Sommaire · 3 parties
De Llama à Muse
Pendant des années, Meta a été connu pour Llama, sa famille de modèles aux poids ouverts, dont la quatrième génération est sortie en avril 2025. En 2026, l’entreprise a lancé une nouvelle lignée, conçue par sa nouvelle équipe Meta Superintelligence Labs :
- Muse Spark (8 avril 2026), un modèle de raisonnement qui comprend aussi les images. Il anime l’assistant Meta AI dans l’application et sur meta.ai, avec un déploiement prévu dans WhatsApp, Instagram, Facebook, Messenger et Threads. À son lancement, son API n’était ouverte qu’à des partenaires sélectionnés.
- Muse Glimmer (août 2026), son pendant aux poids ouverts.
- Muse Wonder (octobre 2026), le modèle le plus avancé de Meta.
- Muse Ember (9 novembre 2026), le plus léger et le moins coûteux.
Muse Ember : faire le volume
Meta résume la répartition des rôles en une phrase : « Muse Wonder planifie, Muse Ember gère le volume ». Ember est pensé pour les tâches que les agents répètent toute la journée : appeler des outils, traiter des sous-tâches de code, orienter des demandes, extraire des informations, analyser de longs documents.
Il comprend le texte, les images et l’audio : un agent peut lire des captures d’écran, des graphiques ou des documents scannés, et travailler à partir de mémos vocaux, d’enregistrements de réunion ou de vidéos.
L’exemple donné par Meta est parlant : pour un service client, un grand modèle fixe la règle à appliquer à un problème, puis Ember l’applique à des dizaines de milliers de cas. Son prix d’entrée, 0,10 $ par million de jetons, est nettement inférieur à celui des petits modèles des grands concurrents.
Ce qu’on ne sait pas encore
Au moment de son annonce, la presse ne précisait pas où Ember serait disponible : dans l’application Meta AI, par une API ouverte à tous ou en poids ouverts. Les comparaisons de performance publiées reposent sur l’indice d’Artificial Analysis mis en avant par Meta, sans détail des scores.
Associer un grand modèle qui réfléchit et un petit modèle qui exécute devient la norme. Pour une entreprise, c’est souvent la clé d’un projet d’IA rentable : réserver le modèle coûteux aux décisions, et confier le volume à un modèle léger.
Sources
Faits et chiffres tels que publiés par les entreprises et la presse aux dates indiquées. Les résultats de tests cités sont ceux annoncés par les entreprises elles-mêmes.
Visuel : Meta, publié par l’entreprise avec son annonce.