Name: GPT-6 Luna
Author: OpenAI

Mark Zuckerberg presenterte Metas nyeste KI-modell med én setning på X: «Lanserer Muse Ember i dag – vår minste modell, som leverer mer intelligens per dollar enn andre i sin klasse.» Mye av dekningen av lanseringen tolket dette som et priskutt: Meta skulle underby de små, rimelige modellene Anthropic og OpenAI selger til utviklere som bygger KI-agenter.

Det er ikke et priskutt, i hvert fall ikke på prislisten. Muse Ember tar nøyaktig det samme som de to navngitte konkurrentene for hver token som går inn og ut. Besparelsen Meta reklamerer med, er reell, men skyldes noe annet: hvor mye modellen skriver før den kommer fram til et svar. Det er en mer interessant påstand enn en rabatt – og vanskeligere for en kjøper å kontrollere før fakturaen kommer.

Dette lanserte Meta

Muse Ember er den fjerde modellen i Metas Muse-familie, etter Spark, Glimmer og Wonder, og den minste. Meta Superintelligence Labs har laget den for de gjentakende oppgavene i en agent. Zuckerberg beskriver dem som «deloppgaver innen koding, ruting, uthenting og analyse av lange dokumenter». Metas egen beskrivelse av arbeidsfordelingen er rett på sak: «Muse Wonder planlegger, Muse Ember håndterer volumet.» Alexandr Wang, som leder Meta Superintelligence Labs, sa at Ember er den første lanserte modellen som er trent med Muse Wonder Full, Metas største modell.

Meta sier at Ember kan lese tekst, bilder, lyd og video, har et kontekstvindu på én million tokens og kan skrive opptil 512 000 tokens i ett enkelt svar. Modellen er lukket. Vektene kan ikke lastes ned, og den er tilgjengelig via Metas driftede Model API og i Muse Code, Metas kodeagent. Google Cloud og Oracle Cloud er også oppført som tilgjengelige plattformer.

Hvor «per dollar» kommer fra

Meta oppgir en pris på 0,10 dollar per million input-tokens og 0,50 dollar per million output-tokens for Ember. Anthropic oppgir de samme grunnprisene for Claude Haiku 5.5, og OpenAI for GPT-6 Luna, slik både MarkTechPost og Fello AI påpeker. Den eneste fordelen på den ordinære prislisten gjelder hurtigbufrede input-tokens – tekst modellen allerede har sett og kan bruke på nytt. Ember tar 0,004 dollar per million, mot 0,01 dollar for begge konkurrentene.

Forskjellen viser seg per oppgave. På Artificial Analysis Intelligence Index, en uavhengig samling referansetester, får Ember 36 poeng – på nivå med Haiku 5.5 på høyeste innstilling – til en kostnad på rundt 0,14 dollar per oppgave, mot 0,41 dollar for Haiku. Fello AIs gjennomgang av Artificial Analysis-dataene forklarer hvorfor: På tvers av hele indeksen produserte Ember rundt 115 millioner output-tokens, mens Haiku produserte rundt 298 millioner, til samme pris per output-token. Samme pris per token, langt færre tokens. GPT-6 Luna koster omtrent det samme per oppgave som Ember, 0,15 dollar, men får 28 poeng.

Dette er viktig fordi tokenforbruket ikke står på noen prisliste. En utvikler som sammenligner listepriser, ser tre identiske modeller. Forskjellen blir først synlig når agenten kjører, og varierer med oppgaven, agentrammeverket og innstillingen for resonnering. Metas sammenligning bruker maksimal resonneringsinnsats, som også er oppført som standardinnstilling for Ember i utviklerdokumentasjonen.

Prisen som tredobles

På Metas utviklerside finnes et annet prisnivå som ikke nevnes i lanseringsbudskapet. Over 200 000 input-tokens koster Ember 0,30 dollar per million inn og 1,50 dollar per million ut – tre ganger så mye som den oppgitte grunnprisen. Meta advarer i dokumentasjonen om at en forespørsel med lang samtalehistorikk kan passere denne grensen. I sin omtale av lanseringen skrev MarkTechPost at Meta ikke oppgir noe eget prisnivå for lange kontekster i Ember. Metas egen pristabell viser noe annet.

Dette prisnivået gjelder nettopp bruken Zuckerberg trakk fram. «Analyse av lange dokumenter» og et kontekstvindu på én million tokens inviterer utviklere til å sende inn hele kodebaser og dokumentsamlinger – forespørsler som lettest kan passere grensen. Ember er fortsatt billigere enn Haiku 5.5 også der, ettersom Haiku tar 0,50 dollar per million input-tokens og 2,50 dollar per million output-tokens over 100 000 prompt-tokens, ifølge MarkTechPost. Men «billig» blir til «billigere enn alternativet», og det er et annet løfte.

Hva referansetestene viser – og hvem som kjørte dem

Meta publiserte ti sammenligninger med Haiku 5.5 og GPT-6 Luna. Embers sterkeste resultat er på AutomationBench, Artificial Analysis’ test av 657 arbeidsflyter for bedrifter i Zapier. Der fullfører modellen 37,8 prosent av oppgavene, mot 13,9 prosent for Haiku og 20,2 prosent for Luna. Det tydeligste nederlaget kommer på FrontierCode 2.0, som vurderer faktiske kodeendringer ut fra om en vedlikeholder ville slått dem sammen: Haiku får 34,9 poeng, Ember 27,2.

Fello AI har sett på hvem som står bak hvert tall. Fem resultater kommer fra Artificial Analysis, fire er Metas egne tester, og resultatet for Terminal-Bench blander ulike oppsett: en test av Ember utført av Artificial Analysis sammenlignes med konkurrentenes selvrapporterte tall. Fello påpeker også at Ember ifølge modelloversikten hos Artificial Analysis bare tar imot tekst og bilder. Støtte for lyd og video bygger derfor foreløpig på det Meta selv oppgir.

Hvem Muse Ember er laget for

I lanseringsinnlegget skriver Meta at Ember er «billig nok til å kjøre i alle produkter, for alle». Foreløpig finnes den ikke i noen av Metas forbrukerprodukter: Fello AI melder at den mangler i Meta AI-appen, WhatsApp og Muse-agenten. Den er laget som en byggekloss for andre selskapers agenter, noe uttalelsene fra partnerne Meta valgte, også viser. Cline-grunnlegger Saoud Rizwan mener den passer for «team som kutter kostnader ved å kjøre den som underagent i agentrammeverket sitt». Cloudflares teknologidirektør Dane Knecht sa at den «kjørte opptil 30 prosent raskere ved høy belastning enn den sammenlignbare modellen vi testet».

Det er dette Ember satser på. Meta prøver ikke å vinne chatvinduet med modellen. Selskapet vil være modellen som kalles tusen ganger i timen inne i en annens agent, mens en større modell står for tenkningen. I den rollen avgjøres regningen av et tall ingen leverandør oppgir: hvor mange tokens modellen trenger for å bli ferdig.

Tagger: meta, Mark Zuckerberg, KI-modeller, Claude Haiku, Muse Ember