통찰력 있는 사람들이 함께하는 젊고 열정적인 IT 기업, 비젠소프트.
A young and passionate technology company,
brought together by people with keen insight—this is Vizensoft.
메타 뮤즈 엠버 출시, 입력 0.1달러 저가 모델을 맡길 일과 맡기면 안 될 일 - 2026년 11월 메타 발표 기준 — 에이전트 반복 작업 비용을 낮추려는 개발자·운영자를 위한
2026년 11월 메타 발표 기준 — 에이전트 반복 작업 비용을 낮추려는 개발자·운영자를 위한 정리
메타가 2026년 11월 9일 Muse Ember(뮤즈 엠버, 모델 id muse-ember-1.0)를 공개했습니다. 메타가 스스로 '가장 작고 효율적인 모델'이라고 부르는 저가 모델입니다. 마크 저커버그가 X에서 직접 발표했습니다.
핵심만 먼저 정리합니다.
① 입력 100만 토큰당 $0.10, 출력 $0.50입니다. 다만 한 번에 넣는 입력이 20만 토큰을 넘으면 단가가 세 배가 됩니다.
② 같은 메타의 Muse Spark 1.3과 종합 지능 지수는 1점 차이(36 대 37)인데, 과제 1건당 비용은 $0.14 대 $2.39입니다. 반복 작업에서는 가장 먼저 검토할 만한 숫자입니다.
③ 코드 수정 품질 시험에서는 Claude Haiku 5.5가 앞섭니다. "Haiku보다 낫다"고 일반화할 수 없는 모델입니다.
이 글은 Muse Ember가 무엇을 싸게 해 주는 모델인지, 무엇은 맡기면 안 되는지, 그리고 지금 확정된 것과 아직 모르는 것이 무엇인지를 구분합니다. 점수는 모두 메타가 자체 측정해 발표한 값이라는 점을 먼저 밝혀 둡니다.
Muse Ember는 어려운 문제를 푸는 모델이 아니라, 에이전트가 반복해서 맡기는 일을 싸게 처리하는 모델로 설계됐습니다. 에이전트는 여러 단계를 스스로 이어서 처리하는 AI 작업 방식을 말합니다. 메타가 꼽은 대표 작업은 다섯 가지입니다.
① 도구 호출
② 작은 코딩 작업
③ 요청 분류·전달
④ 파일에서 정보 뽑기
⑤ 긴 문서 읽기
한 번의 작업은 가볍지만 하루에 수천, 수만 번 반복되는 일들입니다. 이런 일은 모델 성능보다 단가가 총비용을 좌우합니다.
토큰은 AI가 글을 잘게 나눠 읽는 단위입니다. 가격은 100만 토큰을 기준으로 매깁니다. 메타 발표문에 공개된 가격은 다음과 같습니다.
일반 요청(입력 20만 토큰 이하)
입력 $0.10
캐시된 입력 $0.004
출력 $0.50
긴 요청(입력 20만 토큰 초과)
입력 $0.30
캐시 입력 $0.012
출력 $1.50
캐시된 입력은 같은 내용을 반복해서 보낼 때 적용되는 낮은 단가입니다. 시스템 지시문이나 고정 자료를 매번 보내는 에이전트라면 이 줄이 실제 청구서에 가장 크게 영향을 줍니다. 일반 요청 기준 캐시 입력은 일반 입력의 25분의 1 수준입니다.
20만 토큰을 한 토큰이라도 넘으면 입력·캐시 입력·출력 단가가 모두 세 배로 올라갑니다. 긴 문서를 통째로 넣는 설계는 가격표만 보고 계산하면 틀립니다. 이 할증은 뒤에서 따로 다룹니다.
컨텍스트 창은 한 번에 넣을 수 있는 자료의 양입니다. Muse Ember는 100만 토큰, 최대 출력은 51만 2천 토큰입니다. 글·이미지·음성·영상을 입력으로 이해하고, Muse Wonder Full로 학습시킨 첫 모델이라고 메타는 밝혔습니다.
공개되지 않은 것도 분명합니다. 모델 크기(파라미터 수)는 공개하지 않았고, 가중치를 내려받을 수 있는 공개 모델도 아닙니다. 직접 서버에 올려 돌리는 방식은 선택지가 아닙니다.

