Meta Superintelligence Labs는 Muse 제품군 중 가장 작은 AI 모델인 Muse Ember를 공개했습니다. 이 모델은 디지털 에이전트(AI Agents)의 실행 엔진으로 작동하도록 특별히 개발되었으며, 간단한 코드 작성, 문서 데이터 추출, 고객 요청 분류 등 워크플로우 내의 반복적이고 구체적인 작업을 대형 모델 대비 매우 낮은 운영 비용으로 수행하는 데 중점을 둡니다.
계획 및 실행 전략: 모델 간 통합
메타의 새로운 철학은 인공지능의 수준을 나누어 업무를 분담하는 것입니다. 이 시스템에서 Muse Wonder나 Muse Spark와 같은 대형 모델은 전략적 계획과 복잡한 의사결정을 담당합니다. 예를 들어, Wonder 모델이 고객의 환불 정책을 결정하면, Muse Ember는 수천 건의 요청에 대해 해당 규칙을 실행하고, 주문 기록을 확인하며, 인간의 개입이 필요한 사례를 관련 팀에 전달합니다.
이러한 '계획하는 두뇌'와 '실행하는 근육'의 분리는 개발자의 전체 비용을 절감하기 위한 것입니다. 일상적인 작업에 소형 모델을 사용하면 모든 단계마다 거대 모델을 사용하는 것보다 각 작업(Inference)의 비용을 크게 줄일 수 있기 때문입니다.
기술적 역량 및 멀티모달 기능
Muse Ember는 텍스트 처리뿐만 아니라 멀티모달(Multimodal) 기능을 갖추고 있어 이미지, 오디오, 비디오, PDF 파일을 입력받아 텍스트 출력을 생성할 수 있습니다. 이는 스캔된 청구서에서 결제 날짜를 추출하거나 음성 회의 녹취록에서 핵심 업무 내용을 요약하는 등의 작업에 이상적입니다.
- 컨텍스트 윈도우(Context Window): 최대 100만 토큰까지 지원하여 한 번의 요청으로 방대한 문서나 코드 베이스를 검토할 수 있습니다.
- 출력 제한: 모델은 응답당 최대 52만 4천 토큰을 생성할 수 있습니다.
벤치마크 테스트에서의 비용 및 성능
메타는 Meta Model API와 Muse Code를 통해 경쟁력 있는 가격 구조를 제시했습니다. 입력 100만 토큰당 비용은 0.10달러(20만 토큰 이하 요청 시)에서 시작하며, 출력 100만 토큰당 비용은 0.50달러입니다. 요청이 20만 토큰을 초과할 경우 가격은 입력 0.30달러, 출력 1.50달러로 조정됩니다.
테스트 결과 Muse Ember는 특정 분야에서 두각을 나타냈습니다. 다단계 프로세스를 측정하는 AutomationBench-AA 테스트에서 이 모델은 37.8%의 성공률을 기록하여 OpenAI의 GPT-6 Luna(20.2%)와 Anthropic의 Claude Haiku 5.5(13.9%)를 앞섰습니다. 반면, 프로그래밍 테스트인 FrontierCode 2.0-AA에서는 Claude Haiku 5.5가 34.9%로 Muse Ember의 27.2%보다 높은 성능을 보였습니다.
실질적인 변화
Muse Ember의 출시는 AI 애플리케이션 구축 방식의 전환을 의미합니다. 모든 작업을 수행하기 위해 크고 비싼 단일 모델에 의존하는 대신, 개발자들은 하이브리드 인프라로 이동하고 있습니다. 이러한 접근 방식은 일상적인 작업 수행 시 발생하는 높은 비용과 속도 저하 문제를 해결하며, 행정 및 간단한 프로그래밍 작업의 완전 자동화를 상업적으로 실현 가능하게 만드는 대규모(Scale) 효율성을 갖춘 디지털 에이전트의 길을 열어줍니다.