메타 뮤즈 엠버 공개…20만 토큰 넘으면 단가 3배
편집·검토: AI Ping 편집팀
3줄 요약
- 반복 도구 호출·코딩 작업용 새 모델을 API와 Muse Code에 공개했다.
- API 입력이 20만 토큰을 넘으면 요청 전체에 긴 문맥 요율을 적용한다.
- 텍스트·이미지·동영상·음성·PDF를 입력받고 텍스트를 출력한다.
메타가 11월 9일 반복적인 AI 에이전트 작업을 맡는 ‘뮤즈 엠버(Muse Ember)’를 공개했다. 도구 호출, 작은 코드 수정, 요청 분류, 문서에서 정보 뽑기처럼 한 세션 안에서 여러 번 실행하는 작업을 겨냥한 모델이다. Meta Model API와 터미널 코딩 도구 Muse Code에서 제공하며, 메타는 Muse Wonder Full을 활용해 훈련한 첫 모델이라고 밝혔다.
API는 입력이 20만 토큰 이하일 때 100만 토큰당 캐시 미적용 입력 0.10달러·출력 0.50달러다. 이를 넘기면 각각 0.30달러·1.50달러로 단가가 세 배가 된다. 반복 호출 비용은 요청 길이에 따라 달라진다.
긴 대화와 추론도 비용에 반영
입력 길이에는 캐시와 이어받은 대화 이력이 포함된다. 경계를 넘으면 초과분만이 아니라 요청 전체에 높은 요율을 적용한다. 별도로 API는 최근 요청과 일치하는 프롬프트 앞부분을 자동으로 재사용해 입력 비용과 첫 응답 대기 시간을 줄인다. 공통 지시문이나 예시를 앞에 두고 서로 다른 요청 내용을 뒤에 두는 방식이 재사용 범위를 늘린다고 캐시 문서는 설명한다. 응답에는 실제 캐시에서 처리한 입력량이 표시된다.
추론 강도도 출력 비용을 바꾼다. 엠버의 기본값은 여섯 단계 중 가장 높은 ‘max’이며, 메타 문서는 강도를 높일수록 추론 토큰과 지연·비용이 늘어난다고 설명한다. 내부 추론 토큰은 사용자에게 보이는 답변과 함께 출력 한도를 차지하고 같은 출력 단가로 청구된다. 따라서 최대 출력 토큰 수 전체를 최종 답변 길이로 볼 수는 없다.
엠버의 문맥 창은 1,048,576토큰, 최대 출력은 524,288토큰이다. 입력으로 글·이미지·동영상·음성·PDF를 받고 결과는 텍스트로 반환한다. 메타가 소개한 이용 범위에는 많은 이미지와 문서에 같은 분류·추출 작업을 반복하는 경우가 포함된다. 문서에는 정해진 구조로 답을 내는 기능, 검색 근거 연결, 화면을 보고 컴퓨터를 조작하는 기능도 지원한다고 적혔다.
개발자는 기존 뮤즈 스파크용 요청 형식을 유지하면서 모델 ID를 ‘muse-ember-1.0’으로 선택할 수 있다. 지원 창구는 Responses, Chat Completions, Messages API다. 메타의 API 개요는 직접 만든 앱·에이전트에서 호출하는 방식과, 터미널에서 준비된 코딩 에이전트인 Muse Code를 쓰는 방식을 함께 제시한다. 엠버는 API 종량제와 Muse Code의 모든 구독 요금제에서 제공된다. 구독에서도 입력이 20만 토큰을 넘는 요청은 요금제 사용량을 더 빨리 소모한다고 메타는 설명했다. 문서가 구독 사용량에 적용할 고정 배수를 제시하지는 않았다.
독립 평가업체 Artificial Analysis는 11월 9일 공개한 평가에서 엠버의 최고 추론 설정이 Intelligence Index 36점, 지수 과제당 비용 약 0.14달러를 기록했다고 밝혔다. 같은 점수의 클로드 하이쿠 5.5 최고 설정은 약 0.41달러였다. 여기서 과제당 비용은 해당 평가의 입력·출력 사용량과 가격에 따른 결과로, 모든 실제 업무의 처리비를 뜻하지 않는다.
코딩 결과에는 차이도 있었다. 같은 평가의 FrontierCode 2.0에서 엠버는 27.2%, 하이쿠 5.5는 34.9%였다. Artificial Analysis는 엠버의 지식 평가 정확도가 21.1%였고 질문의 64%에 답변을 유보했다고 분석했다.
메타의 모델 선택 문서는 큰 모델이 전체 계획을 세우고 엠버가 범위가 정해진 하위 작업을 수행하는 구성을 제시한다. 여러 파일을 고치는 복잡한 개발이나 긴 작업의 주 실행에는 Wonder를, 반복 분류·도구 호출·하위 코딩 작업에는 Ember를 배치하는 식이다. 지식 중심 질문과 어려운 단발성 코딩 문제의 권장 모델은 Spark 또는 Wonder다.
이용 경로별 데이터 설정도 다르다. API의 엠버는 Standard 모드로만 제공된다. Muse Code 구독은 콘텐츠를 향후 메타 모델 훈련에 활용하도록 허용하고 더 많은 사용량을 받는 Contributor 모드가 기본이다. 구독 문서에 따르면 이 설정을 끄면 다음 요청부터 변경이 적용되며, 다시 켜기 전까지 이후 콘텐츠는 모델 훈련에 쓰이지 않는다. 설정은 사용 중인 컴퓨터에 저장돼 기기를 바꾸면 각각 적용해야 한다.
출처
- Introducing Our Smallest, Most Efficient Model: Muse Ember — Meta AI
- Pricing and rate limits — Muse Ember tiers — Meta Model API Docs
- Muse Ember — specifications and availability — Meta Model API Docs
- Reasoning — default effort and billed output — Meta Model API Docs
- Overview — Meta Model API and Muse Code — Meta Model API Docs
- Meta’s Muse Ember is the cheapest model scoring 36 on the Intelligence Index — Artificial Analysis
- Choose a model — workload allocation — Meta Model API Docs
- Muse Code subscriptions — Contributor mode — Meta Model API Docs
- Prompt caching and token counting — repeated prefixes — Meta Model API Docs
