Nota do autor: o Muse Ember foi lançado em 9 de novembro, mas ainda não aparece na lista de modelos da APIYI. Este artigo primeiro esclarece o que significam o preço oficial de tabela e o “custo por tarefa” divulgado por rankings de terceiros e, em seguida, mostra qual modelo usar hoje em subtarefas: Haiku 5.5 ou GPT-6 Luna.
O Meta lançou em 9 de novembro de 2026 o Muse Ember, posicionado como o menor modelo da linha Muse, com foco em chamada de ferramentas, subtarefas de codificação, roteamento, extração de informações e processamento de documentos longos. Muitos desenvolvedores que trabalham com orquestração multiagente, ao ver o anúncio, pensam logo em conectá-lo como subagente. Até 2026-11-10, a lista de modelos da APIYI (apiyi.com) ainda não tem nenhum modelo com “muse” ou “ember” no nome — se você for procurar agora, não vai encontrar.
Este não é um artigo do tipo “vamos esperar entrar no catálogo”. Dois modelos na mesma faixa de preço do Muse Ember e que você pode chamar hoje são claude-haiku-5-5 e gpt-6-luna; seu subagente já pode rodar nesses dois IDs. Vale esclarecer desde já: o que discutimos aqui é o modelo de API leve Muse Ember, lançado pelo Meta nesta rodada — não tem nenhuma relação com o Claude, nem com o produto de agente pessoal do Meta chamado Muse.
Valor central: depois de ler este artigo, você vai saber diferenciar o que significam o “preço oficial de tabela” do Muse Ember e o “custo por tarefa” divulgado por rankings de terceiros, e também vai conseguir escolher entre Haiku 5.5 e GPT-6 Luna de acordo com o tipo de subtarefa.
Resumo rápido das informações centrais do Muse Ember
Primeiro, organizei em uma tabela as informações que já foram divulgadas. Os fatos vêm do post de lançamento da Meta, da ficha do modelo do Google Cloud e do artigo do Artificial Analysis; as afirmações de fontes diferentes aparecem separadas, sem fusão.
| Item | Detalhes | Fonte |
|---|---|---|
| Data de lançamento | 2026-11-09 | Post de lançamento da Meta, TechCrunch |
| Quem lançou | Meta | Post de lançamento da Meta |
| Posicionamento do modelo | O menor modelo da série, voltado para chamadas de ferramentas, subtarefas de programação, roteamento, extração e documentos longos | Post de lançamento da Meta |
| Preço oficial de tabela da API | Entrada $0.10 / milhão de tokens, saída $0.50 / milhão de tokens | Post de lançamento da Meta |
| Identificador na ficha do modelo | muse-ember-1.0, entrou em prévia em 2026-11-09 |
Ficha do modelo do Google Cloud |
| Comprimento da janela de contexto | 1,048,576 tokens | Ficha do modelo do Google Cloud |
| Status na APIYI | Ainda não disponível; o modelo e o preço têm como referência a lista de modelos da plataforma. Vamos lançar em breve | Endpoint de preços da APIYI (2026-11-10) |
Modalidades de entrada do Muse Ember: duas versões públicas
Sobre as modalidades de entrada, há duas versões no momento, e não dá para resumir tudo em uma única frase. O post de lançamento da Meta afirma que o Muse Ember consegue entender texto, imagem, áudio e vídeo. Já a ficha do modelo do Google Cloud lista apenas texto e imagem como entradas para muse-ember-1.0.
A diferença entre as duas pode vir de capacidades diferentes liberadas em cada canal de acesso, ou pode ser uma limitação temporária da fase de prévia. Se a sua subtarefa precisa processar áudio ou vídeo, recomendo esperar que a plataforma que você vai usar de fato forneça uma descrição clara das modalidades antes de projetar a solução. Não planeje o fluxo de produção com base apenas nas capacidades citadas no post de lançamento.
Diferença entre o preço de tabela e o custo por tarefa do Muse Ember
Este é o ponto mais facilmente mal interpretado deste lançamento, e precisa ser analisado em duas camadas.
A primeira camada é o preço de tabela. O preço divulgado pela Meta para o Muse Ember é $0.10 de entrada e $0.50 de saída (por milhão de tokens). A Artificial Analysis também confirma que o preço de tabela dos tokens de entrada e saída do Ember é o mesmo do Claude Haiku 5.5 e do GPT-6 Luna. Portanto, em preço unitário, os três modelos estão na mesma faixa — o Ember não é mais barato.
