Meta تطلق Muse Ember: نموذج ذكاء اصطناعي منخفض التكلفة لتشغيل الوكلاء

أعلنت شركة Meta في 9 نوفمبر 2026 عن إطلاق Muse Ember، أحدث نماذجها للذكاء الاصطناعي الموجهة إلى تنفيذ المهام المتكررة داخل أنظمة الوكلاء. ويركز النموذج على أعمال مثل استدعاء الأدوات، والبرمجة، واستخراج البيانات، وتحليل المستندات الطويلة، مع تكلفة تبدأ من 0.10 دولار لكل مليون رمز إدخال و0.50 دولار لكل مليون رمز إخراج.

Today we’re introducing Muse Ember, our smallest and most efficient model, built for complex reasoning execution and everyday agent work.

Muse Ember can carry workflows across apps, call tools in sequence, run tests and make targeted code fixes. With a 1M-token context window… pic.twitter.com/qqcjZw6L8x

– AI at Meta (@AIatMeta) November 9, 2026

تستهدف Meta فئة مختلفة من الاستخدامات عبر Muse Ember؛ فبدل الاعتماد على نموذج كبير ومكلف لتنفيذ كل خطوة داخل مشروع واحد، يتولى نموذج متخصص الأعمال الصغيرة التي تتكرر مئات أو آلاف المرات. ويرتبط بنموذج أكبر مثل Muse Wonder أو Muse Spark، بحيث يتولى الأخير التخطيط والاستدلال، بينما ينفذ Ember المهام الفرعية على نطاق واسع. وتصل نافذة السياق في النموذج الجديد إلى مليون رمز، مع دعم النصوص والصور والصوت والفيديو وملفات PDF.

ما هو نموذج Muse Ember من Meta؟

ينتمي Muse Ember إلى عائلة نماذج Muse التابعة لمختبر Meta Superintelligence Labs، ويحمل معرف API الرسمي muse-ember-1.0. ويُمثل أصغر نماذجها وأكثرها كفاءة، مع تصميم مخصص لتنفيذ المهام التي تحتاج إلى خطوات واضحة ومتكررة.

تظهر أهمية هذا التوجه داخل أنظمة الذكاء الاصطناعي الوكيلة، المعروفة باسم AI Agents. فهذه الأنظمة لا تنجز العمل من خلال إجابة واحدة، بل تمر بسلسلة من العمليات، مثل قراءة ملف، والبحث عن معلومة، وتشغيل أداة، وفحص النتيجة، ثم الانتقال إلى الخطوة التالية.

في مشروع برمجي، على سبيل المثال، يتولى نموذج متقدم وضع خطة العمل وتقسيمها إلى مهام، ثم يرسل إلى Muse Ember طلبات قراءة الملفات وتشغيل الاختبارات وإصلاح أخطاء محددة. وفي شركة تتعامل مع آلاف المستندات، يتولى النموذج تصنيف العقود واستخراج البنود والبيانات المطلوبة من كل ملف.

وتعتمد الفكرة على توزيع العمل وفق صعوبة المهمة وتكلفتها، بدل استخدام النموذج الأقوى في جميع المراحل.

قدرات Muse Ember في البرمجة وتشغيل الوكلاء

ركزت Meta على المهام التي تتكرر داخل بيئات العمل البرمجية والتجارية. ويشمل ذلك استدعاء الأدوات ضمن سلسلة من العمليات، وتصنيف الطلبات وتوجيهها إلى النظام المناسب، واستخراج البيانات من الملفات والسجلات، إلى جانب تنفيذ مهام برمجية محددة.

وفي البرمجة، يستطيع النموذج قراءة ملفات المشروع، وتشغيل أوامر الطرفية والاختبارات، ثم إجراء تعديلات محدودة وفق المهمة المسندة إليه. وتكمن فائدته في الأعمال التي تتكرر كثيرًا داخل جلسة الوكيل الواحد، مثل فحص أجزاء من الشيفرة أو البحث عن ملف معين أو إصلاح خطأ واضح.

كما دعمت Meta معالجة مجموعات كبيرة من الملفات والصور والسجلات عبر طلبات متوازية. ومن الأمثلة العملية تصنيف تذاكر الدعم الفني، واستخراج بيانات آلاف المستندات، وفرز الصور وفق محتواها، أو مراجعة سجلات الشركة بحثًا عن معلومات محددة.

