메타, 에이전트용 최소형 모델 Muse Ember 공개… 작업당 비용 낮춰

메타가 자사에서 가장 작고 효율적인 AI 모델이라고 설명하는 Muse Ember를 공개했다. 메타의 발표를 전한 The Decoder와 Hipertextual에 따르면, 이 모델은 자유로운 대화나 고난도 추론이 아니라 AI 에이전트가 백그라운드에서 수행하는 반복적인 일상 업무를 위해 만들어졌다.

Muse Ember는 소형 언어 모델이다. 요청 하나를 처리하는 비용이 줄어들도록 의도적으로 크기를 작게 유지한 모델이라는 뜻이다. 메타가 꼽은 용도는 도구 호출, 작은 프로그래밍 작업, 요청 분배, 파일에서 데이터 추출, 긴 문서 분석이다. 메타는 AI 에이전트가 스스로 일할 때 이런 반복 단계가 자원의 대부분을 소모하기 때문에 저비용 전용 모델이 필요하다고 주장한다.

메타가 Muse Ember에 대해 발표한 내용

Hipertextual에 따르면 Ember는 메타의 초지능 팀이 개발하는 Muse 모델군에 합류한다. 이 모델군에는 Spark, Glimmer, Wonder 등이 있다. 모델은 Meta Model API와 메타의 코딩 도구인 Muse Code를 통해 바로 사용할 수 있다. 두 매체가 전한 수치는 다음과 같으며, 모두 메타 또는 메타가 인용한 벤치마크에서 나온 것이다.

• 가격: 입력 100만 토큰당 0.10달러, 출력 100만 토큰당 0.50달러. The Decoder와 Hipertextual 모두 같은 가격을 전했다.
• 컨텍스트 창: 한 번에 최대 100만 토큰을 입력할 수 있다. Hipertextual에 따르면 출력은 최대 51만 2000토큰으로, 코드베이스 전체나 문서 묶음을 요청 한 번에 처리할 수 있는 규모다.
• 처리 형식: 텍스트, 이미지, 오디오, 영상을 기본적으로 이해한다. 에이전트는 별도 모델을 부르지 않고도 화면 캡처, 도표, 스캔한 문서, 음성 녹음을 분석할 수 있다.
• 작업당 비용: The Decoder에 따르면 Artificial Analysis 테스트에서 약 0.14달러다.

토큰은 모델이 읽고 쓰는 텍스트의 단위로, 대략 단어의 일부에 해당한다. 100만 토큰당 가격은 AI 업체가 API로 모델 이용권을 청구할 때 흔히 쓰는 방식이다. 이 가격이면 Ember는 작업량이 많은 에이전트에 가장 저렴한 선택지 중 하나가 된다. 다만 두 기사는 경쟁사가 공개한 요금과 이 가격을 직접 비교하지는 않았다.

Muse Ember와 Claude Haiku 5.5, GPT-6 Luna 비교

The Decoder가 전한 메타의 설명에 따르면 Muse Ember는 모든 추론 단계에서 Claude Haiku 5.5나 GPT-6 Luna보다 달러당 더 많은 지능을 제공한다. Artificial Analysis 테스트에서 작업당 약 0.14달러가 들고, Intelligence Index 36점 이상을 기록한 모델 중 가장 저렴하다. Claude Haiku 5.5는 같은 점수에 작업당 0.41달러가 들어 거의 3배다. 더 큰 Muse Spark 1.3은 37점으로 거의 같은 점수를 받았지만 작업당 2.39달러가 든다.

