Muse Emberとは?Metaが発表した効率型モデルの正体
Muse Emberの基本情報
最小・最効率モデル
Meta Superintelligence Labsが2026年11月9日に発表。公式に『our smallest, most efficient model』と明記
用途
エージェントのツール呼び出し、コーディングのサブタスク、ルーティング、抽出、長い文書のパースを高速・安価に処理
LMArena首位
LMArenaが公式スレッドで効率型モデル部門の新リーダーと発表
Museブランド4番目
Spark(4月)、Glimmer(8月)、Wonder(10月)に続く位置づけ(TechCrunch)
分業設計
『Muse Wonder plans, Muse Ember handles the volume』。Wonderが計画、Emberが量をさばく
室谷代表取締役Muse Ember(ミューズ・エンバー)は、Meta Superintelligence Labsが2026年11月9日に発表した最小・最効率のAIモデルで、エージェントが日常的に繰り返すツール呼び出しやコーディングのサブタスク、文書の要約・抽出を高速かつ安価に処理できるモデルなんですよね。LMArenaが公式スレッドで、効率型モデル部門の新しいリーダーになったと発表しました。
テキトー教師DotAI 認定講師ここは整理しておきたいんですよ。発表したのはMeta Superintelligence Labsで、その性能を評価して「首位」と公表したのがLMArena。
主語を混ぜないのが大事です。TechCrunchによれば、MuseブランドとしてはSpark(4月)、Glimmer(8月)、Wonder(10月)に続く4番目のモデルという位置づけです。
主語を混ぜないのが大事です。TechCrunchによれば、MuseブランドとしてはSpark(4月)、Glimmer(8月)、Wonder(10月)に続く4番目のモデルという位置づけです。
室谷代表取締役Metaの公式サイトでは「Muse Ember」は『Efficient multimodal intelligence for everyday coding and agent workflows』と説明されていて、最新アップデートでも『our smallest, most efficient model』、つまり最小・最効率と明記されています。高ボリューム実行とマルチモーダル入力のために作られたモデル、というのが公式の言い分です。
テキトー教師DotAI 認定講師講座でもよく聞かれるんですが、「効率型モデル」って要はフロンティア級の巨大モデルより小さく、安く速く大量処理するためのモデルです。Metaの表現を借りれば、エージェントが一日中繰り返す作業、具体的にはツール呼び出し、コーディングのサブタスク、ルーティング、抽出、長い文書のパース。
地味だけど量がすごい部分を担当するんですね。
地味だけど量がすごい部分を担当するんですね。
室谷代表取締役面白いのは、Metaがこのモデルを単体で使う前提で作っていないことです。TechCrunchが紹介しているMetaの言葉が『Muse Wonder plans, Muse Ember handles the volume』。
Wonderが計画を立てて、Emberが量をさばく。この分業が設計思想の中心にあるんですよね。
Wonderが計画を立てて、Emberが量をさばく。この分業が設計思想の中心にあるんですよね。
テキトー教師DotAI 認定講師エージェントハーネス、という言葉で整理できます。重いモデルがルールや計画を作り、軽いモデルがそれを何万件ものケースに適用する。
カスタマーサポートのエージェントなら、上位モデルが対応方針を決めて、Emberが大量の問い合わせに同じ方針を当てはめていくイメージです。
カスタマーサポートのエージェントなら、上位モデルが対応方針を決めて、Emberが大量の問い合わせに同じ方針を当てはめていくイメージです。
Muse Emberでできること――文書・コーディング・ツール呼び出しでの実力
Muse Emberでできること(公式説明ベース)
マルチモーダル対応
テキスト・画像・音声など異なるメディアにまたがって訓練。スクリーンショット、チャート、スキャン文書を読み、ボイスメモ・会議録音・動画からも別モデルなしで動ける
コーディングのサブタスク
公式が用途として挙げる領域の一つ
ツール呼び出し
エージェントの処理を担う用途として公式が挙げる
文書の要約・抽出
ルーティングや長い文書のパースも含む(TechCrunch表現)
手直しがほとんど要らない結果
LMArenaは『results that need little to no fixing』を強みとし、ステアリングスコアで示すと分析
