Meta에서 2026년 11월에 출시한 Muse Ember (Max)는 높은 지능과 효율적인 비용 구조를 갖춘 Proprietary reasoning model입니다. 본 모델은 Artificial Analysis Intelligence Index에서 36점을 기록하며, 동급 가격대의 모델 중앙값인 24점을 크게 상회하는 성능을 입증했습니다.

핵심 방법론 및 성능 지표

Muse Ember (Max)의 성능 평가는 Artificial Analysis Intelligence Index v5.0.1을 기반으로 수행되었습니다. 이 지표는 다음 9가지 벤치마크를 통합하여 모델의 지능을 측정합니다:

• AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 (Hard Subset), Terminal-Bench-Science 0.1

성능 측정 방식인 Time per Intelligence Index task는 다음과 같이 계산됩니다:
$$\text{Time per Task} = \frac{\text{Output tokens per task}}{\text{Output speed}}$$
또한, Cost per Intelligence Index task는 가중 평균 비용을 사용하여 산출됩니다:
$$\text{Weighted Average Cost} = \sum (\text{Task Cost}_i \times \text{Weight}_i)$$
여기서 각 작업의 비용은 Input, Cache hit, Cache write, Reasoning, Answer token의 가격을 합산하여 도출됩니다.

주요 기술적 사양

1. 지능 및 성능: 4.37초의 Time to first answer token과 446 tok/s의 Output speed를 보여주며, 복잡한 추론 작업에서 경쟁 모델보다 빠른 3.2분의 평균 처리 시간을 기록했습니다.
2. Multimodality: Text 및 Image input을 지원하며, Text output을 제공하는 멀티모달 모델입니다.
3. Context Window: 1M tokens의 대규모 컨텍스트 윈도우를 지원하여, 대량의 문서 분석 및 RAG(Retrieval Augmented Generation) 작업에 최적화되어 있습니다.
4. 경제성: 1M input tokens당 $0.10, 1M output tokens당$0.50로 책정되어 있어, 동급 모델 대비 매우 경쟁력 있는 가격 정책을 취하고 있습니다. (Cache discount는 96%를 제공)
5. Verbosity: 벤치마크 평가 시 115M의 Output tokens를 생성하여, 중앙값인 90M보다 다소 높은 Verbosity(장황함)를 보입니다.

Muse Ember (Max)는 특히 에이전트 기반의 지식 작업, 코딩, 그리고 과학적 연구 워크플로우에서 뛰어난 추론 능력을 발휘하며, Proprietary 모델로서 메타의 최신 기술력이 집약된 모델입니다.