에이전트 업무에서는 성능이 아니라 호출 횟수가 비용을 만들기 때문입니다. 이 부분은 메타가 직접 밝힌 계기가 아니라 구조적인 설명이라는 점을 구분해 두겠습니다.
메타가 발표문에서 밝힌 것은 Ember의 위치입니다. 어려운 문제는 Muse Wonder에 맡기고, Wonder가 계획을 세우면 Ember가 반복 작업을 처리하는 식으로 함께 쓰라는 안내입니다. 어려운 단발성 코딩·지식 질문에는 Spark나 Wonder를 권합니다. 즉 라인업 안에서 일을 나누라는 설계입니다.
에이전트는 한 번의 요청에 도구 호출, 확인, 재시도를 수십 번 이어 붙입니다. 매 단계마다 가장 비싼 모델을 부르면 비용이 단계 수에 비례해 늘어납니다. 단계 대부분이 사실 단순한 분류나 추출이라면, 그 부분만 싼 모델로 내려도 결과 품질은 크게 달라지지 않습니다. Ember가 겨냥하는 지점이 여기입니다.
참고로 이 글은 개별 모델 소개가 아니라, 메타 라인업 안에서 일을 나누는 기준과 다른 저가 모델과의 비교에 초점을 둡니다.

지능 지수 1점 차이에 과제당 비용은 17배 가까이 벌어집니다. 가장 먼저 볼 숫자입니다.
Artificial Analysis 종합 지능 지수(v5)에서 Spark 1.3은 37, Ember는 36입니다. 과제 1건당 비용은 정가 기준 Spark $2.39, Ember $0.14입니다. $2.39를 $0.14로 나누면 약 17배입니다.
단가도 같은 방향입니다.
Spark 1.3: 입력 $1.25 / 출력 $4.25
Ember: 입력 $0.10 / 출력 $0.50
입력 단가는 12.5배, 출력 단가는 8.5배 차이입니다. 과제당 비용 격차(약 17배)가 단가 격차보다 큰 것은 과제를 끝내는 데 쓰는 토큰량까지 합산한 값이기 때문이라고 읽을 수 있습니다. 다만 이 합산 방식의 세부 내용은 발표문에서 확인되지 않으므로, 내 작업에서도 같은 비율이 나온다고 단정하면 안 됩니다.
종합 지능 지수는 여러 시험을 합친 평균 성격의 점수입니다. 평균이 비슷하다고 모든 작업에서 비슷하다는 뜻은 아닙니다. 반대로, 매번 최고 수준의 추론이 필요하지 않은 작업이라면 1점 차이를 17배 비용으로 살 이유가 줄어듭니다.
판단 기준은 하나입니다. 작업이 정답이 분명하고 검증하기 쉬운 반복 작업인가, 한 번 틀리면 되돌리기 어려운 판단인가. 앞쪽이면 Ember가 후보입니다.
에이전트형 시험에서는 Ember가 Haiku 5.5와 GPT-6 Luna를 앞섰습니다. 아래 두 시험은 모두 메타가 최대 추론 설정으로 직접 측정한 값입니다.
여러 업무 도구를 이어서 쓰는 자동화 작업을 얼마나 해내는지 재는 시험입니다.
Muse Ember 37.8%
GPT-6 Luna 20.2%
Claude Haiku 5.5 13.9%
Ember가 Luna의 약 1.9배, Haiku 5.5의 약 2.7배입니다. 격차가 가장 크게 벌어진 시험입니다.
화면을 보고 마우스와 키보드로 프로그램을 조작하는 작업을, 성공이냐 실패냐로 판정하는 시험입니다.
Muse Ember 33.8%
Claude Haiku 5.5 27.8%
GPT-6 Luna 17.0%
Ember가 Haiku 5.5보다 6.0%포인트 높습니다. 업무 자동화 시험만큼 큰 격차는 아닙니다.
이 두 결과는 Ember의 설계 목적(에이전트 반복 작업)과 정확히 맞는 시험에서 나왔습니다. 그래서 설득력은 있지만, 두 가지 한계를 함께 봐야 합니다.
첫째, 측정 주체가 메타입니다. 시험 설정과 비교 대상을 메타가 골랐습니다.
