Ugyanaz a tokenár, harmadannyi számla? Mit tud a Meta Muse Ember, és mire figyelj itthon

Állapot: 2026. november 11. A cikk a Meta hivatalos bejelentésén és fejlesztői blogján, a Meta földrajzi felhasználási szabályzatán, az Anthropic és az OpenAI árlistáján, az Artificial Analysis és az OpenRouter adatlapján, valamint a TechCrunch, a The Decoder, a Techzine, a Fello AI és az i-scoop cikkén alapul. A modellt nem futtattuk saját feladaton; a forintos számítás a listaárakból és a közölt mérésekből készült.

Aki AI-ügynököt üzemeltet, tudja, hogy a számla nagy része nem a látványos, „okos” lépésekből jön. Hanem a sok ezer apró, ismétlődő hívásból: egy számla mezőinek kiolvasásából, egy e-mail besorolásából, egy szerződés kikötéseinek végignézéséből. A Meta új modellje pontosan erre a rétegre lő, és egy érdekes állítással érkezik: ugyanazon a listaáron kevesebbe kerül egy elvégzett feladat.

Ebből a cikkből megtudod, mi a Muse Ember, honnan jön a „harmadannyi” költség és hol nem igaz, mit mutatnak a mérések és ki futtatta őket, mennyi ez forintban három tipikus KKV-feladatnál, és mi a helyzet az adatkezeléssel, ha Magyarországról használnád.

Mi az a Meta Muse Ember, és miben más, mint a többi Muse-modell?

A Muse Ember a Meta Muse-családjának negyedik tagja. A TechCrunch összefoglalója szerint a közepes Spark áprilisban, a nyílt súlyú Glimmer augusztusban, az első csúcsmodell, a Wonder októberben jelent meg. Az Ember a legkisebb és a legolcsóbb közülük.

A Meta a hivatalos bejelentésben így írja le a szerepét: „our smallest and most efficient model designed for complex reasoning execution and the work agents repeat all day: tool calls, coding subtasks, routing, extraction, and long document parsing”. Magyarul: a legkisebb és leghatékonyabb modell, amely összetett érvelést igénylő végrehajtásra és arra a munkára készült, amit az ügynökök egész nap ismételnek.

A munkamegosztást a Meta egy mondatban foglalja össze: „Muse Wonder plans, Muse Ember handles the volume.” A drága, nagy modell tervez, az olcsó kicsi végzi a tömeges végrehajtást. Ez nem új ötlet, de most egy gyártó kifejezetten erre a szerepre ad ki modellt, és a fejlesztői blogjában mintát is mutat hozzá.

Ha a nyílt súlyú, saját gépen futtatható Meta Muse modell érdekel, a Meta Muse Glimmer 30B-ről szóló cikkünkben írtunk róla. Ez a cikk a zárt, API-n elérhető Muse Emberről szól: a súlyait nem lehet letölteni.

Mit tud technikailag?

• 1 millió tokenes kontextus és legfeljebb 512 ezer token kimenet. A Meta szerint egy teljes kódbázis vagy dokumentumcsomag belefér egy hívásba.
• Multimodális bemenet: a Meta szöveget, képet, hangot és videót ír. Az Artificial Analysis adatlapja viszont csak szöveg- és képbemenetet tüntet fel, a hang- és videóbemenetet független mérés még nem igazolta.
• Fejlesztői kompatibilitás: OpenAI SDK-val elég a végpont címét átírni, és támogatja a Responses API-t.
• Sebesség: az Artificial Analysis 454 kimeneti tokent mért másodpercenként.
• Tanítás: a Meta szerint az első modell, amelyet a Muse Wonder Full segítségével tanítottak.

Tényleg olcsóbb a Muse Ember, mint a Claude Haiku 5.5 és a GPT-6 Luna?

A rövid válasz: az árlistán nem, a feladatonkénti számlán gyakran igen. Ez a cikk legfontosabb pontja, mert a tokenár és a feladatonkénti költség könnyen összekeveredik.

A három modell bemeneti és kimeneti listaára 100 ezer tokenes kérésig azonos. Ezt a gyártók saját árlistája mutatja: az Anthropic árlistája a Haiku 5.5-re, az OpenAI árlistája a GPT-6 Luna-ra.

Akkor honnan a „harmadannyi”? A tokenfogyasztásból. Az Artificial Analysis összesített intelligencia-indexén (kilenc feladatcsoport) az Ember a legerősebb beállításán 36 pontot ért el, nagyjából annyit, mint a Haiku 5.5 a sajátján. A mérés teljes költsége feladatonként az Embernél 0,14 dollár, a Haiku 5.5-nél 0,41 dollár, a Luna-nál 0,15 dollár volt.

A különbség oka a Fello AI összesítése szerint az, hogy ugyanazon az indexen az Ember 115 millió, a Haiku 5.5 298 millió, a Luna 110 millió kimeneti tokent termelt. A Haiku tehát nem drágább tokenenként, hanem többet „beszél”, és többet gondolkodik hangosan. A Techzine ugyanígy írja: a költségelőny elsősorban a kevesebb generált kimenetből és az olcsóbb cache-feldolgozásból jön.

