Muse Ember（ミューズ・エンバー）は、Metaが発表した効率重視層（efficient-tier）の最新AIモデルで、Artificial Analysis（ドットエーアイの記事ではおなじみの独立評価機関）が2026年に公表した評価結果で、知能スコア36・タスク単価$0.14という数字が注目されています。
室谷代表取締役Muse Emberは、Metaが発表した効率重視層の最新モデルで、Artificial Analysisの独立評価で知能スコア36、タスク単価$0.14を記録したんですよね。同スコアのClaude Haiku 5.5（max）が$0.41なので、およそ3分の1のコストで同じ知能スコアに並んだ、というのが今回の速報の核心です。
テキトー教師DotAI 認定講師単に「安いモデルが出た」という話じゃないんですよ。入力・出力のトークン単価はClaude Haiku 5.5ともGPT-6 Lunaとも同じなのに、実際のタスク単価は3倍近く違う。
ここにエージェント時代のコスト構造の変化が表れています。受講生さんからも「単価が同じならコストも同じでしょ？」という質問がよく来るんですが、そうではないんです。
ここにエージェント時代のコスト構造の変化が表れています。受講生さんからも「単価が同じならコストも同じでしょ？」という質問がよく来るんですが、そうではないんです。
Muse Emberとは？Metaが発表した効率重視モデルの正体
Museファミリーの歩みとMuse Emberの位置づけ
- 2026年4月Muse Spark発表MetaがMuseファミリーの主力モデルを発表
- 2026年7月Muse Spark 1.1Meta Model APIの公開プレビューを開始
- 2026年8月Muse Spark 1.2 / Muse Glimmer重み公開とノートPC向けモデルを発表
- 最新Muse EmberMuseファミリーの「効率重視層」に位置づけられた最新モデル群
室谷代表取締役まず正体の整理からいきましょう。Muse Emberは、MetaのMuseファミリーの中でも「効率重視層」に位置づけられた最新モデル群です。
Metaは2026年4月にMuse Sparkを発表し、7月にはMuse Spark 1.1でMeta Model APIの公開プレビューを開始、8月にはMuse Spark 1.2の重み公開とノートPC向けのMuse Glimmerを発表している。その流れの中での「安価で実用的な効率層」という位置づけなんですよね。
Metaは2026年4月にMuse Sparkを発表し、7月にはMuse Spark 1.1でMeta Model APIの公開プレビューを開始、8月にはMuse Spark 1.2の重み公開とノートPC向けのMuse Glimmerを発表している。その流れの中での「安価で実用的な効率層」という位置づけなんですよね。
テキトー教師DotAI 認定講師構造化するとこうです。Museファミリーは上位のMuse Wonder、主力のMuse Spark、そして効率層のMuse Emberという階層になっていて、Muse Emberは「賢さの頂点を狙う」のではなく「実用タスクを安く回す」ことに振ったモデル。
Artificial Analysisの評価でも、上位のMuse Wonder（max）が知能スコア44でタスク単価$6.95なのに対して、Muse Ember（max）は36で$0.14。8点差を約50分の1のコストで埋めにいく設計思想がはっきり出ています。
Artificial Analysisの評価でも、上位のMuse Wonder（max）が知能スコア44でタスク単価$6.95なのに対して、Muse Ember（max）は36で$0.14。8点差を約50分の1のコストで埋めにいく設計思想がはっきり出ています。
室谷代表取締役ここ、実務者としてはすごく大事なポイントで。MYUUUでも「最高性能モデルを全部の処理に使う」段階はもう終わっていて、下流の定型処理は効率層に流す設計にしています。
Muse Emberはまさにその枠を狙ってくる。上位モデルとの差額で何ができるかを考えると、効率層の選択肢が増えるのはありがたいんですよね。
Muse Emberはまさにその枠を狙ってくる。上位モデルとの差額で何ができるかを考えると、効率層の選択肢が増えるのはありがたいんですよね。
テキトー教師DotAI 認定講師ただ、Muse Emberという名称は検索すると別のものも引っかかりやすいので、そこは整理しておきたい。今回話題になっているのはMetaのAIモデルであって、同名の楽曲やプラグインの話ではありません。
Artificial Analysisの評価ページが404になっている現時点では、詳細スペックは公式発表と評価スレッドの範囲で見ていく必要があります。
Artificial Analysisの評価ページが404になっている現時点では、詳細スペックは公式発表と評価スレッドの範囲で見ていく必要があります。
Muse Emberの料金体系――入力$0.10・出力$0.50、タスク単価はClaude Haiku 5.5の約3分の1
Muse Emberと競合モデルのタスク単価比較
Muse Ember（max）
- タスク単価 $0.14
