Am 9. November 2026 hat Meta Muse Ember vorgestellt, nach eigenen Angaben sein kleinstes und effizientestes Modell^[1]. Heise berichtete am 10. November um 11:25 Uhr^[2], The Decoder bereits am Vortag^[3]. Ember soll Routinearbeit in KI-Agenten übernehmen, also in KI-Systemen, die selbstständig Werkzeuge bedienen und Arbeitsschritte erledigen. Für welche Aufgaben taugt so ein kleines Modell, und wo nicht (Stand: 10.11.2026)?

Meta nennt als Einsatzgebiete Werkzeugaufrufe, Programmier-Teilaufgaben, Routing, also das Weiterleiten von Anfragen, Datenextraktion und das Auswerten langer Dokumente^[1]. Ember liest Text, Bilder, Audio, Video und PDFs, antwortet aber nur mit Text^[4]. Pro Anfrage verarbeitet es gut eine Million Token, also Wortbausteine, nach denen abgerechnet wird^[4].

Trainiert wurde Ember laut Meta mithilfe des Spitzenmodells Muse Wonder Full^[1][2]. Die Modellgewichte sind nicht öffentlich^[2], ein Betrieb auf eigenen Servern scheidet aus; Alternativen dafür zeigt unser Vergleich von lokaler KI und US-Cloud. Erhältlich ist Ember über Metas Model API, Metas Programmierwerkzeug Muse Code und den Marktplatz OpenRouter^[2], laut Meta auch über Google Cloud und Oracle Cloud^[1].

Beim Listenpreis der Programmierschnittstelle (API) liegen die drei kleinen Modelle gleichauf: Muse Ember, Claude Haiku 5.5 und GPT-6 Luna kosten laut Herstellern je 0,10 US-Dollar pro Million Token Eingabe und 0,50 US-Dollar Ausgabe^[5][6][7]. Für das Lesen zwischengespeicherter Eingaben (Cache), die ein Agent immer wieder mitschickt, verlangt Ember 0,004 US-Dollar, die beiden anderen 0,01 US-Dollar^[5][6][7]. Das ist 60 Prozent günstiger, und in Agenten-Tests macht der Cache laut Artificial Analysis den Großteil der Kosten aus^[8]. Preise größerer Modelle stehen in unserem Modellvergleich vom 8. November.

Aussagekräftiger sind die Kosten pro Aufgabe, ermittelt vom Analyseunternehmen Artificial Analysis (AA) auf der höchsten Denkstufe. Ember erzeugt laut AA nur etwa ein Drittel so viele Ausgabe-Token wie Haiku 5.5^[8]. Die Werte sind Durchschnitte aus Testaufgaben, kein Preis für Ihren Vorgang:

Benchmarks sind standardisierte Vergleichstests. Im Intelligence Index von AA, einem Gesamtwert aus mehreren Tests, erreicht Ember gerundet 36 Punkte wie Haiku 5.5 und ist damit laut AA das günstigste getestete Modell mit gerundet mindestens 36 Punkten^[8]. GPT-6 Luna kommt laut Meta auf 28^[1].

Im Coding Agent Index, der Modelle zusammen mit ihrer Agenten-Software prüft, führt Ember in Muse Code mit 46 Punkten vor Haiku 5.5 in Claude Code (37) und Luna in Codex (31). Im Programmiertest FrontierCode 2.0 liegt dagegen Haiku 5.5 mit 34,9 zu 27,2 Prozent vorn^[8].

Im AutomationBench-AA, der Geschäftsabläufe in nachgebildeten Anwendungen wie Gmail oder Salesforce prüft, erreicht Ember 68,1 Prozent, gleichauf mit Metas größerem Modell Muse Wonder^[8]. Gezählt werden erledigte Teilziele, eine Aufgabe mit Regelverstoß zählt null^[9]. Vollständig erledigt hat Ember laut Meta nur 37,8 Prozent der Aufgaben^[1].

Laut AA ist Faktenwissen Embers Hauptschwäche^[8]. Im Wissenstest AA-Omniscience, Version 1.1 mit 3.000 Fragen^[10], beantwortete Ember 21,1 Prozent richtig, Haiku 5.5 34,7 Prozent. Bei 64 Prozent der Fragen enthielt sich Ember, sagte also sinngemäß „weiß ich nicht“^[8].

Die Halluzinationsrate, also der Hang zum Erfinden, liegt bei 17,4 Prozent, laut AA halb so hoch wie bei Haiku 5.5^[8]. Sie misst den Anteil falscher Antworten an allen nicht korrekt beantworteten Fragen, Enthaltungen eingeschlossen^[10]. Heißt: Weiß Ember etwas nicht, gibt es das meistens zu. Von den gegebenen Antworten sind aber rechnerisch rund 40 Prozent nicht korrekt^[8].

Für Agenten ist das brauchbar, solange die Fakten nicht aus dem Modell kommen müssen. Kundendaten, Preislisten oder Verträge gehören in den Kontext, etwa über Retrieval, das gezielte Nachschlagen in eigenen Datenbeständen. Und jede Enthaltung braucht einen Ausweg: ein größeres Modell oder einen Menschen.

Meta grenzt die Einsatzgebiete selbst ab^[4]:

Das Prinzip zeigt eine Fallstudie vom 9. November ohne Ember: Ein Amazon-Team ersetzte beim Einsortieren interner Tickets Claude Sonnet 4.6 durch das kleine Entscheidungsmodell Strands Decider E4B. Die modellbezogenen Kosten sanken nach eigener Rechnung um rund 98 Prozent, auf Basis von Listenpreisen und Auslastungsannahmen, nicht alle Infrastrukturkosten eingerechnet^[11]. Das Modell wählt nur zwischen vorgegebenen Antworten, und die Studie stammt vom Team hinter dem Modell, ohne unabhängige Prüfung^[11].

Meta empfiehlt für die schwierigsten Aufgaben ein Gespann: Muse Wonder plant, Ember erledigt die Masse^[1]. Auch Anthropic empfiehlt Haiku 5.5 für eng umrissene Aufgaben und als Subagent, also untergeordneten Agenten, neben größeren Modellen^[6]. Ob sich ein Agent überhaupt rechnet, steht in KI-Agenten in der Praxis. So gehen Sie vor:

Vertragspartner für Kunden in der europäischen Region ist bei Metas Model API die Meta Platforms Ireland Limited^[12]. Deutschland und die EU stehen nicht auf Metas Sperrliste; zugreifen darf man laut Richtlinie vom 12. Oktober aber nur, wo Meta freigeschaltet hat, und Ember fehlt dort noch in der Modellübersicht^[13]. Einen Verarbeitungsort nennt Meta in den geprüften Unterlagen nicht^[4][12]. Google Cloud bietet Ember als Vorschauversion nur über einen globalen Zugangspunkt an^[14], OpenRouter noch nicht mit EU-internem Routing^[15].

Über die API gibt es Ember nur im Standardmodus^[5]: Meta nutzt die Inhalte dann laut Nutzungsbedingungen nicht zum Training und handelt als Auftragsverarbeiter; Telemetrie sowie Sicherheits- und Missbrauchsprüfungen bleiben möglich^[12]. In Abos des Programmierwerkzeugs ist dagegen der Contributor-Modus voreingestellt, in dem Meta Inhalte zum Training nutzen darf. Die Umstellung im Konto gilt nur für künftige Eingaben, und sensible, vertrauliche oder personenbezogene Daten dürfen laut Meta dort nicht hinein^[12].

Ob Ihr Einsatz datenschutzkonform ist, bleibt eine Prüfung im Einzelfall; dies ist kein Rechtsrat.