.5	GPT-6 Luna
Terminal-Bench 4.0, melhor configuração 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

A tabela do lançamento e suas notas distinguem as configurações dos testes. O Terminal-Bench usa mini-swe-agent para Ember, Claude Code para Haiku e Codex para Luna. A comparação inclui o modelo e o software que coordena suas ações e ferramentas. Não é um teste controlado que troca apenas o modelo dentro de uma mesma ferramenta.

A Artificial Analysis também publica, de forma independente, os resultados do Coding Agent Index. O Ember no Muse Code marca 46 pontos, contra 37 do Haiku no Claude Code e 31 do Luna no Codex.

A Artificial Analysis também informa uma pontuação de 32.8 para o Haiku no Terminal-Bench dentro das avaliações do Intelligence Index. Não substitua sem explicação o resultado de 39.2 da Meta, que considera a melhor configuração de agente publicada. Os números pertencem a séries de avaliação diferentes.

A limitação relevante permanece: o Ember fica atrás do Haiku no FrontierCode, que avalia se as alterações de engenharia podem ser integradas ao projeto. Teste o Ember primeiro em investigação e execução com escopo limitado. Mantenha o Haiku ou seu subagente atual mais capaz quando alterações aceitas forem mais importantes do que trabalho intermediário barato.

Nosso guia sobre custo por tarefa no Coding Agent Index explica como comparar configurações completas de agentes sem atribuir a pontuação apenas ao modelo.

Como o limite de 200K muda a cobrança?

Calcule o orçamento pelo tamanho da entrada, não pela capacidade de contexto anunciada. Na API direta da Meta, a entrada em cache e o histórico de conversa mantido contam para o limite de 200K.

Estas são as tarifas de tabela das APIs diretas em 2026-11-12. Todos os valores estão em USD por 1M tokens. A tabela mostra o processamento padrão, quando aplicável. Não inclui adicionais regionais, descontos por processamento em lote nem cobranças por ferramentas executadas no servidor.

Modelo e faixa de entrada	Entrada sem cache	Entrada em cache	Saída
Muse Ember, até 200K de entrada	$0.10	$0.004	$0.50
Muse Ember, acima de 200K de entrada	$0.30	$0.012	$1.50
Claude Haiku 5.5, até 100K de entrada	$0.10	$0.01	$0.50
GPT-6 Luna, até 272K de entrada	$0.10	$0.01	$0.50
DeepSeek V4.1 Flash 1017, fora do horário de pico	$0.15	$0.003	$0.60
DeepSeek V4.1 Flash 1017, horário de pico	$0.30	$0.006	$1.20

Fontes: preços da Meta, preços da Anthropic, preços do GPT-6 Luna e preços da DeepSeek.

As tarifas do Haiku são multiplicadas por cinco acima de 100,000 tokens de entrada. Acima de 272K tokens de entrada, o Luna dobra as tarifas de entrada e cache e multiplica a tarifa de saída por 1.5. Ambos cobram separadamente pela gravação em cache. Portanto, o preço da leitura do cache não representa o custo completo de criá-lo e reutilizá-lo.

O identificador deepseek-flash da DeepSeek atualmente atende com V4.1 Flash 1017. Os horários de pico são 01:00–04:00 e 06:00–10:00 UTC, de segunda a sexta, exceto feriados oficiais chineses. Nos demais períodos, valem as tarifas fora do horário de pico.

Para o Ember, defina U como entrada sem cache, C como entrada em cache e O como saída faturada. Escolha a faixa de preço usando U + C e calcule:

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

Considere estas duas estimativas de requisições à API direta. Elas não têm acertos de cache nem usam ferramentas pagas no servidor:

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

Na segunda requisição, a tarifa maior não se aplica apenas aos últimos 1,000 tokens de entrada. Toda a entrada e a saída usam as tarifas mais altas.

A Meta também conta como entrada a conversa associada a previous_response_id. Por isso, uma nova mensagem curta pode acionar a cobrança de contexto longo. Dê aos subagentes instruções específicas, em vez de encaminhar toda a conversa do modelo que planeja.

Nos resultados da Artificial Analysis de 9 de novembro, o Ember marca 36 pontos e custa cerca de $0.14 por tarefa do Intelligence Index. O Haiku chega a 36 com $0.41; o DeepSeek V4.1 Flash 1017 alcança 33 com $0.60. Esses valores são médias do benchmark, não orçamentos para seu repositório nem garantias de uma taxa de sucesso equivalente.

Para comparar com a DeepSeek, consulte as diferenças do modelo Flash atual e de seus preços, em vez de usar tarifas de uma versão V4 anterior.

Conecte a Meta API e verifique uma resposta

Use Responses em uma nova integração. Mantenha Chat Completions no código existente que usa um array de mensagens, ou Messages para um cliente no formato da Anthropic.

A Meta documenta três formatos de API:

Formato	Endpoint da requisição
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

Os três usam autenticação Bearer. Os formatos das requisições são diferentes, então trocar apenas a URL não converte o corpo da requisição.

Crie uma chave no painel do Meta Model API, em API keys → Create API key. O guia de início rápido documenta essa etapa de configuração da conta.

Execute este teste básico em Bash, com curl e 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
}'

Confira se a resposta contém status: "completed", o identificador do Ember, a classificação bug e um objeto usage preenchido. Esses campos seguem a estrutura de resposta do Responses documentada.

Este teste usa deliberadamente o esforço minimal. Os resultados publicados dos benchmarks usam max; o teste básico não os reproduz. O limite de saída inclui tanto o raciocínio quanto a saída visível.

Se a requisição falhar, examine o erro retornado antes de adicionar ferramentas. Confira novamente a chave, o endpoint e o identificador exato do modelo. Se a saída estiver incompleta, verifique o limite de saída e tente novamente com um valor adequado.

