메타 슈퍼인텔리전스 랩이 11월 9일 가장 작고 효율적인 모델이라고 소개한 '뮤즈 엠버(Muse Ember)'를 내놓았다. 이 모델은 전면에 내세운 지향점이 분명하다. 복잡한 추론을 '실행'하고, 에이전트가 하루 종일 반복하는 작업 — 도구 호출, 코딩 하위 작업, 라우팅, 데이터 추출, 긴 문서 파싱 — 을 값싸게 처리하는 것이다. 최전선 성능을 겨루기보다, 에이전트 워크로드에서 토큰이 실제로 가장 많이 소비되는 지점을 공략하겠다는 포지셔닝이다.
가격은 입력 100만 토큰당 0.10달러, 출력 100만 토큰당 0.50달러이며, 캐시된 입력은 100만 토큰당 0.004달러다. 컨텍스트 창은 100만 토큰, 출력은 최대 512K 토큰까지 지원한다. 전체 코드베이스나 문서 묶음을 한 번의 호출로 집어넣을 수 있는 규모다. 메타는 'muse-ember-1.0'으로 뮤즈 코드(Muse Code)와 메타 모델 API에서 당일부터 제공하며 Responses API를 지원한다고 밝혔다.
비용 대비 지능이라는 승부처
메타가 강조하는 수치는 절대 성능이 아니라 '비용당 지능'이다. 회사 설명에 따르면 뮤즈 엠버는 어떤 추론 설정에서든 클로드 하이쿠 5.5나 GPT-6 루나보다 달러당 더 많은 지능을 제공하며, 하이쿠의 최고 점수를 약 3분의 1 비용으로 따라잡고 루나의 모든 설정을 앞선다. 또한 아티피셜 애널리시스(Artificial Analysis) 리더보드의 효율 프런티어에 위치해, 같은 작업 비용으로 더 높은 점수를 내는 모델이 없다는 것이 메타의 주장이다. 다만 비교 그래프에 쓰인 뮤즈 엠버의 비용은 '제안 가격 기준 추정치'라는 단서가 붙어 있어, 실제 운영 환경에서의 수치는 검증이 필요하다.
여기서 실무자가 주목할 지점은 과금 구조다. 캐시 입력 단가가 일반 입력의 25분의 1 수준이라, 동일한 시스템 프롬프트나 코드베이스를 반복 참조하는 에이전트 설계에서는 캐시 적중률이 실제 비용을 좌우하게 된다. AA 작업 한 건당 약 0.14달러라는 메타의 자체 추산도 이런 반복·대량 호출을 전제로 한 것이다.
하위 에이전트와 멀티모달
메타가 공개한 파트너 초기 테스트 후기는 모델의 쓰임새를 구체적으로 보여준다. 박스 AI(Box AI)는 계약서를 협상 지침에 따라 조항별로 채점하고 전체 위험 등급을 도출하거나, 상세 요건에 맞춰 지원자를 선별해 경계선상의 대안 후보를 가려냈다고 전했다. 다른 파트너들은 속도를 공통적으로 꼽았다. 비교 모델 대비 꼬리 구간(tail)에서 최대 30% 빠르고, 코딩 과제에서 p95 지연이 2.2초로 주요 오픈웨이트 모델보다 약 4~13배 빠르며 출력 토큰은 36~48% 적었다는 언급이 나온다. 이는 뮤즈 엠버가 독립적으로 쓰이기보다 상위 모델이 계획을 세우면 그 밑에서 대량의 실제 작업을 처리하는 '서브에이전트'로 배치되는 그림을 전제한다. 메타 역시 가장 어려운 문제는 뮤즈 원더(Muse Wonder)가 계획하고 뮤즈 엠버가 물량을 감당하는 조합을 권한다.
모델은 텍스트와 이미지, 오디오, 비디오를 네이티브로 이해한다고 소개된다. 스크린샷·차트·스캔 문서를 읽거나 음성 메모와 회의 녹음, 영상을 별도 모델 없이 처리하고, 스크린샷만으로 컴퓨터를 직접 조작할 수 있다는 것이다. 메타는 AutomationBench, Agents' Last Exam, Terminal-Bench 4.0, OSWorld 2.1, PerceptionBench 등 여러 벤치마크의 최대 추론 설정 결과를 근거로 제시했으나, 이번 공개 자료에서는 구체적 점수표가 수치로 함께 제공되지 않아 외부 검증 여지는 남는다.
안전성과 포트폴리오 내 위치
출시 전 메타는 자사의 슈퍼인텔리전스 스케일링 프레임워크에 따라 화학·생물, 사이버보안, 통제 상실 위험을 평가했고, 평가한 범주 전반에서 고위험 임계값 아래에 머물렀다고 밝혔다. 작은 모델이지만 동일한 핵심 안전 학습과 테스트를 거쳤으며, 사용자를 대신해 행동할 때 의도를 존중하는지, 민감 정보를 적절히 다루는지, 웹페이지나 도구 출력에 숨겨진 지시(프롬프트 인젝션)에 저항하는지, 영향이 큰 행동 전에 사람의 확인을 구하는지를 점검했다고 설명했다.
뮤즈 엠버는 뮤즈 원더 풀(Muse Wonder Full)로 학습된 첫 모델로, 메타가 '전용 모델을 모두에게 제공하겠다'며 예고했던 방향의 첫 결과물이다. 가장 어려운 문제를 위한 뮤즈 원더, 코딩·에이전트 워크플로를 위한 뮤즈 스파크(Muse Spark), 그리고 반복적인 코딩·에이전트 작업을 대규모로 처리하는 뮤즈 엠버로 라인업이 채워진 셈이다. 메타는 더 효율적인 모델이 학습 중이라고 덧붙였다. 결국 이번 발표의 메시지는 성능의 상한이 아니라 '모든 제품에 넣을 수 있을 만큼 낮은 단가'라는 확산 전략에 가깝다. 반복 호출 비중이 높은 에이전트를 운영하는 팀이라면, 상위 모델과의 역할 분담과 캐시 설계를 어떻게 짜느냐가 실제 절감 효과를 결정할 것이다.