„The verdict: Muse Ember is not cheaper than its rivals on the price list, and Meta never quite says it is.”

Magyarul: Az ítélet: a Muse Ember az árlistán nem olcsóbb a riválisainál, és a Meta sem állítja ezt egészen.

Egy fontos következmény: a Luna feladatonkénti költsége szinte ugyanannyi, mint az Emberé, csak a Luna ugyanezen az indexen 28 pontot ért el. Olcsón tehát a Luna is dolgozik, de gyengébb eredménnyel. A Haikuval szemben az Ember előnye valódi, a Luna-val szemben inkább minőségi, mint költségbeli.

Hol változik a sorrend? Hosszú dokumentumoknál

A hosszú kérések árazása mindhárom modellnél lépcsős, és a lépcsők máshol vannak. Ebből a listaárakkal számolva, cache nélkül, 2000 kimeneti tokennel ez jön ki egy hívásra:

100 és 200 ezer token között az Ember a Haiku ötödébe kerül, mert a Haikunál 100 ezer token felett a teljes kérés drágább sávba lép. 200 ezer token felett viszont a Luna a legolcsóbb, mert nála a lépcső csak 272 ezer tokennél van. Ha a cégednél nagyon hosszú iratcsomagokat dolgoz fel egy ügynök, ezt a határt érdemes figyelni.

Mit mutatnak a benchmarkok, és kinek higgy?

A Meta tíz mérést közölt a bejelentésben, az alábbi táblázat ebből hetet mutat. Ezek egy részét az Artificial Analysis futtatta, más részét a Meta maga. A különbség számít, mert a gyártó saját mérése mindig kedvezőbb képet ad, és a Meta a versenytársak futtatását maga is „legjobb igyekezet szerintinek” (best-effort) nevezi.

A legnagyobb különbség az AutomationBench-AA-n van, ami egy KKV-nak a legérdekesebb, mert üzleti folyamatok automatizálását méri. Itt az Ember közel háromszor annyit teljesített, mint a Haiku 5.5. A valódi, beolvasztható kódot mérő FrontierCode 2.0-n viszont a Haiku nyer.

„Muse Ember leads in most of Meta's own tests, but Haiku outperforms it on real coding tasks in FrontierCode 2.0-AA, scoring 34.9 percent to Muse Ember's 27.2 percent.”

Magyarul: A Muse Ember a Meta saját tesztjeinek többségében vezet, de a valódi kódolási feladatokon a FrontierCode 2.0-AA-n a Haiku megelőzi: 34,9 százalékot ér el a Muse Ember 27,2 százalékával szemben.

Egy apró, de becsületes részlet: a Meta saját grafikonján az Ember 35,8 pontot kapott a Haiku 36,2 pontjával szemben. Mindkettő 36-ra kerekedik. Az Ember tehát felveszi a versenyt a Haikuval, nem veri meg, csak sokkal olcsóbban éri el ugyanazt.

Mire jó a Muse Ember egy cégnél: tervező és végrehajtó modell?

A Meta fejlesztői blogja egy kódmigrációval mutatja be a mintát. Egy Python-kódbázist írtattak át Rustra: a Muse Wonder tervezett, 16 párhuzamos Ember-munkás végezte az átírást. Az Ember 158 millió bemeneti tokent dolgozott fel, a Wonder 4,4 milliót. A teljes futás a Meta szerint nagyjából 3,96 dollárba került, ebből 2,12 dollár a Wonder, 1,84 dollár az Ember része.

A tanulság egy KKV-nak nem a Rust. Hanem az, hogy a drága modell csak a kevés, nehéz döntést hozza, a tömeges munka pedig olcsó modellen fut. Egy számlafeldolgozó, ajánlatkérés-osztályozó vagy szerződésellenőrző ügynöknél ugyanez a felállás: egy erősebb modell állítja fel a szabályokat, a kicsi alkalmazza őket több ezer esetre. Ezt a felépítést az AI ügynök fejlesztési útmutatónkban részletesen is leírtuk.

A korai partnerek tapasztalatai ezt a szerepet erősítik. A Box szerint a modell egy ügyfél tárgyalási szabálykönyve alapján pontozza a szerződések kikötéseit.

„Muse Ember is a fast, efficient foundation for agents doing real work on enterprise content.”

Magyarul: A Muse Ember gyors, hatékony alap olyan ügynököknek, amelyek valódi munkát végeznek vállalati tartalmon.

A Cloudflare a sebességet emelte ki. Dane Knecht technológiai igazgató a Meta bejelentésében idézett véleménye szerint a tesztjeikben az Ember a leglassabb kéréseknél akár 30 százalékkal gyorsabb volt az összehasonlított modellnél, és jól kezelte a több kódtárat érintő vizsgálatokat.