室谷代表取締役公式の説明で押さえるべきは、まずマルチモーダル対応です。TechCrunchによれば、MetaはEmberをテキスト・画像・音声といった異なるメディアにまたがって使えるように訓練したとしています。
Metaの言葉では『agents can read screenshots, charts, and scanned documents, or work from voice memos, meeting recordings, and video without a separate model』。スクリーンショット、チャート、スキャンした文書を読み、ボイスメモや会議録音、動画からも別モデルなしで動ける、と。
Metaの言葉では『agents can read screenshots, charts, and scanned documents, or work from voice memos, meeting recordings, and video without a separate model』。スクリーンショット、チャート、スキャンした文書を読み、ボイスメモや会議録音、動画からも別モデルなしで動ける、と。
テキトー教師DotAI 認定講師これは実務で効いてくるポイントなんですよ。これまで画像を読むモデル、音声を文字にするモデル、文書を要約するモデルを別々につないでいた処理が、1つのモデルで完結する可能性がある。
パイプラインが短くなれば、つなぎ目での取りこぼしも減ります。
パイプラインが短くなれば、つなぎ目での取りこぼしも減ります。
室谷代表取締役用途として公式が挙げているのは、コーディングのサブタスク、ツール呼び出し、文書の要約・抽出。TechCrunchの表現では、ルーティングや長い文書のパースも含まれます。
要するに、エージェントが一日中ぐるぐる回す処理の担当ですね。
要するに、エージェントが一日中ぐるぐる回す処理の担当ですね。
テキトー教師DotAI 認定講師ここで大事なのは『単に安いモデルが出た話じゃないんですよ』という点です。安くても出力を毎回直していたら、人間の時間が溶ける。
LMArenaが強調しているのはまさにそこなんです。
LMArenaが強調しているのはまさにそこなんです。
室谷代表取締役そう、LMArenaのスレッドは『Muse Ember's key strength is results that need little to no fixing』、つまり手直しがほとんど要らない結果を出せる点が強みだと書いています。何千もの実ユーザーセッションに基づく分析だとして、それをステアリングスコアという指標で示しているんですよね。
テキトー教師DotAI 認定講師ステアリングスコアは高いほどユーザーによる修正が少ないことを示す指標です。この数字の話は後の章で詳しくやりますが、文書タスクで特に差が開いているのが興味深いところです。
Muse Emberの料金とコスト効率――1タスク1.9セントの意味
Muse Emberと競合のタスク単価・速度比較
| モデル | Muse Ember (Max) | GPT-6 Luna (Max) | Claude Haiku 5.5 (High) |
|---|---|---|---|
| 1タスクあたりのコスト | 1.9セント | 7.0セント | 6.9セント |
| 1タスクあたりの時間 | 27秒 | 5.8分 | 1.9分 |
| Luna比の速度 | 約13倍速い | 基準 | ― |
| 入力100万トークン価格 | 10セント | ― | ― |
室谷代表取締役料金の話を整理しましょう。TechCrunchによれば、Emberは入力100万トークンあたり10セント。
これはHaikuやLunaといったフロンティア系の競合よりかなり安い、と報じられています。さらにDeepSeek V4.1 FlashやGLM 5.3 Flashといったオープンソース系の競合ともコスト競争力がある、というのがTechCrunchの指摘です。
これはHaikuやLunaといったフロンティア系の競合よりかなり安い、と報じられています。さらにDeepSeek V4.1 FlashやGLM 5.3 Flashといったオープンソース系の競合ともコスト競争力がある、というのがTechCrunchの指摘です。
テキトー教師DotAI 認定講師一方で、出力側の価格やコンテキスト長については、今回のソースでは確認できません。ここは受講生さんにも必ず言うようにしているんですが、入力価格だけ見て「安い」と判断するのは早いんですよ。
実際のタスク単価で見る必要があります。
実際のタスク単価で見る必要があります。
室谷代表取締役そのタスク単価の数字がLMArenaのスレッドにあります。Muse Emberは1タスクあたり1.9セント。
