---
title: 'Muse Ember face à Claude Haiku 5.5 et GPT-6 Luna : prix, benchmarks et limites'
description: 'Meta annonce Muse Ember comme son modèle le plus petit et le plus efficace, à environ un tiers du coût par tâche de Claude Haiku 5.5. Prix, benchmarks et limites face à Haiku 5.5 et GPT-6 Luna.'
pubDate: 2026-11-09
family: 'intelligence-artificielle'
tags: []
heroImage: '/images/muse-ember-face-a-claude-haiku-5-5-et-gpt-6-luna.webp'
videoUrl: 'https://www.youtube.com/watch?v=w1jN6KKpsSA'
faq:
  - question: 'Muse Ember est-il vraiment trois fois moins cher que Claude Haiku 5.5 ?'
    answer: "Le facteur trois porte sur le coût par tâche, pas sur le prix au token. Meta annonce 0,10 dollar par million de tokens en entrée et 0,50 dollar en sortie, pour un coût d'environ 0,14 dollar par tâche sur l'Intelligence Index d'Artificial Analysis. Le rapport dépend du réglage d'effort de raisonnement et de la tâche mesurée, et les chiffres de coût du graphique d'Artificial Analysis sont des estimations aux tarifs proposés."
  - question: 'Peut-on utiliser Muse Ember dans Claude Code ?'
    answer: "Non. Muse Ember est servi par Meta sur le Meta Model API sous l'identifiant muse-ember-1.0, et sur Muse Code, l'outil de code de Meta. Il prend en charge la Responses API, mais n'est pas proposé sur la plateforme Anthropic. Il peut en revanche jouer le rôle de sous-agent économique dans un agent construit autour de l'API Meta, avec un modèle plus fort pour la planification."
---

Meta a présenté le 9 novembre 2026 **Muse Ember**, son modèle le plus petit et le plus efficace, taillé pour le travail que les agents répètent toute la journée : appels d'outils, sous-tâches de code, routage, extraction et lecture de longs documents. La vidéo ci-dessous le place face à **Claude Haiku 5.5** et **GPT-6 Luna** sur les prix, les benchmarks et les cas où il reste un mauvais choix.

Précision de méthode : la transcription automatique de la vidéo n'a pas pu être récupérée depuis ce serveur, YouTube bloquant la requête. Le contenu de cet article s'appuie donc sur la description officielle complète de la vidéo et sur l'[annonce de Meta](https://research.meta.ai/blog/muse-ember) publiée le même jour. Les chiffres de benchmarks sont ceux publiés par Meta (évaluations Artificial Analysis et évaluations internes) : ils sont documentés ici, pas rejoués pour cet article.

## Ce que Meta annonce

La promesse tient en une phrase : « plus d'intelligence par dollar » que Claude Haiku 5.5 ou GPT-6 Luna, à n'importe quel réglage d'effort de raisonnement. Concrètement, Meta affirme que Muse Ember **égale le meilleur score de Haiku pour environ un tiers du coût**, et bat Luna à tous ses réglages. Le modèle est présenté comme situé sur la frontière d'efficacité du classement complet d'Artificial Analysis, c'est-à-dire qu'aucun modèle ne marque plus haut pour un coût par tâche inférieur.

Le positionnement est clair : Muse Ember n'est pas un modèle de raisonnement lourd, mais le moteur d'exécution d'un agent. Meta insiste sur les étapes petites et structurées, qui consomment l'essentiel des tokens d'un agent, plutôt que sur les problèmes ouverts.

## Prix et coût par tâche

Les tarifs annoncés sur le Meta Model API sont de **0,10 dollar par million de tokens en entrée**, **0,004 dollar par million de tokens d'entrée mis en cache** et **0,50 dollar par million de tokens en sortie**. Ces prix valent pour les prompts jusqu'à 200 000 tokens ; au-delà, Meta annonce 0,30 dollar en entrée, 0,012 dollar pour l'entrée en cache et 1,50 dollar en sortie.

Le chiffre mis en avant par Meta est ailleurs : environ **0,14 dollar par tâche** sur l'Intelligence Index d'Artificial Analysis, un coût suffisamment bas pour tourner dans tous les produits. C'est cette mesure, et non le prix au token, qui soutient le « trois fois moins cher que Claude ». Les points du graphique d'Artificial Analysis correspondent à chaque réglage d'effort (high, max, xhigh) et les coûts y sont des **estimations aux tarifs proposés** — un détail qui compte si tu compares avec des prix définitifs.