A segunda camada é o custo por tarefa. A conclusão do artigo da Artificial Analysis de 9 de novembro é que o custo médio do Ember para concluir tarefas é menor. Os motivos principais são dois: o preço da entrada em cache é menor e, para atingir a mesma pontuação, ele consome menos tokens. Na metodologia da AA, o custo por tarefa do Haiku 5.5 (nível max) para alcançar a mesma pontuação é cerca de 3 vezes o do Ember (nível max).
| Critério de comparação | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna | Observação |
|---|---|---|---|---|
| Preço de entrada (/milhão de tokens) | $0.10 | $0.10 | $0.10 | Iguais nos três |
| Preço de saída (/milhão de tokens) | $0.50 | $0.50 | $0.50 | Iguais nos três |
| Entrada em cache | AA afirma ser mais barata | cache_ratio 0.1 da plataforma | cache_ratio 0.1 da plataforma | O preço específico de cache do Ember deve ser confirmado no oficial |
| Custo por tarefa (ranking de terceiros da AA) | Referência | Cerca de 3 vezes o do Ember (nível max) | Este artigo não cita múltiplo específico | Critério de avaliação, não preço de tabela |
| Plataformas disponíveis | Ainda não listado | Já disponível na APIYI apiyi.com | Já disponível na APIYI | Até 2026-11-10 |
Vale reforçar que “cerca de 3 vezes” é uma comparação de custo por tarefa obtida pela Artificial Analysis no conjunto de tarefas da sua avaliação. Trata-se de um dado de ranking de terceiros, não de uma diferença de preço de tabela, e também não é um resultado que este artigo tenha produzido por conta própria. Se você interpretar isso como “o preço unitário do Ember é uma fração do do Haiku”, vai errar o orçamento na hora.
Se esse número se sustenta no seu próprio negócio depende de dois pontos: se a taxa de acerto de cache nas suas subtarefas é alta e se a distribuição das suas tarefas se aproxima do conjunto de avaliação da AA. Em cenários de roteamento com um system prompt longo e tarefas curtas, o impacto do cache tende a ser grande; já em tarefas de extração pontuais, em que a entrada é diferente a cada vez, a vantagem do cache dificilmente aparece.
💡 Aviso sobre o critério: ao montar o orçamento, calcule o preço unitário pelo preço de tabela e estime o consumo pelos seus próprios logs. Os dados de custo por tarefa da AA ajudam a decidir “se vale a pena esperar pelo Ember”, mas não podem ser usados diretamente como previsão de fatura.
Quando o Muse Ember ainda não está disponível, como o subagente escolhe entre Haiku 5.5 e GPT-6 Luna
Os dados do endpoint de preços da APIYI em 10/11/2026 mostram que os dois IDs, claude-haiku-5-5 e gpt-6-luna, já estão disponíveis e podem ser chamados diretamente. Os parâmetros de preço registrados na plataforma são exatamente iguais:
| ID do modelo | model_ratio | completion_ratio | Preço de tabela correspondente (entrada/saída) | cache_ratio | Status |
|---|---|---|---|---|---|
claude-haiku-5-5 |
0.05 | 5 | $0.10 / $0.50 | 0.1 | Disponível |
gpt-6-luna |
0.05 | 5 | $0.10 / $0.50 | 0.1 | Disponível |
| Muse Ember | — | — | — | — | Ainda não disponível |
Os dois modelos não têm diferença de preço de tabela nem de parâmetros de cache. Por isso, na hora de escolher, não é preciso comparar preço, mas sim olhar o tipo de subtarefa e a integração com o agente principal. Os preços da tabela são os preços de tabela do próprio modelo; a cobrança real deve ser conferida na página da conta na plataforma. Este artigo não converte o preço da plataforma pelo multiplicador de grupo.
Critérios de escolha para a alternativa ao Muse Ember
- Agente principal é da família Claude: priorize
claude-haiku-5-5para o subagente. O formato de chamada de ferramentas, a forma de escrever o system prompt e o modelo principal permanecem consistentes; a migração exige menos mudanças. - Agente principal é da família GPT, ou o foco é automação em lote: priorize
gpt-6-luna. O mesmo conjunto de templates de prompt e as convenções de saída estruturada podem ser reaproveitados diretamente. - Tarefas curtas, como roteamento ou classificação: os dois servem. Recomendo rodar uma mesma amostra com cada um e comparar acurácia e número de tokens de saída. Com o mesmo preço de tabela, o que gerar saída mais curta custa menos na prática.
- Extração de documentos longos: primeiro confirme se o comprimento real do documento cabe na janela de contexto do modelo e só então decida se vale dividir em blocos. Não use os 1,048,576 de contexto do card do modelo Ember para desenhar o fluxo.
- Se a ideia é migrar para o Ember depois: transforme o modelo do subagente em um item de configuração no código; quando o Ember estiver disponível, basta mudar uma linha de configuração para fazer a troca.