GPT-6 Lunaが7.0セント、Claude Haiku 5.5が6.9セントなので、どちらの3分の1未満ということになります。
GPT-6 Lunaが7.0セント、Claude Haiku 5.5が6.9セントなので、どちらの3分の1未満ということになります。
テキトー教師DotAI 認定講師ここは数字を並べておきましょう。
| モデル | 1タスクあたりの時間 | 1タスクあたりのコスト |
|---|---|---|
| Muse Ember (Max) | 27秒 | 1.9セント |
| GPT-6 Luna (Max) | 5.8分 | 7.0セント |
| Claude Haiku 5.5 (High) | 1.9分 | 6.9セント |
室谷代表取締役27秒と5.8分ですから、Lunaと比べると約13倍速い。LMArenaも『~13x faster than Luna』と書いています。
速い、安い、そして後で見ますが性能も上。この3つが同時に立っているのが今回のニュースの核心です。
速い、安い、そして後で見ますが性能も上。この3つが同時に立っているのが今回のニュースの核心です。
テキトー教師DotAI 認定講師さらにLMArenaは、成功したタスクの70%が2分未満、コスト5セント未満で完了したとも書いています。これは平均値ではなく分布の話なので、実務の感覚に近いんですよ。
多くのタスクはサクッと終わって、一部の重いタスクが平均を押し上げる。その裾野が短いほど、大量処理の見積もりが立てやすくなります。
多くのタスクはサクッと終わって、一部の重いタスクが平均を押し上げる。その裾野が短いほど、大量処理の見積もりが立てやすくなります。
室谷代表取締役MYUUUでもエージェントを回していて思うんですが、コスト見積もりって平均単価より『外れ値の重さ』に振り回されるんですよね。70%が2分・5セント未満で終わるという分布の形は、大量処理の設計においてかなり安心材料です。
Muse Ember vs GPT-6 Luna vs Claude Haiku 5.5 性能比較
室谷代表取締役性能の比較数字もLMArenaのスレッドに揃っています。Agent ArenaスコアのNet Improvementは、Muse Emberが+2.3%、GPT-6 Lunaが+1.4%、Claude Haiku 5.5が+0.4%。
ここでもEmberが上なんですよね。
ここでもEmberが上なんですよね。
テキトー教師DotAI 認定講師単に速くて安いだけの話じゃないんですよ。性能でも上回っている、というのがLMArenaの主張です。
ただしこれはAgent Arenaという特定の評価環境での数値であることは押さえておきたい。汎用的な知能の順位表ではないんです。
ただしこれはAgent Arenaという特定の評価環境での数値であることは押さえておきたい。汎用的な知能の順位表ではないんです。
室谷代表取締役そうですね。Agent Arenaは実タスクでのエージェント性能を競う評価環境で、LMArenaが運営しています。
実ユーザーのセッションに基づく評価なので、ベンチマークの点数というより『実際の仕事でどうだったか』に近い。その意味で、実務の参考度は高いと思います。
実ユーザーのセッションに基づく評価なので、ベンチマークの点数というより『実際の仕事でどうだったか』に近い。その意味で、実務の参考度は高いと思います。
テキトー教師DotAI 認定講師あと、比較の条件も正確に伝えておきたいです。EmberはMax、LunaはMax、HaikuはHighという設定での比較です。
同じモデルでも設定によって数字は変わるので、この条件を外して『Emberが全部勝ち』と一般化するのは乱暴なんですよ。
同じモデルでも設定によって数字は変わるので、この条件を外して『Emberが全部勝ち』と一般化するのは乱暴なんですよ。
室谷代表取締役そこは慎重に。あくまでLMArenaが公表したこの条件下の比較、という限定つきですね。
コーディングや推論の個別ベンチマークについては、今回のソースでは数値が示されていません。現時点では明らかにされていません、と正直に書くところです。
コーディングや推論の個別ベンチマークについては、今回のソースでは数値が示されていません。現時点では明らかにされていません、と正直に書くところです。
テキトー教師DotAI 認定講師関連する評価の話でいうと、Artificial AnalysisがMuse Emberを評価した記事もあります。詳しくはMuse Emberとは?Metaの効率モデルをArtificial Analysisが評価、Claude Haiku 5.5と同スコアでタスク単価3分の1で解説していますが、評価軸が違う複数の数字を並べて見ると、モデルの輪郭がつかみやすくなります。
Agent Arenaで見えた実利用の姿とステアリングスコアの差
