Name: GPT-6 Luna
Author: OpenAI

Mark Zuckerberg apresentou o mais novo modelo de IA da Meta em uma única frase no X: “Lançamos hoje o Muse Ember — nosso menor modelo, que oferece mais inteligência por dólar do que outros da mesma categoria.” Boa parte da cobertura do lançamento interpretou a novidade como um corte de preço: a Meta estaria cobrando menos que a Anthropic e a OpenAI por seus modelos pequenos e baratos, vendidos a desenvolvedores que criam agentes de IA.

Não houve corte de preço, pelo menos não na tabela. O Muse Ember cobra exatamente o mesmo que seus dois concorrentes citados por cada token que recebe e produz. A economia anunciada pela Meta é real, mas vem de outro lugar: da quantidade de texto que o modelo gera antes de chegar a uma resposta. É uma alegação mais interessante do que um desconto — e mais difícil de verificar para quem compra antes de receber a fatura.

O que a Meta lançou

O Muse Ember é o quarto modelo da família Muse, da Meta, depois de Spark, Glimmer e Wonder, e também o menor. A Meta Superintelligence Labs o desenvolveu para as etapas repetitivas executadas por um agente; nas palavras de Zuckerberg, “subtarefas de programação, encaminhamento, extração e análise de documentos longos”. A própria Meta descreve sem rodeios a divisão de tarefas: “Muse Wonder planeja, Muse Ember dá conta do volume.” Alexandr Wang, que lidera a Meta Superintelligence Labs, disse que Ember é o primeiro modelo lançado que foi treinado com o Muse Wonder Full, o maior modelo da Meta.

A Meta afirma que o Ember lê textos, imagens, áudio e vídeo, tem uma janela de contexto de um milhão de tokens e pode gerar até 512 mil tokens em uma única resposta. É um modelo fechado. Não há pesos disponíveis para download, e ele funciona na Model API hospedada pela Meta e no Muse Code, agente de programação da empresa. Google Cloud e Oracle Cloud também aparecem como opções de acesso.

De onde vem o “por dólar”

A Meta lista o Ember a US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída. O Claude Haiku 5.5, da Anthropic, e o GPT-6 Luna, da OpenAI, têm os mesmos preços-base, como apontam a MarkTechPost e a Fello AI. A única vantagem na tabela está nos tokens de entrada em cache — textos que o modelo já processou e pode reutilizar —, cobrados pelo Ember a US$ 0,004 por milhão, contra US$ 0,01 para os dois concorrentes.

A diferença aparece no custo por tarefa. No Artificial Analysis Intelligence Index, uma bateria independente de benchmarks, o Ember marca 36 pontos, empatado com o Haiku 5.5 em sua configuração máxima, por cerca de US$ 0,14 por tarefa, contra US$ 0,41 do Haiku. A análise da Fello AI sobre os dados da Artificial Analysis explica o motivo: considerando o índice inteiro, o Ember gerou cerca de 115 milhões de tokens de saída, enquanto o Haiku produziu aproximadamente 298 milhões, à mesma tarifa por token. Mesmo preço por token, muito menos tokens. O GPT-6 Luna custa quase o mesmo por tarefa que o Ember — US$ 0,15 —, mas marca 28 pontos.

Esse mecanismo importa porque a contagem de tokens não aparece em nenhuma tabela de preços. Um desenvolvedor que compara os preços anunciados vê três modelos idênticos. A diferença só aparece quando o agente começa a funcionar e varia conforme a tarefa, a estrutura de execução e o nível de raciocínio. A comparação da Meta usa o esforço máximo de raciocínio, que a documentação para desenvolvedores da empresa também indica como padrão do Ember.

O preço que triplica

A página para desenvolvedores da Meta apresenta uma segunda faixa de preço que não aparece na comunicação do lançamento. Acima de 200 mil tokens de entrada, o Ember custa US$ 0,30 por milhão de tokens recebidos e US$ 1,50 por milhão de tokens gerados — o triplo do preço anunciado. A documentação da Meta alerta que uma solicitação com um histórico longo de conversa pode ultrapassar esse limite. O texto sobre o lançamento publicado pela MarkTechPost afirmava que a Meta não listava uma faixa de preço para contexto longo do Ember; a tabela de preços da própria Meta mostra o contrário.

Essa faixa de preço se aplica justamente ao uso que Zuckerberg promoveu. “Análise de documentos longos” e uma janela de um milhão de tokens incentivam os desenvolvedores a enviar bases de código inteiras e conjuntos de documentos — solicitações com maior probabilidade de ultrapassar o limite. Ainda assim, o Ember continua mais barato que o Haiku 5.5 nesse cenário, já que o Haiku cobra US$ 0,50 por milhão de tokens de entrada e US$ 2,50 por milhão de saída acima de 100 mil tokens de prompt, segundo a MarkTechPost. Mas “barato” passa a significar “mais barato que a alternativa”, o que é uma promessa diferente.

O que os benchmarks mostram — e quem os realizou

A Meta publicou dez comparações com o Haiku 5.5 e o GPT-6 Luna. O melhor resultado do Ember aparece no AutomationBench, avaliação da Artificial Analysis com 657 fluxos de trabalho empresariais do Zapier: o modelo conclui 37,8% das tarefas, contra 13,9% do Haiku e 20,2% do Luna. Sua única derrota clara é no FrontierCode 2.0, que avalia mudanças em código real com base na possibilidade de um mantenedor aceitá-las: o Haiku marca 34,9 pontos, e o Ember, 27,2.

A Fello AI contabilizou a origem de cada resultado. Cinco avaliações vêm da Artificial Analysis, quatro são testes da própria Meta, e a linha do Terminal-Bench combina configurações diferentes: um teste da Artificial Analysis para o Ember e números informados pelos próprios concorrentes. A Fello também observa que a página do modelo na Artificial Analysis lista apenas texto e imagem como entradas do Ember; por enquanto, o suporte a áudio e vídeo depende do que a Meta afirma.

Para quem é o Muse Ember

A publicação de lançamento da Meta diz que o custo do Ember é “baixo o bastante para funcionar em todos os produtos, para todos”. Por enquanto, ele não está em nenhum produto para consumidores da Meta: segundo a Fello AI, não aparece no aplicativo Meta AI, no WhatsApp nem no agente Muse. O modelo é uma peça para os agentes de outras empresas, como mostram as declarações de parceiros escolhidas pela Meta. Saoud Rizwan, fundador da Cline, o recomendou para “equipes que reduzem custos usando-o como subagente em sua estrutura”. Dane Knecht, diretor de tecnologia da Cloudflare, disse que ele “foi até 30% mais rápido na latência de cauda que o modelo comparável que testamos”.

Essa é a aposta por trás do Ember. A Meta não está tentando conquistar com ele a janela de conversa. Quer ser a chamada executada mil vezes por hora dentro do agente de outra empresa, enquanto um modelo maior faz o trabalho de raciocínio. Nesse papel, a conta depende de um número que nenhum fornecedor divulga: quantos tokens o modelo precisa para concluir a tarefa.

Tags: meta, Mark Zuckerberg, modelos de IA, Claude Haiku, Muse Ember