Uma classificação correta verifica a conexão com a API. Ela não verifica o acesso ao repositório nem a execução de ferramentas.

Direcione uma subtarefa de escopo limitado do Claude Code ao Ember

Use a integração Messages documentada pela Meta para testar uma combinação concreta de modelo planejador e subagente. Essa rota executa modelos da Meta dentro do Claude Code. Ela não mantém um modelo Claude como planejador por trás do mesmo endpoint da Meta.

Com o Claude Code instalado, mantenha MODEL_API_KEY da etapa anterior. Em um projeto JavaScript descartável que contenha package.json, execute o seguinte em 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
)

O subshell impede que essas alterações afetem sessões posteriores do shell. As instruções da Meta para agentes de programação especificam o host base sem /v1 e a autenticação Bearer por ANTHROPIC_AUTH_TOKEN.

O modelo principal é o Wonder. O alias haiku e o modelo padrão dos subagentes apontam para o Ember. Porém, a configuração atual de modelos do Claude Code permite que parâmetros da chamada e definições de agentes substituam esse padrão.

Use este prompt de teste 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.

O prompt pede que um único subagente haiku leia package.json e retorne o nome do pacote e o valor de scripts.test. Ele deve informar campos ausentes, sem editar arquivos nem executar comandos.

Enquanto o subagente trabalha, consulte /tasks. O Claude Code v2.1.242 e versões posteriores mostram ali o modelo do subagente. Confirme que ele usa muse-ember-1.0, que uma ferramenta de leitura realmente foi executada e que o relatório corresponde a package.json.

Mantenha ativadas as aprovações normais de ferramentas. Uma instrução de somente leitura no prompt não impõe um limite técnico de permissões.

Se o modelo errado for executado, examine a chamada e a definição do agente antes de atribuir o problema ao provedor. Para manter modelos da Anthropic em todo o processo, siga o guia de configuração e verificação de subagentes Haiku somente de leitura.

Use OpenRouter ou Cline sem presumir uma configuração exclusiva dos subagentes

Use o OpenRouter quando seu aplicativo já se conectar por ele, mas escolha o identificador de modelo do serviço, não o da API direta da Meta.

A página do modelo no OpenRouter usa meta/muse-ember. Seu guia de início do Responses utiliza https://openrouter.ai/api/v1/responses com uma chave de API do OpenRouter, não da Meta.

Em 2026-11-12, a página mostra $0.10 de entrada e $0.50 de saída por 1M tokens. Seu catálogo de modelos também lista preços de leitura e gravação em cache. Confirme a cobrança de contexto longo do provedor selecionado antes de enviar requisições com mais de 200K tokens de entrada. As tarifas em destaque não comprovam um preço uniforme para toda a janela de contexto.

No Cline, siga a configuração do provedor OpenRouter. Abra Settings, selecione OpenRouter em API Provider e insira sua chave de API do OpenRouter. Escolha meta/muse-ember no seletor de modelos. Deixe a URL base personalizada opcional em branco para a conexão padrão com o OpenRouter.

Execute a mesma tarefa de leitura de arquivo antes de pedir alterações. Confirme uma chamada real de ferramenta e compare os valores retornados com o arquivo.

Selecionar o Ember no seletor de modelos do provedor não comprova que apenas os subagentes o usarão. A documentação de subagentes nativos do Cline cobre atualmente CLI e Desktop, não as extensões do VS Code ou JetBrains. Para o teste com modelos diferentes descrito aqui, use a configuração do Claude Code acima.

Confira as restrições regionais e as configurações de dados antes de enviar código

Verifique os termos da forma de acesso escolhida antes de enviar conteúdo do repositório. A presença do modelo em um agregador não comprova que sua localização ou implantação seja permitida.

A Geographic Use Policy da Meta, consultada em 2026-11-12, inclui Rússia, Belarus e Irã entre os territórios restritos. As restrições abrangem o acesso e a permissão consciente de acesso a produtos integrados por usuários finais localizados nesses territórios. A política também proíbe contornar os controles geográficos com medidas técnicas.

No Model API, o Ember funciona apenas no modo Standard e não tem uma variante Contributor. A Meta afirma que não usa o conteúdo do modo Standard para treinar seus modelos.

Isso não é uma promessa de ausência de retenção de dados. O Zero Data Retention exige habilitação separada, e o suporte pode variar conforme o modelo.

As assinaturas do Muse Code seguem outra regra: o modo Contributor vem ativado por padrão. Revise essa configuração antes de usar uma assinatura para trabalhar com repositórios. Para desativá-la, abra /settings, selecione a linha Contributor mode e desligue a opção. A configuração é específica de cada dispositivo, então confira cada computador.

Decida após um teste com escopo limitado

Compare o Ember com seu subagente atual em um conjunto fixo de tarefas representativas antes de mudar o roteamento de toda a equipe.

Por exemplo, selecione 20 tarefas de trabalhos recentes. Mantenha iguais a versão do repositório, as permissões das ferramentas, as verificações de aceitação e a política de cache. Registre o modelo efetivo, o esforço de raciocínio, o tamanho da entrada, as novas tentativas, o tempo gasto e a aceitação de cada resultado.

Calcule o custo por tarefa aceita, incluindo planejamento, subagente, novas tentativas e revisão feita por um modelo:

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

Registre separadamente o tempo de revisão humana. Amplie as tarefas do Ember apenas quando o custo por tarefa aceita melhorar sem uma perda de qualidade inaceitável. Mantenha o subagente anterior nos tipos de tarefa em que novas tentativas ou alterações rejeitadas do Ember eliminem a economia.