Meta startet Muse-Familie für agentische Workflows

Meta hat eine neue Familie von KI-Modellen unter dem Namen Muse eingeführt. Dabei positioniert das Unternehmen Wonder als Flaggschiff, Spark als kosteneffiziente mittlere Stufe und Ember für hochvolumige, wiederholbare Agenten-Aufgaben. Diese Umstellung ersetzt die Llama-Reihe und fügt Open-Weight-Optionen wie Glimmer für On-Device-Agenten hinzu.

Was passiert ist

Laut dem Zapier-Blog umfasst Metas Muse-Reihe nun:

• Muse Wonder – das leistungsfähigste Modell, verfügbar über die API und in Muse Code, wobei eine „Full“-Variante nur über ein Muse Code-Abonnement erhältlich ist. Es führt Active Memory (Zustandsspeicherung über Unterhaltungen hinweg) und Active Focus (zielorientierte Fehlerbehebung) ein. Preis: 4 $ / Mio. Eingabe-Token, 20 $ / Mio. Ausgabe-Token.
• Muse Spark 1.3 – ein multimodales, werkzeugnutzendes Modell, das Text, Bilder, Audio und Video unterstützt. Es ist günstiger und schneller als Wonder und kostet 1,25 $ / Mio. Eingabe-Token und 4,25 $ / Mio. Ausgabe-Token. Eine „Contributor“-Stufe senkt den Preis auf 0,10 $ / Mio. Eingabe und 0,20 $ / Mio. Ausgabe im Austausch für Datenfreigabe.
• Muse Ember – ein leichtgewichtigenes Modell für repetitive Agentenarbeit (Tool-Aufrufe, Routing, Extraktion). Es verfügt über ein Kontextfenster von 1 Mio. Token, kann bis zu 512 kB Token ausgeben und kostet 0,10 $ / Mio. Eingabe und 0,50 $ / Mio. Ausgabe.
• Muse Glimmer – ein Open-Weight-Modell mit 30 Milliarden Parametern, das für den lokalen Betrieb auf einer Consumer-GPU entwickelt wurde und von Hugging Face heruntergeladen werden kann.
• Muse (App für persönliche Assistenten) – nutzt Spark im Hintergrund, lässt jeden Nutzer auf einer dedizierten Linux-Instanz namens „Muse Secure VM“ laufen und enthält einen Sentinel-Watchdog für die Sicherheit.
• Muse Code – ein terminalbasiertes Programmier-Agenten-Tool, das jedes der Muse-Modelle ausführen kann. In Kombination mit Wonder Full entspricht seine Leistung den Top-Angeboten von Claude und OpenAI.

Entwickler können über die Meta Model API auf Spark, Wonder und Ember zugreifen, und alle drei lassen sich in Zapier-Automatisierungen einbinden, die über 9.000+ Apps hinweg auslösen. Meta kündigte außerdem ein sprachbasiertes Gerät namens Muse Charm an, allerdings sind die Details spärlich.

Warum es für kleine Teams wichtig ist

Für Ersteller in kleinen bis mittelgroßen Unternehmen bietet die Muse-Familie eine klare Skalierungstreppe. Die Kosten sind ein primäres Anliegen: Embers Raten von unter 0,20 $ pro Million Token machen es für die Batch-Verarbeitung rentabel (z. B. Dokumentenanalyse oder Routing), während Spark einen Mittelweg für multimodale Aufgaben bietet, ohne den Premiumpreis von Wonder. Agentische Funktionen wie Active Memory und Active Focus reduzieren den Bedarf an individuellem State-Management-Code, sodass sich Teams auf die Geschäftslogik statt auf Prompt Engineering konzentrieren können. Das Open-Weight-Modell Glimmer ermöglicht datenschutzsensiblen Teams, Agenten vor Ort (on-premises) auszuführen, wodurch Bedenken hinsichtlich des Datenabflusses vermieden werden und gleichzeitig dieselben Tool-Nutzungsmuster unterstützt werden. Schließlich bedeutet die enge Integration mit Zapier, dass Teams Muse-Modelle in bestehende No-Code-Workflows einbetten und Beobachtbarkeit sowie Governance gewinnen können, ohne einen vollständigen Orchestrierungs-Stack aufbauen zu müssen. Kurz gesagt: Metas Muse-Reihe bietet kleinen Teams eine gestaffelte, preistransparente Möglichkeit, mit KI-Agenten in Produktionsqualität zu experimentieren und diese einzusetzen.

Was Sie diese Woche tun sollten

1. Richten Sie eine Zapier-Automatisierung ein, die Muse Spark für eine repetitive Aufgabe aufruft (z. B. das Extrahieren von Leads aus E-Mails), und messen Sie die Token-Nutzung im Vergleich zu Ihrem Budget.
2. Laden Sie Muse Glimmer von Hugging Face herunter und führen Sie einen einfachen lokalen Agenten auf einer GPU-fähigen Workstation aus, um Latenz- und Datenschutzgarantien zu testen.
3. Vergleichen Sie die Token-Kosten von Ember und Spark für einen Batch-Verarbeitungsjob und entscheiden Sie, ob ein Upgrade auf Wonder für Anwendungsfälle mit hoher Komplexität gerechtfertigt ist.

Quellen

• Muse Wonder, Muse Spark, and Muse Ember: A guide to Meta's AI models — Zapier Blog