室谷代表取締役ここが今回いちばん面白いところなんですよね。LMArenaはステアリングスコア、つまり『ユーザーの修正がどれだけ少なかったか』を出しています。
高いほど手直しが少ない。これが実務の価値に直結します。
高いほど手直しが少ない。これが実務の価値に直結します。
テキトー教師DotAI 認定講師数字を整理するとこうです。
- 経済的に価値のある仕事全体: Ember +11.2%、Luna +3.9%、Haiku +3.8%
- ソフトウェア・ITサービス: Ember +11.6%、Luna +5.0%、Haiku +6.3%
- 文書を伴うタスク: Ember +12.0%、Luna +0.4%、Haiku -0.1%
室谷代表取締役文書タスクの差がえぐいんですよ。Emberが+12.0%に対して、Lunaが+0.4%、Haikuが-0.1%。
LMArenaも『The gap is widest on document work』と書いています。
LMArenaも『The gap is widest on document work』と書いています。
テキトー教師DotAI 認定講師これは教育の現場の感覚とも合うんですよ。要約や抽出って、間違え方が地味なんです。
大きく崩れないけど、微妙にニュアンスがずれる。だから人間が全部読み直して直すことになる。
ステアリングスコアが高いというのは、その読み直しの手間が減るということです。
大きく崩れないけど、微妙にニュアンスがずれる。だから人間が全部読み直して直すことになる。
ステアリングスコアが高いというのは、その読み直しの手間が減るということです。
室谷代表取締役時給で考えたらインパクト大きいですよね。1タスク1.9セントで済んでも、出力を10分直したら人件費の方が高い。
『安いモデル』の価値は、モデル単価ではなく『人間の修正時間込みの総コスト』で測るべきなんですよ。LMArenaの分析はまさにそこを突いています。
『安いモデル』の価値は、モデル単価ではなく『人間の修正時間込みの総コスト』で測るべきなんですよ。LMArenaの分析はまさにそこを突いています。
テキトー教師DotAI 認定講師実際にユーザーが何を動かしているかもスレッドに書かれています。SEOの商品リスティング用コピー、プルリクエストのレビュー、顧客向けの税法レポート、さらには不審ファイルのマルウェアチェックまで。
かなり幅広い実務です。
かなり幅広い実務です。
室谷代表取締役マルウェアチェックまでやってるのは驚きですけど、要は『判断は重いモデルや人間がやって、下調べや一次処理をEmberがやる』という形なんですよね。税法レポートも、最終確認は専門家がやるとして、下書きの段階をEmberが担う。
この分担が現実的だと思います。
この分担が現実的だと思います。
テキトー教師DotAI 認定講師Agent Arenaの評価環境そのものについては、Agent Arenaとは?LMArenaが性能×コスト×待ち時間の効率表示を追加で解説しています。性能だけでなくコストと待ち時間を並べて見る、という発想が今回のEmber評価の土台になっています。
Muse Emberの使い方・始め方と大型モデルとの使い分け
室谷代表取締役使う側の話をしましょう。Metaの開発者向けページを見ると、Muse EmberはMeta Model APIから使えるモデルとして並んでいます。
既存のOpenAI SDK互換のクライアントをMeta Model APIに向ければ、最初のリクエストは5分以内で動く、というクイックスタートが用意されているんですよね。
既存のOpenAI SDK互換のクライアントをMeta Model APIに向ければ、最初のリクエストは5分以内で動く、というクイックスタートが用意されているんですよね。
テキトー教師DotAI 認定講師提供経路としては、Meta Model APIの直接利用に加えて、OpenRouter経由で既存ツールにMuseモデルを差し込む形、Google Cloud経由のエンタープライズ利用も案内されています。既存のワークフローに載せ替えやすい構成です。
室谷代表取締役ターミナルで使うマルチエージェントのコーディング環境としてMuse Codeもあります。ただ、そちらの説明はMuse WonderとMuse Spark向けと書かれているので、Emberをそこに組み込む前提かどうかは、現時点では明らかにされていません。
テキトー教師DotAI 認定講師使い分けの原則はMeta自身が言っています。Wonderが計画し、Emberが量をさばく。
だからEmber単体で難しい推論をさせるのではなく、上位モデルの計画のもとで大量の処理を回す。この分業で組むのが基本線です。
だからEmber単体で難しい推論をさせるのではなく、上位モデルの計画のもとで大量の処理を回す。この分業で組むのが基本線です。