Deux éléments de contexte utiles :

- le modèle s'appelle `muse-ember-1.0` et prend en charge la Responses API ;
- il complète une gamme à trois niveaux : **Muse Wonder** pour les problèmes les plus durs, **Muse Spark** pour le code et les workflows agentiques, **Muse Ember** pour les tâches répétables à l'échelle.

## Les benchmarks face à Haiku 5.5 et GPT-6 Luna

Les évaluations publiées par Meta, au réglage d'effort maximal, donnent Muse Ember devant sur la plupart des axes agentiques :

- **AutomationBench-AA** (workflows métier de bout en bout) : Muse Ember 37,8 % contre 20,2 % pour GPT-6 Luna et 13,9 % pour Claude Haiku 5.5.
- **Agents' Last Exam** (tâches d'agent de bout en bout, sous-ensemble Linux) : 61,6 % contre 57,1 % et 57,0 %.
- **Terminal-Bench 4.0** (code agentique en terminal) : 40,9 % contre 39,2 % pour Haiku et 16,4 % pour Luna.
- **Coding Agent Index-AA** (code dans de vrais harnais d'agent) : 46 contre 37 et 31.
- **GDP.pdf-AA** (travail professionnel sur de longs documents) : 22,8 % contre 22,8 % et 20,8 %.
- **OSWorld 2.1** (usage d'un ordinateur via des applications de bureau) : 69,5 % contre 68,9 % et 50,5 %, en score partiel.
- **PerceptionBench** (perception visuelle fine, avec outils) : 80,6 % contre 78,6 % et 62,8 %.
- **General Artificial Analysis Index** : 36 pour Muse Ember, 36 pour Haiku 5.5, 28 pour GPT-6 Luna.

Un résultat va dans l'autre sens et mérite d'être cité : sur **FrontierCode 2.0-AA**, qui juge si les modifications de code seraient fusionnées par les mainteneurs de dépôts open source, c'est **Claude Haiku 5.5 qui passe devant** avec 34,9 %, contre 27,2 % pour Muse Ember et 25,2 % pour GPT-6 Luna. Meta l'affiche lui-même dans sa page : sur les tâches d'ingénierie évaluées à la mergeabilité, le petit modèle de Meta n'est pas le meilleur.

La comparaison interne de Meta avec **Muse Spark 1.3** est instructive : Muse Spark marque 37 sur l'Intelligence Index contre 36 pour Muse Ember, mais son coût par tâche est de 2,39 dollars contre 0,14 dollar, pour un tarif de 1,25 dollar en entrée et 4,25 dollar en sortie. Autrement dit, un point d'indice supplémentaire coûte environ dix-sept fois plus cher.

## Pourquoi les classements changent selon le test

Le message le plus utile de la vidéo est aussi le plus facile à ignorer : **les benchmarks ne mesurent pas tous la même chose**. Trois nuances ressortent des notes de Meta.

D'abord, les harnais diffèrent. Sur Terminal-Bench 4.0, chaque modèle tourne dans son meilleur harnais publié : mini-swe-agent pour Muse Ember, Claude Code pour Claude Haiku 5.5 et Codex pour GPT-6 Luna. Comparer ces scores, c'est comparer un couple modèle + outil, pas le modèle seul.

Ensuite, la méthode de notation change le résultat. OSWorld 2.1 est noté en **score partiel** pour Muse Ember, ce qui explique en partie l'écart avec les scores binaires affichés pour les concurrents. PerceptionBench est noté **avec outils**, et Agents' Last Exam provient d'une évaluation interne à Meta sur un sous-ensemble Linux.

Enfin, la nature de la tâche départage les modèles. Un benchmark qui récompense la mergeabilité du code (FrontierCode) ou une perception visuelle fine (PerceptionBench) ne classe pas les modèles comme un test de workflows métier (AutomationBench). Le bon critère n'est donc pas le score global, mais la ligne du benchmark qui ressemble à ton usage réel.