둘째, 시험 과제와 내 업무가 같다는 보장이 없습니다. 업무 자동화 시험에서 이겼다고 내 사내 도구 연동에서도 이긴다는 뜻은 아닙니다.


코드를 고치는 일에서는 Ember를 무조건 믿으면 안 됩니다. 코딩 관련 시험 두 개의 결과가 서로 반대 방향이기 때문입니다.
명령줄 환경에서 작업을 끝내는 능력을 재는 시험입니다.
Muse Ember 40.9%
Claude Haiku 5.5 39.2%
GPT-6 Luna 16.4%
Ember가 근소하게 앞서지만, 이 값은 모델마다 다른 실행 도구로 잰 것입니다. Ember는 mini-swe-agent, Haiku는 Claude Code로 측정했습니다. 실행 도구가 다르면 같은 조건의 비교가 아닙니다. 1.7%포인트 차이는 도구 차이에서 올 수도 있어서, 사실상 "비슷하다"로 읽는 것이 안전합니다.
저장소 관리자가 실제로 받아들일 만한 수정인지를 보는 시험입니다. 돌아가기만 하는 코드가 아니라 실제로 병합될 품질인지를 봅니다.
Claude Haiku 5.5 34.9%
Muse Ember 27.2%
GPT-6 Luna 25.2%
Haiku 5.5가 Ember보다 7.7%포인트 높습니다. 이 시험에서는 Haiku가 확실히 앞섭니다.
터미널 작업은 "명령이 끝까지 실행되는가"에 가깝고, 코드 수정 품질은 "사람이 검토해서 받아들일 수준인가"에 가깝습니다. Ember는 앞의 것은 비슷하게 해내지만 뒤의 것에서는 밀린다는 그림입니다.
실무로 옮기면 이렇습니다.
① 설정 파일 변경, 로그 정리, 스크립트 실행처럼 결과를 바로 검증할 수 있는 작업은 Ember가 후보입니다.
② 운영 코드에 병합될 수정, 설계가 얽힌 변경처럼 사람이 읽고 책임져야 하는 코드는 Haiku 5.5나 Spark·Wonder 쪽이 더 안전합니다.
메타도 어려운 단발성 코딩 질문에는 Spark나 Wonder를 권한다고 밝혔습니다. 같은 안내와 일치하는 결과입니다.
지능 지수가 같은 36인데 과제당 비용은 Ember가 약 $0.14, Haiku 5.5 최고 설정이 $0.411입니다. 메타는 이를 두고 "Haiku의 최고 점수를 약 3분의 1 비용으로 낸다"고 주장합니다.
지능 지수(v5) 기준으로는 이렇습니다.
Muse Ember 36
Claude Haiku 5.5 36 (최고 설정 36.2)
GPT-6 Luna 28
과제당 비용은 Ember 약 $0.14, Haiku 5.5 최고 설정 $0.411입니다. $0.14를 $0.411로 나누면 약 0.34이니 메타의 "약 3분의 1" 표현과 맞습니다.
첫째, 이것은 메타의 주장입니다. 발표 자료가 Artificial Analysis 수치를 인용한 형태지만, 비용 비교의 조건은 메타가 정리해 제시한 것입니다.
둘째, 비교 대상이 Haiku 5.5의 최고 설정입니다. 낮은 설정으로 쓰면 Haiku의 비용은 달라질 수 있으며, 그 값은 발표문에서 확인되지 않습니다.
셋째, 지능 지수가 같다는 것은 평균 점수가 같다는 뜻이지 코드 수정 품질까지 같다는 뜻이 아닙니다. 앞 섹션에서 본 FrontierCode 2.0 결과가 그 증거입니다.
Luna는 지능 지수 28로 두 모델보다 낮습니다. 다만 Luna와 Haiku 5.5의 단가는 발표문에서 확인되지 않아 이 글에서는 가격 비교를 하지 않습니다.
1M 컨텍스트는 쓸 수 있다는 뜻이지 싸게 쓸 수 있다는 뜻이 아닙니다. 이 글에서 독자가 가장 놓치기 쉬운 부분입니다.
앞에서 본 가격표를 다시 단순화하면, 입력 20만 토큰까지는 $0.10, 그 이상은 $0.30입니다. 컨텍스트 창은 100만 토큰이지만, 단가가 유리한 구간은 그 5분의 1입니다.
