Felo API PlatformFelo API Platform
Retour aux modèles
Metamessages

Muse Ember API

Muse Ember est le plus petit et le plus efficient modèle de la famille Muse de Meta, conçu pour exécuter à grande échelle des tâches agentiques répétitives avec un vaste contexte d'un million de jetons.

Muse Ember est un modèle de Meta publié le 9 novembre 2026. Il s'agit du plus petit et du plus efficient modèle de la famille Muse, pensé comme l'exécuteur d'une architecture planificateur-exécuteur aux côtés de Muse Wonder : selon Meta, « Muse Wonder planifie, Muse Ember gère le volume ». Il accepte en entrée du texte, des images, de l'audio et de la vidéo, et produit du texte, avec une fenêtre de contexte d'un million de jetons et une limite de sortie de 512 000 jetons. Il est accessible via la Meta Model API et Muse Code sous l'identifiant muse-ember-1.0.

Le modèle se distingue par sa prise en charge de l'utilisation d'ordinateur, de la compréhension d'images, de l'appel d'outils, des sorties structurées et de l'ancrage par recherche. Il peut récupérer des enregistrements, enchaîner des appels d'outils et mettre à jour des systèmes dans plusieurs applications. Ses points forts incluent un faible coût par jeton, une grande fenêtre de contexte et de bonnes performances sur les tâches bien définies comme l'analyse de données et les contrôles de qualité des données ; il égale Claude Haiku 5.5 sur l'Artificial Analysis Intelligence Index pour un tiers du coût, et serait le modèle le moins cher à obtenir 36 points sur cet indice.

Muse Ember est particulièrement adapté à l'exécution de flux de travail agentiques à fort volume, aux appels d'outils, aux sous-tâches de codage, au routage, à l'extraction, à l'analyse de longs documents, aux chatbots couplés à la génération augmentée par récupération et au déploiement massif de fonctionnalités d'IA. Ses limites connues : il tend à consommer trop de jetons sur les questions ouvertes et peine à détecter des motifs cachés ; ses poids ne sont pas publiés et le nombre de paramètres n'est pas divulgué.

Mis à jour:

ID DU MODÈLE

muse-ember
Contexte
1.049M
Sortie max.
943.718K
API recommandée
messages
Entrée
text / image / video / file / audio
Sortie
text

Points clés

  • Plus petit et plus efficient de la famille Muse
  • Contexte d'un million de jetons
  • Entrées texte, image, audio et vidéo
  • Utilisation d'ordinateur et appels d'outils
  • Faible coût par jeton
  • Exécuteur aux côtés de Muse Wonder

Fournisseurs

1 fournisseurs

Comparez les prix des API entre fournisseurs. Sélectionnez un fournisseur pour voir tous les tarifs et conditions.

Fournisseur · Détails des tarifs
Disponibilité
$0.1$0.5$0.004

Ce que $10 permettent d'acheter

Entrée
100 M tokens
Sortie
20 M tokens

Estimation d'après les prix actuels d'entrée et de sortie, hors remises.

Benchmarks

  • Artificial Analysis Intelligence Index

    points

    36
  • Vals Index

    pour cent ; classé 13e sur 36 modèles

    60.48
  • PlotlyDataAnalyticsBench

    pour cent ; 38 questions réussies sur 43

    88

Scores tels que publiés par le fournisseur du modèle.

Raisonnement

Niveau d'effort par défaut
max
Toujours activé
Oui
Niveaux d'effort disponibles
max / xhigh / high / medium / low / minimal

Démarrage rapide

Un code prêt à l'emploi pour appeler ce modèle avec les API compatibles de Felo API Platform. Commencez dans le Playground pour tester des prompts avant d'écrire du code.

1

Configurer votre clé API

Créez une clé depuis votre compte Felo API Platform et définissez-la comme variable d'environnement.

export FELO_API_KEY="YOUR_API_KEY"
2

Effectuer votre première requête

Utilisez cet ID de modèle avec le point de terminaison Felo API Platform. Les en-têtes de requête facultatifs comme X-Request-Id facilitent le diagnostic.

muse-ember

Ce modèle est capable de raisonnement. Si le protocole sélectionné et la route du modèle exposent des contrôles de raisonnement, conservez les métadonnées de raisonnement renvoyées lorsque vous poursuivez la conversation.

const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
  method: 'POST',
  headers: {
    Authorization: `Bearer ${process.env.FELO_API_KEY}`,
    'Content-Type': 'application/json',
  },
  body: JSON.stringify({
  "model": "muse-ember",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());

Utiliser des SDK tiers

Avec les SDK compatibles, définissez baseURL sur https://openapi.felo.ai/api/v1. Pour les clients de style Claude, utilisez l'URL de base compatible Anthropic. https://openapi.felo.ai/api.