Como chamar os dois IDs hoje
O APIYI oferece uma interface compatível com OpenAI: o cliente só precisa alterar dois pontos, base_url e model. A inicialização do cliente fica assim: client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1"). Na hora da chamada, defina model como claude-haiku-5-5 ou gpt-6-luna, mantendo a estrutura de messages e tools inalterada.
| Parâmetro | Forma recomendada para subagente | Descrição |
|---|---|---|
base_url |
https://api.apiyi.com/v1 |
Endpoint compatível com OpenAI |
model |
claude-haiku-5-5 / gpt-6-luna |
Lido de variável de ambiente, o que facilita a troca depois |
max_tokens |
Defina um limite conforme a tarefa | A saída de subtarefas costuma ser mais curta; definir um limite evita desperdício de tokens |
tools |
Compartilhar o schema com o agente principal | Reduz o custo de trocar de modelo |
Vale a pena colocar o nome do modelo em uma variável de ambiente, por exemplo SUBAGENT_MODEL=gpt-6-luna. Quando o Muse Ember entrar na lista, basta alterar o valor dessa variável — o código de negócio não precisa mudar.
🚀 Início rápido: agora acesse o APIYI em apiyi.com; na lista de modelos você encontra
claude-haiku-5-5egpt-6-luna, e pode chamar cada um com a mesma chave API. É uma boa forma de começar comparando com o mesmo lote de amostras de subtarefas.
Análise de impacto do lançamento do Muse Ember
Impacto para desenvolvedores
- Mais opções de subagentes: Na mesma faixa de preço, além do Claude e do GPT, agora existe também a opção da Meta. Em arquiteturas multiagente, a estratificação “modelo principal forte, submodelos baratos” fica mais fácil de colocar em prática.
- A avaliação de custo precisa considerar o custo por tarefa: As três empresas têm o mesmo preço de tabela, e a AA também deixa claro que a diferença se deve ao cache e à eficiência de tokens. Daqui para frente, ao escolher modelos leves, a referência do preço unitário isolado perde importância; “quanto custa concluir uma tarefa” passa a ser mais relevante.
- Na engenharia, é preciso conseguir trocar de modelo: Normalmente há um intervalo entre o lançamento de um novo modelo e sua disponibilização nas plataformas. Transformar o modelo do subagente em item de configuração e manter o schema das ferramentas compatível entre modelos permite trocar diretamente assim que o novo modelo estiver disponível.
Impacto para o setor
- A faixa leve entra na competição de preços iguais: Haiku 5.5, GPT-6 Luna e Muse Ember têm o mesmo preço de tabela, e o ponto de competição migra para o preço de cache, o grau de concisão da saída e a estabilidade da chamada de ferramentas.
- O papel dos rankings de terceiros cresce: Com preços de tabela iguais, os desenvolvedores dependem mais de dados de custo por tarefa fornecidos por terceiros como a Artificial Analysis. Justamente por isso, ao citar, é ainda mais necessário deixar claro o critério e a faixa.
💰 Sugestão de custo: Antes do lançamento do Ember, acumule primeiro os logs de tokens das subtarefas usando Haiku 5.5 e Luna. Quando o Ember estiver disponível, compare com o mesmo lote de tarefas e você saberá o quanto das conclusões da AA se concretiza no seu negócio.
Perguntas Frequentes (FAQ)
Q1: O que é o Muse Ember? É a mesma coisa que o Muse, o produto de Agent pessoal da Meta?
Não é a mesma coisa. O Muse Ember é um modelo de API leve lançado pela Meta em 2026-11-09, voltado para chamada de ferramentas, subtarefas de codificação, roteamento, extração e documentos longos. Ele é diferente do Muse, o produto de Agent pessoal da Meta, e também não tem nenhuma relação com o Claude.
Q2: O Muse Ember é mais barato que o Haiku 5.5?
Pelo preço de tabela, não é mais barato: o preço de entrada e de saída dos três é $0.10 e $0.50 por milhão de tokens. O ranking de terceiros do Artificial Analysis mostra que o custo por tarefa do Ember é menor: o custo do Haiku 5.5 (max) para alcançar a mesma pontuação é cerca de 3 vezes o do Ember (max). São dados de avaliação, não diferença de preço unitário.
Q3: Quando o Muse Ember vai estar disponível para chamada na APIYI?
Até 2026-11-10, o Muse Ember ainda não está listado; o modelo e o preço seguem a lista de modelos da plataforma, e vamos disponibilizar o quanto antes. Você pode pesquisar por “ember” na lista de modelos da APIYI apiyi.com a qualquer momento para ver se já está disponível.
Q4: O Muse Ember suporta entrada de áudio e vídeo?
Hoje existem duas versões da informação. O anúncio de lançamento da Meta diz que suporta texto, imagem, áudio e vídeo; já o model card do Google Cloud lista apenas texto e imagem para a versão de preview do `muse-ember-1.0`. Quais modalidades realmente funcionam depende da documentação do canal que você usa.