室谷代表取締役実際、MetaのページでもMuse Wonderはフロンティアのコーディングや長時間動くエージェント、高度なコンピュータ操作を担うモデルとして説明されています。一方のEmberは日常のコーディングとエージェントワークフロー向けの効率的なマルチモーダル知能。
役割がはっきり分かれているんですよ。
役割がはっきり分かれているんですよ。
テキトー教師DotAI 認定講師乗り換え判断でいうと、いま大量のタスクを回していて『出力の手直しに時間を取られている』と感じているなら、Emberは検証する価値があります。逆に、1回の判断の質がすべてを決めるような重いタスクは、上位モデルに残す。
この線引きが現実的だと思います。
この線引きが現実的だと思います。
室谷代表取締役ローカルで動かす系の選択肢については、OpenAIのオープンモデル「gpt-oss-120b」のスペックと性能、ローカルでの動かし方のような記事も参考になります。Ember自体のローカル提供については、今回のソースでは確認できていません。
テキトー教師DotAI 認定講師あと、講座で必ず言うのは『速いモデルは試行回数を増やせる』ということです。27秒で1タスク返ってくるなら、プロンプトを3パターン試して比べるのも現実的。
この試行回数の差が、最終的な成果物の質に効いてくるんですよ。
この試行回数の差が、最終的な成果物の質に効いてくるんですよ。
室谷代表取締役そういう意味では、速さは単なる効率ではなく、使い方の幅を広げる要素なんですよね。MYUUUでも、まず安く速いモデルで回して、引っかかった案件だけ重いモデルにエスカレーションする形が増えています。
Emberはその前段に向いたモデルだと思います。
Emberはその前段に向いたモデルだと思います。
よくある質問
室谷代表取締役最後に、よく聞かれる点を整理しておきましょう。
テキトー教師DotAI 認定講師まず基本情報から。Muse Emberは誰がいつ発表したんですか、という点です。
室谷代表取締役Meta Superintelligence Labsが2026年11月9日に発表した、同社で最小・最効率のモデルです。エージェントが繰り返すツール呼び出し、コーディングのサブタスク、文書の要約・抽出のために設計されています。
テキトー教師DotAI 認定講師料金はどうなのか。入力100万トークンあたり10セントというのがTechCrunchの報じた数字です。
出力側の価格とコンテキスト長は、今回のソースでは確認できていません。
出力側の価格とコンテキスト長は、今回のソースでは確認できていません。
室谷代表取締役タスク単価で見ると、LMArenaの評価では1タスク1.9セント。GPT-6 Lunaが7.0セント、Claude Haiku 5.5が6.9セントなので、3分の1未満です。
テキトー教師DotAI 認定講師マルチモーダルはどこまで対応しているのか。テキスト・画像・音声を単一モデルで扱えるとMetaは説明しています。
スクリーンショット、チャート、スキャン文書の読解や、ボイスメモ・会議録音・動画からの作業が、別モデルなしでできるとされています。
スクリーンショット、チャート、スキャン文書の読解や、ボイスメモ・会議録音・動画からの作業が、別モデルなしでできるとされています。
室谷代表取締役性能比較はどうか。Agent ArenaのNet ImprovementはEmber +2.3%、Luna +1.4%、Haiku +0.4%。
速度は1タスク27秒で、Lunaの5.8分、Haikuの1.9分を大きく上回ります。
速度は1タスク27秒で、Lunaの5.8分、Haikuの1.9分を大きく上回ります。
テキトー教師DotAI 認定講師手直しの少なさを示すステアリングスコアは、経済的に価値のある仕事全体でEmber +11.2%、Luna +3.9%、Haiku +3.8%。文書タスクではEmber +12.0%に対し、Luna +0.4%、Haiku -0.1%と差が開きます。
室谷代表取締役始め方は、Meta Model APIが基本です。OpenAI SDK互換のクライアントを向けるクイックスタートが用意されていて、OpenRouterやGoogle Cloud経由の利用も案内されています。
テキトー教師DotAI 認定講師大型モデルとの使い分けは、Wonderが計画し、Emberが量をさばくという分業です。重い判断は上位モデル、大量の処理はEmber。
この組み合わせでコストを最適化するのがMetaの想定です。
この組み合わせでコストを最適化するのがMetaの想定です。
室谷代表取締役というわけで、今回のニュースは『安くて速いモデルが出た』ではなく、『手直しの少なさ』という実務の価値軸で効率型モデルを選ぶ時代に入った、という話なんですよね。ここは現場感覚で要チェックだと思います。
