코딩 에이전트가 버그 하나를 고치는 동안에도 파일을 읽고 테스트를 돌리고 코드를 부분적으로 수정하는 단계가 이어진다. Meta는 2026년 11월 9일, 이런 반복 작업을 겨냥한 AI 모델 Muse Ember를 공개했다. 발표문에서 Meta는 Ember를 자사의 가장 작고 효율적인 모델로 소개했다.
Meta가 든 코딩 작업의 예는 파일 읽기, 테스트 실행, 필요한 부분의 수정이다. 도구 호출이나 문서에서 정보 추출하기도 Ember가 맡도록 설계한 일에 포함된다. 큰 요청을 완수하는 과정에서 여러 번 수행하는 작은 단계들이 이 모델의 주된 무대다.
계획과 실행량을 나눠 맡긴다
Meta는 이 역할을 다른 모델과의 조합으로 설명한다. 어려운 문제에서는 Muse Wonder가 계획을 세우고, Muse Ember가 많은 실행 작업을 처리하도록 함께 쓰자는 것이다. 문제를 풀 방향을 정하는 일과 그에 따라 거듭 수행하는 하위 작업에 서로 다른 모델을 배치하는 구상이다. 발표문은 이를 두 모델을 함께 쓰는 방식으로 제안한다.
Ember가 다루는 입력은 짧은 코드 조각에 한정되지 않는다. Meta는 100만 토큰의 문맥 창을 지원하고 텍스트, 이미지, 음성, 영상을 이해한다고 설명했다. 문서 묶음이나 스크린샷도 에이전트 작업의 입력으로 삼을 수 있다는 뜻이다.
토큰 단가와 과제당 비용은 다르다
반복 실행을 맡길 모델이라면 가격이 중요한 판단 기준이 된다. Meta Model API의 공개 가격은 입력 100만 토큰당 0.10달러, 출력 100만 토큰당 0.50달러다. 이는 모델에 넣고 모델이 생성하는 토큰의 단가다. 과제 하나를 처리하는 데 드는 비용을 보려면 그 과제에서 사용한 토큰 양도 함께 봐야 한다.
Meta가 발표문에 실은 Artificial Analysis 비교는 다음과 같다. 두 모델 모두 추론 설정은 max다.
| 비교 항목 | Muse Ember | Muse Spark 1.3 |
|---|---|---|
| Intelligence Index | 36 | 37 |
| Intelligence Index 과제당 비용 | 0.14달러 | 2.39달러 |
이 비교에서 Meta가 강조하는 것은 종합 점수가 가까운 두 모델 사이의 과제당 비용 차이다. 다만 발표의 비용·성능 도표에는 Ember 비용이 제안 가격에 따른 추정치라는 조건이 붙어 있다. 이 평가의 비용 차이를 모든 실제 업무에 그대로 적용할 수는 없다.
종합 점수만으로 개별 작업의 성능까지 판단하기도 어렵다. 실제 엔지니어링 과제를 병합 가능성으로 평가하는 FrontierCode 2.0-AA에서는 max 설정의 Ember가 27.2, Claude Haiku 5.5가 34.9로 제시됐다. Meta가 공개한 결과 안에서도 과제에 따라 앞서는 모델이 달라진다.
Muse Ember는 Meta Model API와 Muse Code에서 제공된다. Vercel도 같은 날 AI Gateway에 Muse Ember를 추가했다고 밝혔다. Meta가 제시한 용도는 분명하다. 어려운 문제의 계획을 맡는 모델과 함께, 파일 읽기와 도구 호출처럼 실행 과정에서 쌓이는 작업을 처리할 모델을 두는 것이다.