Q5: Para sub-agents, devo usar claude-haiku-5-5 ou gpt-6-luna agora?
Os dois têm exatamente o mesmo preço de tabela e o mesmo cache_ratio na APIYI, então dá para escolher pela família à qual o Agent principal pertence, o que facilita a migração. Se estiver em dúvida, use a mesma Key na APIYI apiyi.com para rodar um lote de amostras com cada ID e comparar a precisão e o número de tokens de saída antes de decidir.
Q6: Se eu usar Haiku 5.5 ou Luna agora, vai ser complicado migrar para o Ember depois?
Não é complicado, desde que o modelo não esteja fixo no código. Coloque o modelo em uma variável de ambiente, mantenha o schema das ferramentas genérico entre modelos, e quando o Ember for lançado basta alterar um valor de configuração para trocar. Depois da troca, recomendo rodar novamente as amostras de regressão para confirmar que o formato de saída não mudou.
Muse Ember: Principais Pontos (Key Takeaways)
- Informações de lançamento: A Meta lançou o Muse Ember em 9 de novembro, posicionado como o menor modelo voltado para subtarefas
- Mesmo preço de tabela: entrada US$ 0,10 e saída US$ 0,50 — mesma faixa do Haiku 5.5 e do GPT-6 Luna
- Custo por tarefa: segundo o ranking de terceiros AA, o custo por tarefa do Haiku 5.5 (max) é cerca de 3 vezes o do Ember
- Divergência sobre modalidades: o anúncio de lançamento fala em quatro modalidades, enquanto o model card do Google Cloud diz texto e imagem
- Status de disponibilidade: a lista de modelos da APIYI ainda não tem o ember; modelos e preços devem ser consultados na lista
- A escolha de hoje: para subagentes, comece chamando
claude-haiku-5-5ougpt-6-lunana APIYI apiyi.com - Preparação de engenharia: transforme o modelo em um item de configuração; quando o Ember estiver disponível, basta mudar uma linha de configuração para trocar
Resumo
Os pontos principais após o lançamento do Muse Ember podem ser resumidos em três:
- Preço de tabela e custo por tarefa devem ser vistos separadamente: o preço unitário é igual ao do Haiku 5.5 e do Luna; o “cerca de 3 vezes” é apenas a comparação de custo por tarefa fornecida pelo ranking da AA.
- As descrições de capacidade devem seguir o canal de acesso: as modalidades de entrada divergem entre o anúncio de lançamento e o model card, e o comprimento da janela de contexto vem do model card do Google Cloud.
- Os subagentes não precisam esperar: o Haiku 5.5 e o Luna, da mesma faixa, já podem ser chamados; coloque em produção primeiro e, ao mesmo tempo, acumule logs de tokens.
Antes de o Ember ficar disponível, recomendo colocar os subagentes para rodar com Haiku 5.5 e Luna e tornar o modelo uma configuração alternável. Sugiro comparar esses dois modelos na APIYI apiyi.com usando a mesma chave e, quando o Ember aparecer na lista, validar as conclusões da AA com o mesmo lote de tarefas.
📚 Referências
- Meta Research – Post de lançamento do Muse Ember: posicionamento do modelo, preço de tabela da API e descrição das modalidades
- Link:
research.meta.ai/blog/muse-ember -
Observação: informação oficial de primeira mão; o preço de tabela deve ser tomado a partir desta fonte
-
TechCrunch – Meta releases Muse Ember: reportagem sobre o lançamento
- Link:
techcrunch.com/2026/11/09/meta-releases-muse-ember-a-new-lightweight-model-for-agent-execution -
Observação: cobertura de terceiros sobre a data de lançamento e o posicionamento
-
Artificial Analysis – Artigo de avaliação do Muse Ember: comparação de custo por tarefa
- Link:
artificialanalysis.ai/articles/meta-s-muse-ember-is-the-cheapest-model-scoring-36-on-the-intelligence-index -
Observação: critério de ranking de terceiros; ao citar, indique a faixa/posição correspondente
-
Google Cloud – Ficha do modelo muse-ember-1.0: status de pré-visualização, modalidades de entrada e comprimento da janela de contexto
- Link:
docs.cloud.google.com/gemini-enterprise-agent-platform/models/partner-models/meta/muse-ember-1-0 - Observação: difere do que o post de lançamento da Meta diz sobre as modalidades; vale a pena comparar os dois
Autor: Equipe técnica da APIYI
Contato técnico: Fique à vontade para falar com a gente pela página inicial do site da APIYI. Para novidades sobre a disponibilização de modelos, consulte a lista de modelos da plataforma.