وأشارت شركات شاركت في الاختبارات المبكرة، من بينها Box وCline وOracle وCloudflare وYou.com، إلى استخدامات تشمل مراجعة العقود وتحليل المستندات والمهام البرمجية. وذكرت Cloudflare أن النموذج سجل سرعة أعلى بنحو 30% في الجزء الأبطأ من الاستجابة مقارنة بالنموذج الذي اختبرته، بينما أشارت You.com إلى زمن استجابة عند النسبة المئوية 95 بلغ 2.2 ثانية في اختبارات البرمجة الخاصة بها.

دعم الصور والصوت والفيديو وسياق بمليون رمز

لا يقتصر Muse Ember على النصوص؛ إذ يقبل مدخلات تشمل الصور والصوت والفيديو وملفات PDF، مع مخرجات نصية. ويساعد هذا التنوع في تنفيذ مهام تجمع بين أكثر من نوع من البيانات، مثل قراءة لقطة شاشة، واستخراج معلومات من رسم بياني، أو تحليل تسجيل اجتماع ومستندات مرتبطة به.

وتصل نافذة السياق إلى 1,048,576 رمزًا، بينما يبلغ الحد الأقصى لطول المخرجات 524,288 رمزًا. ويعني ذلك قدرة النموذج على استقبال مشروع برمجي كبير أو مجموعة واسعة من المستندات ضمن طلب واحد، بدل تقسيم المحتوى إلى أجزاء صغيرة في كل مرة.

ومن المهم التمييز بين الرقمين: نافذة السياق تحدد حجم المعلومات التي يمكن إدخالها ضمن الطلب وسياقه، أما حد المخرجات فيحدد أقصى حجم للاستجابة التي ينتجها النموذج.

نتائج Muse Ember في اختبارات الذكاء الاصطناعي

نشرت Meta نتائج مقارنة مع Claude Haiku 5.5 وGPT-6 Luna، كما ظهرت تقييمات مستقلة من Artificial Analysis وVals AI. وتكشف الأرقام عن أداء قوي في مهام الوكلاء والبرمجة التنفيذية، مقابل تراجع ملحوظ في اختبارات أخرى.

نتيجة Artificial Analysis Intelligence Index

سجل Muse Ember 36 نقطة في Artificial Analysis Intelligence Index، وهي نتيجة تعادل نتيجة Claude Haiku 5.5 عند أعلى مستوى للاستدلال، وتتجاوز نتيجة GPT-6 Luna البالغة 28 نقطة في المقارنة المنشورة.

وتبرز أهمية النموذج بصورة أكبر عند حساب تكلفة المهمة بدل الاكتفاء بسعر الرموز. فقدرت Artificial Analysis تكلفة المهمة الواحدة بنحو 0.14 دولار لـMuse Ember، مقابل نحو 0.41 دولار لـClaude Haiku 5.5 عند النتيجة نفسها تقريبًا. وتضع هذه النتيجة النموذج ضمن الخيارات الأقل تكلفة في فئته وفق بيانات التقييم المنشورة في 9 نوفمبر.

أداء البرمجة والمهام الوكيلة

في اختبارات البرمجة، حقق Muse Ember نسبة 40.9% في Terminal-Bench 4.0، مقابل 39.2% لـClaude Haiku 5.5 و16.4% لـGPT-6 Luna. كما سجل 46 نقطة في Coding Agent Index-AA، متقدمًا على Haiku بنتيجة 37 نقطة وLuna بنتيجة 31 نقطة.

لكن النتيجة اختلفت في FrontierCode 2.0-AA؛ إذ سجل Ember نسبة 27.2%، مقابل 34.9% لـHaiku و25.2% لـLuna. ويقيس هذا الاختبار أداء النماذج في مهام هندسة برمجيات واقعية، مع تقييم جودة التعديلات وقابليتها للدمج في المشاريع.

أما في Agents’ Last Exam، فسجل Ember نسبة 61.6%، مقابل 57% لـHaiku و57.1% لـLuna. وفي اختبار OSWorld 2.1 الخاص بالتعامل مع تطبيقات الحاسوب، بلغ تقييمه 69.5% وفق نظام احتساب النقاط الجزئية.

نتائج Vals Index

حصل Muse Ember على 60.48% في Vals Index v2.2، وجاء في المركز 12 من أصل 35 نموذجًا وقت نشر التقييم. وبلغت نتيجته في Legal Index نسبة 75.69%، مع المركز الرابع من بين 36 نموذجًا، بينما سجل 60.91% في Finance Index.