입력 15만 토큰과 25만 토큰의 입력 비용을 비교해 봅니다. 단가는 모두 발표문에 있는 값입니다.
15만 토큰 입력: 일반 단가 $0.10 적용, 0.15 × $0.10 = $0.015
25만 토큰 입력: 긴 요청 단가 $0.30 적용, 0.25 × $0.30 = $0.075
토큰은 약 1.67배 늘었는데 입력 비용은 5배가 됩니다. 한 요청 안에서 구간이 갈리는지, 20만 토큰을 넘는 순간 전체 입력이 높은 단가로 계산되는지는 발표문에서 명확히 확인되지 않습니다. 위 계산은 "요청 전체에 높은 단가가 적용된다"는 가정이며, 이 점은 실제 청구 방식을 확인해야 합니다.
① 자료를 쪼개 보냅니다. 20만 토큰 이하 단위로 나누면 일반 단가를 유지합니다. 다만 쪼갠 조각 사이의 맥락이 끊기는 비용이 생깁니다.
② 고정 자료는 캐시로 보냅니다. 캐시 입력은 일반 입력의 25분의 1 수준이라, 반복해서 보내는 지시문·규정집은 캐시 구성을 먼저 검토할 가치가 있습니다.
③ 긴 문서 통독이 꼭 필요한 작업만 긴 요청으로 보냅니다. 나머지는 검색으로 필요한 부분만 골라 넣는 방식이 단가와 정확도 양쪽에서 유리합니다.
④ 요청마다 입력 토큰 수를 기록합니다. 20만 토큰 근처에서 청구가 급변하므로, 경계선 가까운 요청의 비율을 모니터링해야 합니다.

저가 모델 도입의 핵심은 모델을 바꾸는 것이 아니라 일을 나누는 것입니다. 아래는 발표 내용에서 근거를 찾을 수 있는 범위에서 대상별로 나눈 것입니다.
호출 횟수가 많은 단계부터 Ember 후보로 올립니다. 메타가 반복 작업으로 꼽은 다섯 가지(도구 호출, 작은 코딩 작업, 요청 분류·전달, 파일 정보 추출, 긴 문서 읽기)가 기준입니다. 계획과 최종 판단은 상위 모델에 남겨 두는 구조가 메타의 안내와 일치합니다.
운영 코드 병합용 수정은 Ember에 맡기기 전에 사람이 읽는 검증 단계를 반드시 둡니다. FrontierCode 2.0에서 Haiku 5.5가 7.7%포인트 앞선 결과가 근거입니다. Ember를 쓰더라도 초안 생성이나 테스트 실행 같은 보조 역할이 안전합니다.
Spark 1.3으로 돌리던 반복 작업이 있다면 비교 시험 대상입니다. 지능 지수 1점 차이에 과제당 비용 17배 차이라는 숫자는 메타 측정이므로, 내 작업 샘플로 직접 확인해야 합니다. 긴 문서를 다루는 작업이라면 20만 토큰 할증도 계산에 넣습니다.
Haiku 5.5나 GPT-6 Luna를 쓰는 중이라면, 에이전트형 시험(업무 자동화·컴퓨터 조작)에서 Ember가 앞선 메타 발표를 비교의 출발점으로 삼을 수 있습니다. 다만 코드 수정 품질에서는 Haiku가 앞서므로, 작업 유형별로 나눠 비교해야 합니다.
Ember는 Muse Code와 메타 Model API에서 쓸 수 있고, 구글 클라우드와 오라클 클라우드에서도 제공됩니다. 다만 확정된 것보다 확인되지 않은 것이 더 많습니다.
① Muse Code에서 사용할 수 있습니다.
② 메타 Model API에서 사용할 수 있고, Responses API를 지원합니다.
③ 구글 클라우드·오라클 클라우드에서 Muse Ember·Spark·Wonder를 제공합니다.
① 공식 가격표 미등재. 11월 10일 기준 메타 Model API 공식 가격표에는 Ember가 아직 올라가 있지 않았습니다. 이 글에서 인용한 가격의 유일한 공식 출처는 발표문입니다.
② 배치 가격과 사용 한도. 배치 처리 가격, 사용 한도는 공개되지 않았습니다.
