Name: GPT-6 Luna
Author: OpenAI

Mark Zuckerberg stellte Metas neuestes KI-Modell auf X mit einem einzigen Satz vor: „Muse Ember erscheint heute – unser kleinstes Modell, das in seiner Klasse mehr Intelligenz pro Dollar liefert als die Konkurrenz.“ Viele Berichte zum Start verstanden das als Preissenkung: Meta unterbiete damit die kleinen, günstigen Modelle, die Anthropic und OpenAI an Entwickler verkaufen, die KI-Agenten bauen.

Eine Preissenkung ist es allerdings nicht – zumindest nicht laut Preisliste. Muse Ember berechnet für jedes eingehende und ausgehende Token genau so viel wie die beiden namentlich genannten Konkurrenten. Die von Meta beworbene Ersparnis ist real, steckt aber woanders: darin, wie viel das Modell schreibt, bevor es eine Antwort liefert. Das ist eine interessantere Behauptung als ein Rabatt – und für Käufer schwieriger zu überprüfen, bevor die Rechnung kommt.

Was Meta veröffentlicht hat

Muse Ember ist nach Spark, Glimmer und Wonder das vierte und zugleich kleinste Modell der Muse-Familie von Meta. Meta Superintelligence Labs hat es für die wiederkehrenden Arbeitsschritte innerhalb eines Agenten entwickelt. Zuckerberg zufolge gehören dazu „Codierungsaufgaben, Weiterleitung, Extraktion und das Analysieren langer Dokumente“. Metas eigene Beschreibung der Aufgabenverteilung ist unmissverständlich: „Muse Wonder plant, Muse Ember bewältigt das Volumen.“ Alexandr Wang, der Meta Superintelligence Labs leitet, sagte, Ember sei das erste veröffentlichte Modell, das mit Muse Wonder Full trainiert wurde, Metas größtem Modell.

Meta zufolge verarbeitet Ember Text, Bilder, Audio und Video, verfügt über ein Kontextfenster von einer Million Tokens und kann in einer einzigen Antwort bis zu 512.000 Tokens ausgeben. Das Modell ist geschlossen. Es gibt keine herunterladbaren Gewichte. Es läuft über Metas gehostete Model API und in Muse Code, Metas Programmieragenten; auch Google Cloud und Oracle Cloud werden als Zugangsmöglichkeiten aufgeführt.

Woher das „pro Dollar“ kommt

Meta setzt den Preis für Ember auf 0,10 Dollar pro Million Eingabe-Tokens und 0,50 Dollar pro Million Ausgabe-Tokens fest. Anthropic verlangt für Claude Haiku 5.5 und OpenAI für GPT-6 Luna dieselben Grundpreise, wie sowohl MarkTechPost als auch Fello AI hervorheben. Einziger Vorteil auf der Preisliste sind zwischengespeicherte Eingaben – also Texte, die das Modell bereits verarbeitet hat und erneut verwenden kann. Dafür berechnet Ember 0,004 Dollar pro Million Tokens, verglichen mit 0,01 Dollar bei beiden Konkurrenten.

Der Unterschied zeigt sich bei den Kosten pro Aufgabe. Im Artificial Analysis Intelligence Index, einer unabhängigen Benchmark-Suite, erreicht Ember 36 Punkte und liegt damit auf dem Niveau von Haiku 5.5 bei dessen höchster Einstellung. Pro Aufgabe kostet Ember ungefähr 0,14 Dollar, Haiku dagegen 0,41 Dollar. Die Auswertung der Artificial-Analysis-Daten durch Fello AI erklärt den Grund: Über den gesamten Index hinweg erzeugte Ember rund 115 Millionen Ausgabe-Tokens, Haiku etwa 298 Millionen – bei identischem Preis pro Ausgabetoken. Derselbe Tokenpreis, aber deutlich weniger Tokens. GPT-6 Luna kostet pro Aufgabe mit 0,15 Dollar ungefähr so viel wie Ember, erzielt aber nur 28 Punkte.

Dieser Mechanismus ist wichtig, denn auf keiner Preisliste stehen die Tokenmengen. Wer als Entwickler die Listenpreise vergleicht, sieht drei identische Modelle. Der Unterschied zeigt sich erst, wenn der Agent läuft, und hängt von der Aufgabe, dem verwendeten Harness und der Einstellung für das Schlussfolgern ab. Metas Vergleich basiert auf maximalem Reasoning-Aufwand. In der Entwicklerdokumentation von Meta ist dies zugleich als Standardeinstellung für Ember angegeben.