كما حقق 25% في HLAB-Vals-1.1، وهي نتيجة وضعته في المركز الثاني بالتساوي مع نموذج آخر. وفي المقابل، سجل 39.39% في Terminal-Bench 4.0 و38.23% في Tax Agent Bench، وهي نتائج أقل من ترتيبه في بعض الاختبارات المتخصصة الأخرى.

وتوضح هذه المقارنات أن أداء النموذج يرتبط بطبيعة المهمة؛ فقد برز في تصنيف البيانات والمهام الوكيلة وبعض الاختبارات القانونية، بينما تراجع في اختبارات هندسة البرمجيات المعقدة والمهام المعرفية الشاملة.

سعر Muse Ember واستخدامه عبر API

أطلقت Meta النموذج عبر Meta Model API وخدمة Muse Code، مع نظام دفع حسب الاستهلاك في واجهة API. وتختلف التكلفة وفق حجم الرموز المدخلة في الطلب:

نوع الاستخدام	حتى 200 ألف رمز إدخال	أكثر من 200 ألف رمز إدخال
الرموز المدخلة	0.10 دولار	0.30 دولار
الرموز المدخلة المخزنة مؤقتًا	0.004 دولار	0.012 دولار
الرموز الناتجة	0.50 دولار	1.50 دولار

الأسعار لكل مليون رمز. وعند تجاوز الطلب 200 ألف رمز إدخال، تُطبق أسعار فئة السياق الطويل على كامل الطلب، وليس على الرموز الزائدة وحدها. كما يدعم النموذج واجهات Responses API وChat Completions وMessages، ويعمل بمعرف muse-ember-1.0.

ويتوفر Muse Ember في الوضع القياسي فقط عبر Model API، دون نسخة Contributor Mode. وفي هذا الوضع، لا تستخدم Meta محتوى الطلبات لتدريب نماذجها المستقبلية، وفق توضيح صفحة الأسعار الرسمية.

الفرق بين Muse Ember وMuse Spark وMuse Wonder

تضم عائلة Muse نماذج بأدوار مختلفة، ويعتمد اختيار النموذج على طبيعة العمل المطلوب؛ إذ يركز Muse Wonder على أصعب مهام الاستدلال والتخطيط، بينما يستهدف Muse Spark البرمجة وسير العمل الوكيلي، ويهتم Muse Ember بالمهام البرمجية والوكيلة المتكررة على نطاق واسع.

وهذا التقسيم يسمح بإسناد التخطيط إلى نموذج أكبر، ثم إرسال عدد كبير من العمليات الفرعية إلى Ember. كما ذكرت Meta أن Muse Ember هو أول نموذج ضمن هذه الفئة جرى تدريبه باستخدام Muse Wonder Full.

الأمان وإتاحة النموذج

أخضعت Meta Muse Ember لاختبارات ضمن إطارها لتقييم مخاطر النماذج المتقدمة، وشملت الاختبارات الأمن السيبراني والمخاطر البيولوجية والكيميائية ومخاطر فقدان السيطرة. وأظهرت نتائج التقييم بقاء النموذج دون عتبات المخاطر العالية في الفئات التي خضعت للفحص.

كما شملت الفحوص طريقة تعامل النموذج مع المعلومات الحساسة وتعليمات المستخدم، وقدرته على مقاومة التعليمات الخبيثة المخفية داخل صفحات الويب والمستندات ومخرجات الأدوات، إلى جانب طلب تدخل بشري قبل تنفيذ الإجراءات ذات التأثير الكبير.

ويتوفر Muse Ember حاليًا عبر Meta Model API وMuse Code، بينما لم تطرح Meta أوزانه للتنزيل المفتوح ضمن الإعلان.

لماذا أطلقت Meta نموذج Muse Ember؟

تستهدف Meta عبر Muse Ember خفض تكلفة تشغيل وكلاء الذكاء الاصطناعي في الأعمال التي تعتمد على عدد كبير من الخطوات المتكررة. فالمؤسسات لا تحتاج دائمًا إلى نموذج ضخم لتحليل كل ملف أو تصنيف كل طلب؛ إذ يكفي في كثير من الحالات نموذج أصغر ينفذ المهمة المحددة بسرعة وتكلفة أقل.

وبهذا النهج، يصبح Muse Ember خيارًا للمهام التي تتطلب حجمًا كبيرًا من العمليات، بينما تبقى النماذج الأكبر مسؤولة عن التخطيط والقرارات المعقدة. وتضع Meta بذلك التركيز على تكلفة إنجاز العمل كاملًا، وليس فقط على نتيجة النموذج في اختبار واحد.