③ 클라우드 쪽 Ember 가격. 구글·오라클 클라우드에서의 Ember 가격은 공개되지 않았습니다.
④ 지역별 제공 여부. 한국을 포함한 지역별 제공 여부는 공식 발표에서 확인되지 않습니다. 한국에서 바로 쓸 수 있다고 판단하기 전에 계정과 리전에서 직접 확인해야 합니다.
⑤ 모델 크기. 파라미터 수는 공개되지 않았습니다.
이 목록은 도입 계획서에서 "가정"으로 분리해 적어 두어야 합니다. 특히 가격은 공식 가격표에 올라오는 시점에 달라질 수 있는지 여부도 현재 자료로는 알 수 없습니다.
지금까지 본 숫자를 한 번에 모아 봅니다. 모두 메타 발표 값이며, 최대 추론 설정입니다.
| 구분 | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| 업무 자동화 시험 | 37.8% | 13.9% | 20.2% |
| 컴퓨터 조작 시험 | 33.8% | 27.8% | 17.0% |
| 터미널 작업 시험(실행 도구 다름) | 40.9% | 39.2% | 16.4% |
| 코드 수정 품질 시험 | 27.2% | 34.9% | 25.2% |
| 종합 지능 지수 v5 | 36 | 36 | 28 |
같은 메타 라인업 안에서는 이렇습니다.
| 구분 | Muse Ember | Muse Spark 1.3 |
|---|---|---|
| 종합 지능 지수 | 36 | 37 |
| 과제 1건당 비용(정가) | $0.14 | $2.39 |
| 입력/출력 단가(100만 토큰) | $0.10 / $0.50 | $1.25 / $4.25 |
① 반복 작업 비용이 문제라면 Spark 1.3 대비 과제당 비용 격차(약 17배)를 내 작업 샘플로 검증합니다.
② 에이전트형 자동화를 구축 중이라면 업무 자동화·컴퓨터 조작 시험 결과를 출발점으로 삼되, 내 도구 연동으로 직접 확인합니다.
③ 코드 수정 품질이 중요하다면 FrontierCode 2.0에서 앞선 Haiku 5.5나 상위 모델을 우선 후보로 둡니다.
④ 긴 문서를 다룬다면 입력 20만 토큰 경계에서 단가가 세 배가 되는 점을 설계에 반영합니다.
⑤ 한국에서 도입하려면 지역별 제공 여부와 공식 가격표 등재를 확인한 뒤 결정합니다.
메타가 권하는 사용법은 Ember 단독이 아니라 상위 모델과의 분업입니다. 가장 어려운 문제는 Muse Wonder에 맡기고, Wonder가 계획을 세우면 Ember가 반복 작업을 처리합니다.

실제로 적용한다면 다음 순서가 합리적입니다.
Step 1. 현재 에이전트가 거치는 단계를 모두 적어 냅니다. 한 요청이 몇 번의 모델 호출로 이뤄지는지 센 뒤, 단계별 호출 횟수를 표로 만듭니다.
Step 2. 각 단계를 "정답이 분명하고 검증하기 쉬운가"로 분류합니다. 분류, 추출, 도구 호출처럼 결과를 기계적으로 확인할 수 있는 단계는 Ember 후보입니다. 계획 수립, 예외 판단처럼 틀리면 뒤 단계가 모두 어긋나는 단계는 상위 모델에 남깁니다.
Step 3. 후보 단계를 내 데이터 샘플로 Ember와 현재 모델에 각각 돌려 비교합니다. 메타의 점수가 아니라 내 작업의 성공률과 과제당 비용을 기록합니다.
Step 4. 입력 토큰 수를 점검합니다. 20만 토큰을 넘는 요청이 있으면 쪼갤지, 캐시로 돌릴지, 상위 모델에 맡길지 정합니다.
Step 5. 병합·배포 같은 되돌리기 어려운 지점 앞에는 사람 검토 또는 상위 모델 검증을 둡니다. Ember의 코드 수정 품질이 Haiku 5.5보다 낮게 측정된 점이 이 단계를 두는 이유입니다.
메타는 Superintelligence Scaling Framework로 화학·생물, 사이버보안, 통제 상실 위험을 평가한 결과 '높은 위험' 기준 아래로 나왔다고 밝혔습니다. 평가의 세부 내용과 방법론은 공개된 자료에 없으므로, 여기서는 메타가 그렇게 밝혔다는 사실만 전합니다.