- スコア36以上で最も安い
- 入力 $0.10／100万トークン
- キャッシュ入力 $0.004／100万トークン
- 出力 $0.50／100万トークン
Muse Ember（xhigh）
- タスク単価 $0.12
- スコア34
- 推論強度を下げるとさらにコストを絞れる
室谷代表取締役料金を見ていきましょう。Muse Emberの価格は100万トークンあたり、入力$0.10、キャッシュ入力$0.004、出力$0.50です。
ここで大事なのが、入力と出力の単価はClaude Haiku 5.5（max）ともGPT-6 Luna（max）とも同じだということ。なのにタスク単価は$0.14対$0.41で、約3分の1になる。
ここで大事なのが、入力と出力の単価はClaude Haiku 5.5（max）ともGPT-6 Luna（max）とも同じだということ。なのにタスク単価は$0.14対$0.41で、約3分の1になる。
テキトー教師DotAI 認定講師なぜ同じ単価で3倍の差が出るのか。Artificial Analysisの説明では、理由は2つあります。
1つはキャッシュ入力が60%安いこと。もう1つは、出力トークン量がClaude Haiku 5.5（max）のおよそ3分の1で済むことです。
エージェント評価ではコストの大半をキャッシュ入力が占めるので、ここが安いモデルは同じ単価表でも実コストが全然違ってくる。
1つはキャッシュ入力が60%安いこと。もう1つは、出力トークン量がClaude Haiku 5.5（max）のおよそ3分の1で済むことです。
エージェント評価ではコストの大半をキャッシュ入力が占めるので、ここが安いモデルは同じ単価表でも実コストが全然違ってくる。
室谷代表取締役これは「料金表の単価だけ見て判断すると危ない」という教訓そのものですよね。実際の請求額は、キャッシュの効き方と出力の冗長さで決まる。
MYUUUでもエージェントを回すと出力トークンがじわじわ積み上がって、月末に「あれ？」となることがあってw。出力が3分の1で済むモデルは、単価が同じでも別物です。
MYUUUでもエージェントを回すと出力トークンがじわじわ積み上がって、月末に「あれ？」となることがあってw。出力が3分の1で済むモデルは、単価が同じでも別物です。
テキトー教師DotAI 認定講師整理するとこうです。
- 入力：$0.10／100万トークン
- キャッシュ入力：$0.004／100万トークン
- 出力：$0.50／100万トークン
- タスク単価：Muse Ember（max）$0.14、Muse Ember（xhigh）$0.12（スコア34）
- 比較：Claude Haiku 5.5（max）$0.41（スコア36）、DeepSeek V4.1 Flash 1017（max）$0.60（スコア33）、GLM-5.3-Flash $0.58（スコア28）
室谷代表取締役スコア36以上で最も安いのがMuse Ember（max）の$0.14、という点も押さえておきたい。推論の強度をxhighに落とすとスコア34で$0.12まで下がるので、用途によってはさらにコストを絞れます。
Muse Emberは日本でいつから使える？提供元と入手方法(Muse Code・第一者API)
まとめ
Muse Emberの提供元と入手方法
- Muse Emberを作っているのはMeta、評価結果を公表したのはArtificial Analysis
- 提供方法は「Metaの第一者APIとMuse Code」
- Muse CodeはMetaのコーディングエージェント
- Metaの第一者APIはMuse Spark 1.1のタイミングで始まったMeta Model API公開プレビューの流れで提供
- まずはMetaの環境内で使うのが基本線
- 日本での提供開始時期は現時点では明らかにされていない
- 日本から使えるか・円建て料金は続報待ち
室谷代表取締役提供方法ですが、Artificial Analysisのスレッドでは「Metaの第一者APIとMuse Code」と書かれています。Muse CodeはMetaのコーディングエージェントですね。
テキトー教師DotAI 認定講師ここは誤解しやすいところで、Muse Emberを作っているのはMeta、今回評価結果を公表したのはArtificial Analysisです。発表元と提供元を分けて読む必要があります。
日本での提供開始時期については、現時点では明らかにされていません。ソースで確認できるのは「Metaの第一者APIとMuse Codeで提供」という範囲までです。
日本での提供開始時期については、現時点では明らかにされていません。ソースで確認できるのは「Metaの第一者APIとMuse Codeで提供」という範囲までです。
室谷代表取締役Metaの第一者APIは、Muse Spark 1.1のタイミングでMeta Model APIの公開プレビューが始まっているので、その流れで提供される形になります。Muse Codeも含めて、まずはMetaの環境内で使うのが基本線。
日本から使えるかどうか、料金が円建てでどうなるかは、続報を待つしかないですね。
日本から使えるかどうか、料金が円建てでどうなるかは、続報を待つしかないですね。