Der Preis, der sich verdreifacht

Auf Metas Entwicklerseite findet sich eine zweite Preisstufe, die in der Ankündigung zum Start nicht erwähnt wird. Bei mehr als 200.000 Eingabe-Tokens kostet Ember 0,30 Dollar pro Million eingehender und 1,50 Dollar pro Million ausgehender Tokens – also das Dreifache des beworbenen Preises. Meta warnt in seiner Dokumentation, dass eine Anfrage mit einem langen Gesprächsverlauf diese Grenze überschreiten kann. Im Bericht von MarkTechPost zum Start hieß es, Meta führe für Ember keine Preisstufe für lange Kontexte auf. Metas eigene Preistabelle zeigt jedoch etwas anderes.

Diese Preisstufe betrifft genau den Einsatz, den Zuckerberg beworben hat. „Lange Dokumente analysieren“ und ein Kontextfenster von einer Million Tokens laden Entwickler dazu ein, ganze Codebasen und Dokumentensammlungen einzuspeisen – also gerade jene Anfragen, bei denen die Schwelle am ehesten überschritten wird. Ember ist dort weiterhin günstiger als Haiku 5.5, denn Haiku berechnet oberhalb von 100.000 Prompt-Tokens laut MarkTechPost 0,50 Dollar für Eingaben und 2,50 Dollar für Ausgaben. Aus „günstig“ wird jedoch „günstiger als die Alternative“ – und das ist ein anderes Versprechen.

Was die Benchmarks zeigen – und wer sie durchgeführt hat

Meta veröffentlichte zehn Vergleichswerte für Haiku 5.5 und GPT-6 Luna. Embers bestes Ergebnis erzielt das Modell bei AutomationBench, einem Test von Artificial Analysis mit 657 geschäftlichen Zapier-Workflows. Dort erledigt es 37,8 Prozent der Aufgaben, gegenüber 13,9 Prozent bei Haiku und 20,2 Prozent bei Luna. Der einzige klare Rückstand zeigt sich bei FrontierCode 2.0. Der Benchmark bewertet reale Codeänderungen danach, ob ein Maintainer sie übernehmen würde: Haiku erreicht 34,9 Punkte, Ember 27,2.

Fello AI hat nachverfolgt, wer die einzelnen Werte ermittelt hat. Fünf stammen von Artificial Analysis, vier aus eigenen Tests von Meta. Beim Wert für Terminal-Bench werden unterschiedliche Grundlagen vermischt: ein Test von Artificial Analysis für Ember und von den Konkurrenten selbst gemeldete Zahlen. Fello merkt außerdem an, dass Ember auf der Modellseite von Artificial Analysis nur mit Text- und Bildeingaben aufgeführt wird. Die Unterstützung für Audio und Video beruht vorerst also auf Metas eigenen Angaben.

Für wen Muse Ember gedacht ist

Im Ankündigungsbeitrag von Meta heißt es, Ember sei „günstig genug, um in jedem Produkt für alle zum Einsatz zu kommen“. Bislang läuft das Modell jedoch in keinem der Verbraucherprodukte von Meta: Laut Fello AI ist es weder in der Meta-AI-App noch in WhatsApp oder im Muse-Agenten verfügbar. Ember ist vielmehr ein Baustein für die Agenten anderer Unternehmen – und die von Meta ausgewählten Partnerzitate machen das deutlich. Cline-Gründer Saoud Rizwan empfahl das Modell „Teams, die Kosten senken wollen, indem sie es als Subagent in ihrem Harness einsetzen“. Cloudflare-CTO Dane Knecht sagte, es sei „im hinteren Teil des Laufs bis zu 30 Prozent schneller gewesen als das vergleichbare Modell, das wir getestet haben“.

Genau darauf setzt Meta mit Ember. Das Modell soll nicht das Chatfenster für sich gewinnen. Meta will, dass es tausendmal pro Stunde innerhalb des Agenten eines anderen Unternehmens aufgerufen wird, während ein größeres Modell die eigentliche Denkarbeit übernimmt. Bei diesem Einsatz entscheidet eine Zahl über die Rechnung, die kein Anbieter veröffentlicht: wie viele Tokens das Modell braucht, um fertig zu werden.

Schlagwörter: meta, Mark Zuckerberg, KI-Modelle, Claude Haiku, Muse Ember