가장 싼 모델을 고르는 일보다, 어떤 단계를 맡겨도 되는지 가려내는 일이 먼저입니다. 이번 주 안에 할 수 있는 점검을 순서대로 적습니다.
① 호출 로그를 단계별로 집계합니다. 어떤 단계가 가장 자주 호출되고, 단계마다 입력·출력 토큰이 얼마인지 봅니다. 비용의 대부분이 소수 단계에서 나오는 경우가 많습니다.
② 입력 20만 토큰을 넘는 요청이 있는지 확인합니다. 있다면 그 비율을 계산하고, 할증이 적용되면 비용이 어떻게 바뀌는지 시뮬레이션합니다.
③ 평가용 샘플을 만듭니다. 실제 업무 요청 50~100건 정도에 정답 기준을 붙여 두면, 모델을 바꿀 때마다 같은 샘플로 비교할 수 있습니다. 이 규모는 권장 예시이며 발표 자료의 수치가 아닙니다.
④ 코드 관련 단계는 따로 평가합니다. 실행 성공 여부와 사람이 읽었을 때의 수용 가능성을 분리해서 기록합니다. 두 시험의 결과가 엇갈린 것과 같은 구분입니다.
⑤ 제공 여부와 가격을 확인합니다. 사용 중인 클라우드 계정·리전에서 Ember가 열려 있는지, 공식 가격표에 등재됐는지 직접 확인합니다. 배치 처리를 계획했다면 배치 가격이 공개됐는지도 봅니다.
⑥ 되돌릴 수 있게 설계합니다. 모델 id(muse-ember-1.0)를 설정값으로 분리해 두면, 가격이나 품질이 바뀌었을 때 코드 수정 없이 모델을 교체할 수 있습니다.
① 작업 대부분이 코드 병합용 수정이고 사람 검토를 붙일 수 없는 경우
② 서비스 지역이 한국이고 제공 여부를 아직 확인하지 못한 경우
③ 비용 계획이 배치 가격이나 사용 한도에 의존하는데 해당 값이 공개되지 않은 경우
발표 자료에서 확인되는 사용처는 Muse Code, 메타 Model API, 그리고 구글·오라클 클라우드입니다. 일반 사용자용 앱에서의 제공 여부는 공식 발표에서 확인되지 않습니다.
공개된 자료에서는 가중치를 내려받을 수 있는 공개 모델이 아닙니다. 모델 크기도 공개되지 않았습니다. API나 클라우드를 통해 쓰는 방식만 확인됩니다.
입력이 20만 토큰을 넘는 긴 요청은 입력 $0.30, 캐시 입력 $0.012, 출력 $1.50으로 계산됩니다. 일반 요청의 세 배입니다. 경계 부근에서 요청 한 건의 청구가 어떻게 계산되는지의 세부 조건은 공개된 자료에서 확인되지 않으므로, 소량 테스트로 청구 내역을 먼저 확인하는 편이 안전합니다.
- research.meta.ai (공식 발표: https://research.meta.ai/blog/muse-ember)
- digitaltrends.com
- datastudios.org
- benchlm.ai
- thursdai.news
Muse Ember는 반복 에이전트 작업의 단가를 크게 낮추려는 모델입니다. Spark 1.3과 지능 지수가 1점 차이인데 과제당 비용이 약 17배 낮고, 업무 자동화·컴퓨터 조작 시험에서는 Haiku 5.5와 GPT-6 Luna를 앞섰습니다. 반면 코드 수정 품질에서는 Haiku 5.5에 뒤지고, 입력이 20만 토큰을 넘으면 단가가 세 배가 됩니다.
확정된 것은 이 숫자들뿐이고, 모두 메타가 직접 측정하고 발표한 값입니다. 공식 가격표 등재, 배치 가격, 사용 한도, 한국 제공 여부는 아직 모릅니다. 싼 모델을 맡길 일은 검증하기 쉬운 반복 작업, 맡기면 안 될 일은 사람이 책임져야 하는 판단과 코드라는 기준으로, 내 데이터로 직접 시험해 본 뒤 결정하시길 권합니다.