テキトー教師DotAI 認定講師既存のMeta Model APIの枠組みについては、Artificial Analysis Intelligence Index v5とは？9評価・非公開6割の新指標を解説で評価指標の考え方を整理しているので、合わせて読むと理解が深まります。
Muse Emberでできること――AutomationBench 68.1%とMuse Code内コーディングエージェント46の実力
室谷代表取締役で、何ができるのか。Artificial Analysisの評価で一番目を引くのがAutomationBench-AAの68.1%です。
これはMuse Wonder（max）と同水準で、GPT-6 Astraとも並ぶ数字。安いモデルが上位モデルと同じ業務自動化スコアを出しているわけです。
これはMuse Wonder（max）と同水準で、GPT-6 Astraとも並ぶ数字。安いモデルが上位モデルと同じ業務自動化スコアを出しているわけです。
テキトー教師DotAI 認定講師コーディングは評価によって優劣が分かれます。Terminal-Bench 4.0ではMuse Ember（max）が40.9%でClaude Haiku 5.5（max）の32.8%を上回る一方、FrontierCode 2.0では27.2%対34.9%で負けています。
GDP.pdfも22.8%対20.8%で勝ち、AA-Briefcaseは1521対1574 Eloで負ける。一長一短なんですよ。
GDP.pdfも22.8%対20.8%で勝ち、AA-Briefcaseは1521対1574 Eloで負ける。一長一短なんですよ。
室谷代表取締役ただ、自社のコーディングエージェントMuse Code内で走らせたときの数字が面白い。Artificial Analysis Coding Agent IndexでMuse Ember（max）は46を記録していて、これはClaude Code内のClaude Haiku 5.5（max）の37、Codex内のGPT-6 Luna（max）の31を上回ります。
テキトー教師DotAI 認定講師この差は「モデル単体の実力」と「エージェントに組み込んだときの実力」は別物だということを示しています。Muse EmberのリードはSWE-Atlas-QnA-AAとTerminal-Bench 4.0から来ていて、FrontierCodeではClaude Haiku 5.5に負ける。
つまり、ハーネスとの相性で順位が入れ替わる。受講生さんにも「ベンチマークはモデル単体ではなく、使う環境込みで見ましょう」と伝えています。
つまり、ハーネスとの相性で順位が入れ替わる。受講生さんにも「ベンチマークはモデル単体ではなく、使う環境込みで見ましょう」と伝えています。
室谷代表取締役これは実務に直結する話で。同じモデルでも、どのエージェントに載せるかで成果が変わる。
Muse EmberはMuse Code前提でチューニングされている可能性が高いので、他社ハーネスに載せたときの数字はまた別に出てくるはずです。
Muse EmberはMuse Code前提でチューニングされている可能性が高いので、他社ハーネスに載せたときの数字はまた別に出てくるはずです。
Muse EmberとClaude Haiku 5.5・GPT-6 Lunaの比較――同単価でなぜコストが3倍違うのか
室谷代表取締役ここまでの話を比較の形で整理すると、Muse Ember（max）とClaude Haiku 5.5（max）は知能スコア36で並び、GPT-6 Luna（max）も同じ入力・出力単価の帯にいます。なのにタスク単価は$0.14対$0.41で、約3倍の開きがある。
テキトー教師DotAI 認定講師繰り返しになりますが、理由はキャッシュ入力の安さ（60%減）と出力トークン量の少なさ（約3分の1）です。Artificial AnalysisはMuse Ember（max）を「スコア36以上で最も安いモデル」と位置づけています。
DeepSeek V4.1 Flash 1017（max、スコア33、$0.60）やGLM-5.3-Flash（スコア28、$0.58）と比べても約4分の1のコストです。
DeepSeek V4.1 Flash 1017（max、スコア33、$0.60）やGLM-5.3-Flash（スコア28、$0.58）と比べても約4分の1のコストです。
室谷代表取締役ここで注意したいのは、この比較はArtificial Analysisの評価条件下でのタスク単価だということ。自社のワークロードで同じ比率になるとは限らないんですよね。
キャッシュが効きにくい使い方なら差は縮むし、出力が短く済むタスクなら差はもっと開く。あくまで「エージェント評価ではキャッシュ入力と出力トークンがコストを決める」という構造を押さえるのが大事です。
キャッシュが効きにくい使い方なら差は縮むし、出力が短く済むタスクなら差はもっと開く。あくまで「エージェント評価ではキャッシュ入力と出力トークンがコストを決める」という構造を押さえるのが大事です。
テキトー教師DotAI 認定講師あと、上位モデルのMuse Wonder（max）がスコア44で$6.95という数字も見ておきたい。Muse Emberは8点低いだけで約50分の1のコスト。
