Duelo entre modelos “mini” de IA: Meta* lanza Muse Ember y asesta un duro golpe a Claude Haiku 5.5

Meta presentó Muse Ember, su red neuronal más compacta para agentes de IA, que según pruebas casi no cede ante Claude Haiku 5.5, pero gasta tres veces menos dinero en la ejecución de tareas. El coste medio estimado de una tarea de prueba fue de 14 centavos frente a 41 centavos del competidor. Además, el modelo puede procesar hasta un millón de tokens por solicitud y trabajar con código, documentos, imágenes, audio y vídeo.

El nuevo modelo está diseñado para tareas que agentes de IA realizan decenas o cientos de veces seguidas. Por ejemplo, un asistente digital recibe la petición de revisar un gran proyecto de software. Primero debe localizar los archivos necesarios, leer el código, ejecutar comprobaciones, corregir errores y comprobar que los cambios no rompieron nada. Cada acción requiere consultar la red neuronal y los costes aumentan con el número de pasos. Meta propone encomendar la mayor parte de las operaciones cotidianas a Muse Ember, reservando a modelos más potentes la planificación compleja y la toma de decisiones.

La principal ventaja del nuevo modelo la mostró una comparación independiente de las capacidades intelectuales de las redes neuronales. Muse Ember obtuvo 36 puntos en el índice compuesto de Artificial Analysis, la misma puntuación que Claude Haiku 5.5 con la máxima profundidad de razonamiento. Sin embargo, la ejecución de una tarea del conjunto de pruebas costó aproximadamente 0,136 dólares frente a 0,411 dólares. La diferencia es especialmente importante para empresas que procesan miles de solicitudes diariamente o ejecutan numerosas comprobaciones automatizadas.

Curiosamente, los precios base por el procesamiento de texto son iguales para ambos modelos. Por millón de tokens de entrada los desarrolladores pagan 10 centavos y por millón de salida, 50 centavos. Los tokens son pequeños fragmentos de texto en los que la red divide las solicitudes y las respuestas. El ahorro surge porque Muse Ember genera aproximadamente tres veces menos tokens de salida al realizar las tareas de prueba. Además, volver a procesar información ya almacenada cuesta menos. Cuando el agente accede repetidamente a los mismos documentos o fragmentos de código, la diferencia se acumula gradualmente.

Otra característica de Muse Ember es su enorme ventana de contexto. La red puede recibir en una sola solicitud hasta un millón de tokens, incluidos documentos grandes, proyectos de software y largos historiales de conversación. El volumen máximo de respuesta alcanza 512 000 tokens. Para los desarrolladores, esa capacidad resulta conveniente: el agente no tiene que dividir constantemente los materiales en partes pequeñas y enviar cada porción por separado. Sin embargo, un millón de tokens no equivale a memoria permanente. El modelo tiene en cuenta la información transmitida en el contexto disponible, pero para conservar datos entre sesiones independientes se necesitan mecanismos adicionales.

Muse Ember también puede trabajar con imágenes, grabaciones de audio y vídeo. Por ejemplo, un desarrollador puede enviar una captura de pantalla junto con la descripción de un error, y un empleado de oficina, la grabación de una reunión con la petición de destacar las decisiones tomadas. El modelo puede extraer información de documentos escaneados, interpretar diagramas y analizar la secuencia de eventos en vídeos. Las respuestas se ofrecen en formato de texto.

En algunas pruebas, el modelo compacto superó a competidores más caros. En AutomationBench-AA, donde la IA debe ejecutar de forma autónoma tareas laborales multietapa, Muse Ember resolvió con éxito el 68,1 % de las tareas frente al 35,4 % de Claude Haiku 5.5. En Terminal-Bench 4.0, que evalúa la capacidad de trabajar con código mediante la línea de comandos, el nuevo modelo obtuvo el 40,9 % frente al 32,8 %. Los resultados muestran que un modelo pequeño puede realizar operaciones secuenciales de manera eficaz, para las cuales antes los desarrolladores elegían redes neuronales más potentes.

Sin embargo, la ventaja no se mantiene en todas las pruebas. En FrontierCode 2.0, donde se pide a las redes resolver tareas de ingeniería y se evalúa la idoneidad del código generado para proyectos reales, Claude Haiku 5.5 obtuvo el 34,9 %, mientras que Muse Ember solo alcanzó el 27,2 %. Trabajos más complejos que requieren una comprensión profunda del programa y su estructura siguen siendo un reto para el modelo compacto.

La verificación de conocimientos factuales reveló otra limitación. En la prueba AA-Omniscience Muse Ember respondió correctamente solo el 21,1 % de las preguntas frente al 34,7 % de Claude Haiku 5.5. No obstante, en casi el 64 % de los casos la red prefirió abstenerse de responder si no podía identificar con seguridad la opción correcta. Gracias a ese comportamiento cauteloso, la proporción de respuestas inventadas fue notablemente menor que la del competidor. Para el trabajo automatizado con documentos o información empresarial, abstenerse ante una respuesta dudosa a veces es más seguro que ofrecer un error convincente.

Meta también evaluó cuán fiable es Muse Ember al seguir indicaciones del usuario y cómo reacciona ante intentos de interferencia en su funcionamiento. En particular, los expertos estudiaron la conducta del modelo cuando encuentra instrucciones maliciosas ocultas en páginas web, en documentos y en los resultados de herramientas externas. Los atacantes podrían usar tales instrucciones para inducir al agente de IA a incumplir la tarea inicial o divulgar información confidencial. Según la evaluación de Meta, Muse Ember no alcanzó umbrales de alto riesgo en las categorías comprobadas, incluyendo ciberseguridad y pérdida de control sobre acciones autónomas. No obstante, los resultados de las pruebas internas no garantizan la ausencia de problemas en uso real.

Los desarrolladores ya pueden usar Muse Ember mediante la interfaz Meta Model API y el entorno Muse Code. La compañía estableció tarifas de 10 centavos por millón de tokens de entrada y 50 centavos por millón de tokens de salida. La relectura de contexto almacenado cuesta 0,4 centavos por millón de tokens. Sin embargo, por la gran ventana de contexto habrá que pagar un suplemento: si la solicitud de entrada supera los 200 000 tokens, las tarifas base se triplican, y el precio aumentado se aplica a toda la solicitud, no solo al exceso.

Para entrenar Muse Ember, la compañía usó por primera vez el modelo más potente Muse Wonder Full. Ahora Meta propone a los desarrolladores distribuir las tareas entre varios modelos. Muse Wonder puede elaborar soluciones complejas, Muse Spark ayudar con la programación y la coordinación del trabajo, y Muse Ember ejecutar numerosas tareas pequeñas. Por ejemplo, el modelo superior diseña el plan para reestructurar un gran proyecto de software, mientras que el compacto corrige archivos individuales en paralelo y ejecuta comprobaciones.

El resultado principal del lanzamiento de Muse Ember es la posibilidad de reducir notablemente los costes de las labores masivas de agentes de IA sin una caída comparable de calidad en ciertos tipos de tareas. No obstante, la prometida economía de tres veces se refiere por ahora a un conjunto determinado de pruebas. En proyectos reales, los costes dependerán de la longitud de las solicitudes, la complejidad de las tareas y la cantidad de accesos repetidos al modelo. Los desarrolladores deberán comprobar por sí mismos en qué casos la red compacta sustituye realmente a una más cara y en cuáles el intento de ahorrar conduce a errores adicionales y trabajo repetido.