3

Activer le streaming

Ajoutez stream: true pour recevoir les réponses sous forme de server-sent events.

curl -N https://openapi.felo.ai/api/v1/messages \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "muse-ember",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "stream": true
}'

Endpoint

Felo API Platform expose des surfaces d'appel de modèles compatibles. Choisissez la surface que votre application ou votre client agent prend déjà en charge.

SurfaceMethodURL

Messages

Messages compatibles Anthropic pour les clients de style Claude.

POST

https://openapi.felo.ai/api/v1/messages

Paramètres

NomTypePar défautDescription
modelstringmuse-emberID public du modèle à appeler.
max_tokensinteger—Nombre maximal de tokens générés.
messagesarray—Messages de la conversation pour Chat Completions.
toolsarray—Définitions de tool calling conformes au schéma compatible.
top_k———
top_p———
reasoning———
temperaturenumber—Contrôle la variété des réponses lorsque c'est pris en charge.
tool_choicestring or object—Contrôle si un outil doit être appelé.
response_formatobject—Demande une sortie structurée lorsque c'est pris en charge.
reasoning_effort———
include_reasoning———
repetition_penalty———
structured_outputs———

Questions fréquentes

Qu'est-ce que Muse Ember?

Muse Ember est un modèle de Meta publié le 9 novembre 2026. Il s'agit du plus petit et du plus efficient modèle de la famille Muse, pensé comme l'exécuteur d'une architecture planificateur-exécuteur aux côtés de Muse Wonder : selon Meta, « Muse Wonder planifie, Muse Ember gère le volume ». Il accepte en entrée du texte, des images, de l'audio et de la vidéo, et produit du texte, avec une fenêtre de contexte d'un million de jetons et une limite de sortie de 512 000 jetons. Il est accessible via la Meta Model API et Muse Code sous l'identifiant muse-ember-1.0. Le modèle se distingue par sa prise en charge de l'utilisation d'ordinateur, de la compréhension d'images, de l'appel d'outils, des sorties structurées et de l'ancrage par recherche. Il peut récupérer des enregistrements, enchaîner des appels d'outils et mettre à jour des systèmes dans plusieurs applications. Ses points forts incluent un faible coût par jeton, une grande fenêtre de contexte et de bonnes performances sur les tâches bien définies comme l'analyse de données et les contrôles de qualité des données ; il égale Claude Haiku 5.5 sur l'Artificial Analysis Intelligence Index pour un tiers du coût, et serait le modèle le moins cher à obtenir 36 points sur cet indice. Muse Ember est particulièrement adapté à l'exécution de flux de travail agentiques à fort volume, aux appels d'outils, aux sous-tâches de codage, au routage, à l'extraction, à l'analyse de longs documents, aux chatbots couplés à la génération augmentée par récupération et au déploiement massif de fonctionnalités d'IA. Ses limites connues : il tend à consommer trop de jetons sur les questions ouvertes et peine à détecter des motifs cachés ; ses poids ne sont pas publiés et le nombre de paramètres n'est pas divulgué.

Comment l'usage est-il facturé ?

Votre facture dépend du fournisseur utilisé, de ses tarifs et de votre usage. Des entrées plus longues ou d'autres conditions peuvent avoir des tarifs différents.

Quels types d'entrées Muse Ember accepte-t-il ?

Muse Ember accepte du texte, des images, de l'audio et de la vidéo en entrée, et produit du texte en sortie.

Quelle est la taille du contexte et de la sortie ?

Le modèle dispose d'une fenêtre de contexte d'un million de jetons et d'une limite de sortie de 512 000 jetons.

À quelles tâches Muse Ember est-il destiné ?

Il est conçu pour l'exécution de flux de travail agentiques à fort volume, les appels d'outils, les sous-tâches de codage, le routage, l'extraction, l'analyse de longs documents et les chatbots avec génération augmentée par récupération.

Quelle est la différence entre Muse Ember et Muse Wonder ?

Muse Ember est le plus petit et le plus efficient modèle de la famille Muse et joue le rôle d'exécuteur aux côtés de Muse Wonder dans une architecture planificateur-exécuteur : Muse Wonder planifie, Muse Ember gère le volume.

Comment accéder à Muse Ember ?

Le modèle est disponible via la Meta Model API et Muse Code, avec l'identifiant muse-ember-1.0.

Modèles liés