この「8点をどう評価するか」が導入判断の分かれ目になります。
この「8点をどう評価するか」が導入判断の分かれ目になります。
室谷代表取締役8点の差が効くタスクと効かないタスクがあるんですよ。定型の業務自動化ならMuse Emberで十分、複雑な推論や長い文脈の判断ならMuse Wonderに回す。
そういう振り分けができるかどうかが、AI活用のコスト効率を大きく左右します。
そういう振り分けができるかどうかが、AI活用のコスト効率を大きく左右します。
知識系は弱くても幻覚率は半分――Muse Emberの弱点と向き不向き
室谷代表取締役最後に弱点です。Muse Emberは知識系が弱い。
AA-Omniscienceの正確性は21.1%で、比較した同程度の知能のモデルの中では最低水準です。Claude Haiku 5.5（max）が34.7%、Gemini 3.8 Flash（high）が50.5%なので、ここは明確に劣ります。
AA-Omniscienceの正確性は21.1%で、比較した同程度の知能のモデルの中では最低水準です。Claude Haiku 5.5（max）が34.7%、Gemini 3.8 Flash（high）が50.5%なので、ここは明確に劣ります。
テキトー教師DotAI 認定講師ただし、ここが面白いところで。正確性が低い理由の大半は、64%の質問で回答を控えているからなんです。
その結果、幻覚率は17.4%で、Claude Haiku 5.5（max）の半分に抑えられている。知らないことを知らないと言うモデルなんですね。
その結果、幻覚率は17.4%で、Claude Haiku 5.5（max）の半分に抑えられている。知らないことを知らないと言うモデルなんですね。
室谷代表取締役これは実務では諸刃の剣で。知識を聞く用途には向かないけど、幻覚が許されない業務、たとえば社内手順の確認やデータ処理の前段では安心して使える。
MYUUUでも「間違えるより黙る方がマシ」な場面は多いので、この特性は刺さります。
MYUUUでも「間違えるより黙る方がマシ」な場面は多いので、この特性は刺さります。
テキトー教師DotAI 認定講師向き不向きを整理するとこうです。
- 向いている：業務自動化（AutomationBench-AA 68.1%）、Muse Code内のコーディングエージェント、幻覚を避けたい処理
- 向いていない：知識を問う用途（AA-Omniscience 21.1%）、FrontierCode系の実務コーディング、長い文脈の判断
- 判断の軸：8点の知能差と約50分の1のコスト差をどう見るか
室谷代表取締役知識系の弱さは、検索やRAGと組み合わせる前提で設計すれば問題になりにくい。モデル単体に知識を期待せず、外から持ってくる。
その前提に立てば、安くて幻覚が少ないMuse Emberはかなり使いやすい選択肢になります。
その前提に立てば、安くて幻覚が少ないMuse Emberはかなり使いやすい選択肢になります。
テキトー教師DotAI 認定講師既存のClaude Haiku 5.5の詳細はClaude Haiku 5.5とは？料金・速度をHaiku 4.5・Sonnet 5.5と実測比較で解説しているので、比較の参考にしてください。評価指標の全体像はArtificial Analysis Capability Indexes v2.0とは？職種別6指数を更新、Claude Opus 5.5が全分野首位も合わせてどうぞ。
よくある質問
Q. Muse Emberとは何ですか？ A. Metaが発表した効率重視層（efficient-tier）の最新AIモデルです。Artificial Analysisの評価では知能スコア36、タスク単価$0.14を記録しました。
Q. Muse Emberの料金はいくらですか？ A. 100万トークンあたり、入力$0.10、キャッシュ入力$0.004、出力$0.50です。タスク単価はMuse Ember（max）で$0.14、xhighで$0.12です。
Q. Muse Emberはどうやって使えますか？ A. Metaの第一者APIとコーディングエージェントMuse Codeで提供されます。日本での提供開始時期は現時点では明らかにされていません。
Q. Muse EmberとClaude Haiku 5.5の違いは？ A. 知能スコアはどちらも36ですが、タスク単価はMuse Ember（max）が$0.14、Claude Haiku 5.5（max）が$0.41です。Muse Emberはキャッシュ入力が60%安く、出力トークンも約3分の1で済みます。
Q. Muse Emberの弱点は？ A. 知識系が弱く、AA-Omniscienceの正確性は21.1%です。ただし64%の質問で回答を控えるため、幻覚率は17.4%とClaude Haiku 5.5（max）の半分に抑えられています。
Q. Muse Emberのベンチマーク結果は？ A. AutomationBench-AAで68.1%、Terminal-Bench 4.0で40.9%、FrontierCode 2.0で27.2%、Muse Code内のCoding Agent Indexで46を記録しています。