업무 프로세스를 측정하는 AutomationBench-AA에서 Muse Ember는 68.1%를 기록해 Muse Wonder, GPT-6 Astra와 같은 수준이라고 The Decoder는 전했다. Hipertextual은 메타 주장에 따르면 Ember가 일부 벤치마크에서는 Claude Haiku 5.5와 비슷하고 다른 벤치마크에서는 GPT-6 Luna를 앞서며, 모두 작업당 비용은 더 낮다고 덧붙였다. 에이전트가 컴퓨터를 스스로 조작하는 능력을 재는 OSWorld에서는 모두 추론을 최대로 설정한 조건에서 Ember가 GPT-6 Luna와 Claude Haiku 5.5를 앞섰다. 실제 엔지니어링 작업을 평가하는 Terminal Bench 4.0에서 Ember는 GPT-6 Sol의 두 배 넘는 점수를 받았다. 그러나 Hipertextual은 순위표 상단을 Anthropic 모델(Opus, Astra, Sonnet)이 차지하고, Ember는 다른 대형 오픈소스 모델과 중간 구간에서 경쟁한다고 지적했다.

소형 모델과 대형 모델의 역할 분담

메타는 두 단계로 나눠 쓰는 방식을 설명한다. 전체 전략 수립 같은 고난도 작업은 Muse Wonder가 맡고, 운영 업무는 Ember가 담당한다는 것이다. Hipertextual에 따르면 메타 엔지니어들은 파일 읽기, 테스트 실행, 특정 부분 수정처럼 개발 세션 한 번에 수백 번씩 반복되는 프로그래밍 하위 작업에 맞춰 모델을 최적화했다. 이런 빈도에서는 작업당 몇 센트의 차이도 금세 쌓인다.

안전성과 관련해 Hipertextual은 메타 블로그 게시물을 인용해, 이 모델에도 다른 Muse 모델과 같은 학습 단계와 실행 단계의 안전장치가 적용된다고 전했다. 따라서 해킹 능력이나 그 밖의 금지된 능력은 갖추지 않았다는 설명이다. 그래도 이 매체는 파일을 다루는 AI에 부여하는 권한에는 주의하라고 조언했다.

아직 확인되지 않은 부분

위의 성능 수치는 모두 메타 또는 메타가 인용한 벤치마크에서 나온 것이며, 우리가 읽은 두 기사에는 독립적인 검증에 대한 언급이 없다. Artificial Analysis가 제시한 작업당 비용은 토큰 단가와 모델이 실제로 소비하는 토큰 수를 합산한 값이므로 작업 성격에 따라 달라질 수 있다. 두 기사 모두 Muse Ember의 매개변수 수나 가중치 공개 여부는 밝히지 않았다. Claude Haiku 5.5, GPT-6 Luna와의 비교는 제3자가 자체 측정 결과를 내놓기 전까지는 공급사의 주장으로 받아들여야 한다.

AI 에이전트를 쓰는 기업에 달라지는 점

에이전트를 도입하는 기업에 실무적 교훈은 작업 분배에 있다. 비싼 모델은 계획 수립에 쓰고, 추출, 분류, 작은 코드 수정 같은 반복 단계는 더 저렴한 모델로 보내는 것이다. Muse Ember의 공개 가격은 100만 토큰당 0.10달러와 0.50달러여서 이런 선택을 시험해 보기 쉽다. 전환하기 전에 자사 문서와 코드로 작업당 비용과 성공률을 직접 측정해야 한다. 메타의 벤치마크가 자사의 업무 부하를 반영하지 않을 수 있기 때문이다. 에이전트별 예산을 정해 두는 것도 중요하다. 싼 토큰이 통제되지 않는 청구서로 불어나는 일을 막아 주기 때문이다.

한국 기업이 눈여겨볼 대목은 모델 선택이 단일 계약이 아니라 작업별 설계 문제가 되고 있다는 점이다. 이 기사에서 확인된 사실만 보면 Ember는 요약, 추출, 분류, 코드 하위 작업처럼 횟수가 많고 건당 가치가 낮은 일에 맞춘 모델이며, 계획과 판단은 더 큰 모델에 남겨 두는 구조다. 다만 두 기사는 한국어 성능이나 국내 제공 조건에 대해서는 아무것도 밝히지 않았으므로, 한국어 문서로 직접 시험하기 전에는 결과를 장담할 수 없다.