## Multimodalité et fenêtre de contexte

Muse Ember comprend nativement **texte, images, audio et vidéo**. Un agent peut donc lire des captures d'écran, des graphiques et des documents scannés, ou partir de mémos vocaux, de réunions enregistrées et de vidéos sans passer par un modèle séparé. Meta ajoute que le modèle peut opérer un ordinateur directement depuis des captures d'écran.

La fenêtre de contexte est annoncée à **1 million de tokens**, avec jusqu'à **512 000 tokens en sortie**. En pratique, cela permet de charger un dépôt de code ou un ensemble de documents en un seul appel, ce qui est cohérent avec l'usage visé : lire beaucoup, décider peu, agir souvent.

## Utiliser Muse Ember comme sous-agent

La recommandation de Meta est explicite : pour les problèmes les plus durs, **associe Muse Ember à Muse Wonder**. Le second planifie, le premier absorbe le volume. C'est la configuration classique d'un agent à deux niveaux, où un modèle de raisonnement fort orchestre un modèle rapide et bon marché qui exécute.

Les retours de partenaires cités par Meta vont dans ce sens : Cline décrit Muse Ember comme « conçu pour, et excellent à, un travail de sous-agent comme le code et l'analyse de documents », et Cloudflare note une exécution jusqu'à 30 % plus rapide en queue qu'un modèle comparable. Ces témoignages sont des retours de partenaires publiés par Meta, pas des mesures indépendantes.

Muse Ember est disponible aujourd'hui sur **Muse Code** et le **Meta Model API**, et la gamme Muse Ember / Muse Spark / Muse Wonder est annoncée sur Google Cloud et Oracle Cloud.

## Limites et points de vigilance

- **Le « trois fois moins cher » est un coût par tâche**, calculé aux tarifs proposés et sur une échelle précise (Intelligence Index v5, 9 novembre 2026). Sur d'autres charges de travail, le rapport peut s'inverser, comme sur FrontierCode.
- **Une partie des benchmarks est interne à Meta** : Agents' Last Exam (sous-ensemble Linux), OSWorld 2.1 (score partiel) et PerceptionBench (avec outils) sont des évaluations maison, pas des classements tiers.
- **Le meilleur harnais est choisi par modèle** sur Terminal-Bench 4.0, ce qui empêche de lire le score comme une mesure du modèle isolé.
- **La frontière d'efficacité est auto-déclarée** : le titre « aucun modèle ne marque plus haut pour moins par tâche » vient de Meta, même s'il s'appuie sur des données Artificial Analysis.
- **Le modèle n'est pas disponible chez Anthropic.** Tu l'appelles depuis l'API de Meta ; Claude Haiku 5.5 et GPT-6 Luna restent les options si ton agent tourne déjà sur ces plateformes.

## À retenir

Muse Ember n'est pas présenté comme le modèle le plus intelligent, mais comme celui qui rend un agent économiquement viable : un coût par tâche bas, un million de tokens de contexte, du multimodal natif et de bons scores sur les benchmarks d'automatisation. Le point à retenir de la vidéo est la méthode de choix : regarde le benchmark qui ressemble à ton usage — workflows métier, code, vision ou documents — plutôt que le classement global.

Pour le déroulé complet, les chiffres commentés et le verdict sur Claude Haiku 5.5, regarde la vidéo.

## Questions fréquentes

**Muse Ember est-il vraiment trois fois moins cher que Claude Haiku 5.5 ?**

Le facteur trois porte sur le coût par tâche, pas sur le prix au token. Meta annonce 0,10 dollar par million de tokens en entrée et 0,50 dollar en sortie, pour un coût d'environ 0,14 dollar par tâche sur l'Intelligence Index d'Artificial Analysis. Le rapport dépend du réglage d'effort de raisonnement et de la tâche mesurée, et les chiffres de coût du graphique d'Artificial Analysis sont des estimations aux tarifs proposés.

**Peut-on utiliser Muse Ember dans Claude Code ?**

Non. Muse Ember est servi par Meta sur le Meta Model API sous l'identifiant muse-ember-1.0, et sur Muse Code, l'outil de code de Meta. Il prend en charge la Responses API, mais n'est pas proposé sur la plateforme Anthropic. Il peut en revanche jouer le rôle de sous-agent économique dans un agent construit autour de l'API Meta, avec un modèle plus fort pour la planification.