Mennyi ez forintban? Saját kalkuláció három KKV-feladatra

A dolláros számok elvontak, ezért átszámoltuk őket három tipikus feladatra. Az árfolyam az MNB 2026. november 10-i hivatalos középárfolyama: 322,92 Ft/USD. A feladatok mérete a mi feltevésünk, nem mért adat.

Mit mutat a táblázat? Rövid, egyszerű feladatnál (A) a három modell ugyanannyiba kerül, ha ugyanannyi kimenetet adnak. Itt a döntést a minőség és a megbízhatóság hozza, nem az ár. Hosszú dokumentumnál (B) a Haiku ötször drágább a lépcsős árazás miatt. Összetett, sokat „gondolkodó” feladatnál (C) pedig a kimeneti tokenek száma dönt, és itt jön ki az Ember háromszoros előnye a Haikuval szemben.

A modelldíj ráadásul egy jól megépített ügynöknél a teljes költségnek csak egy része. A fejlesztés, a felügyelet és a hibák kezelése többet nyom a latban, ahogy a vállalati AI-költésről szóló cikkünkben is írtuk. Mégis: havi több tízezer forint különbség egy közepes forgalmú ügynöknél már számít.

Használhatod Magyarországról? Elérhetőség és adatkezelés

Elvben igen, de egy fontos fenntartással. A Meta 2026. október 12-i földrajzi felhasználási szabályzata felsorolja, hol tilos a szolgáltatás (például Kína, Oroszország, Irán, Belarusz). Az EU-tagállamok és Magyarország nincsenek a listán. Ugyanez a szabályzat azt is rögzíti, hogy a Meta bármikor, saját belátása szerint korlátozhatja a hozzáférést bármely országban.

Az adatkezelésnél három tényt érdemes ismerni:

• Nincs nyilvános adatfeldolgozási szerződés. Az i-scoop elemzése szerint a Meta Model API-hoz ma nincs DPA, és ennek hiányában személyes adatot nem javasol a modellnek átadni. Az Emberre vonatkozó külön hivatalos Meta-nyilatkozatot nem találtunk.
• Az OpenRouter sem EU-s út. Az OpenRouter adatlapja szó szerint jelzi, hogy a modell jelenleg nem érhető el EU-n belüli útválasztással. Két szolgáltató szolgálja ki: a Google Vertex és a Meta.
• Figyelj a Muse Code-előfizetésre. A Meta szabályzata szerint aki kódoló előfizetésen keresztül használja a szolgáltatást, alapértelmezetten a „Contributor” szintre kerül, ahol a Meta a beküldött adatot a saját termékei fejlesztésére is felhasználhatja. Az API-n fizetős használat ettől külön kezelendő.

Ez nem jogi tanács, és a besorolásról a cégednek vagy a jogászodnak kell döntenie. Gyakorlati szempontból annyi biztos: kísérletre, költség-összehasonlításra és nyilvános vagy szintetikus adattal végzett munkára az Ember ma kipróbálható. Ügyféladatot tartalmazó éles feldolgozásra a Claude API, az OpenAI API, illetve a saját szerveren futtatható Mistral Large 4 ma kiforrottabb adatkezelési hátteret ad.

Mikor válaszd a Muse Embert, és mikor ne?

A legjobb gyakorlat nem egyetlen modell kiválasztása. Egy jól felépített ügynök a feladat típusa szerint választ modellt: a nehéz döntéseket erős modellre, a tömeges lépéseket olcsóra küldi. Ha a GPT-6.1 Terra számlafeldolgozásról vagy a Claude 5.5-családról szóló cikkünket olvastad, ugyanezt a logikát láthattad.

Gyakori kérdések a Meta Muse Emberről

Mi az a Meta Muse Ember?

A Meta Superintelligence Labs 2026. november 9-én kiadott, legkisebb és leghatékonyabb modellje, amely AI-ügynökök ismétlődő munkájára készült: eszközhívásokra, kódolási részfeladatokra, útválasztásra, adatkivonatolásra és hosszú dokumentumok feldolgozására. 1 millió tokenes kontextussal dolgozik, a súlyai nem letölthetők.

Mennyibe kerül a Meta Muse Ember API?

A Meta Model API-n 0,10 dollár millió bemeneti, 0,50 dollár millió kimeneti és 0,004 dollár millió cache-elt tokenenként, 200 ezer tokenes kérésig. 200 ezer token felett 0,30 és 1,50 dollár. Az MNB 2026. november 10-i árfolyamán ez kb. 32 Ft millió bemeneti és kb. 161 Ft millió kimeneti tokenenként.

Olcsóbb a Muse Ember, mint a Claude Haiku 5.5?

Tokenenként nem: 100 ezer tokenes kérésig mindkettő 0,10 és 0,50 dollár. Feladatonként viszont igen: az Artificial Analysis indexén egy feladat az Emberrel 0,14, a Haiku 5.5 legerősebb beállításán 0,41 dollárba került, mert az Ember kevesebb kimeneti tokent termel. 100 ezer token feletti kéréseknél a Haiku lépcsős árazása miatt a különbség még nagyobb.

Muse Ember vagy GPT-6 Luna: melyiket válasszam?

A listaár azonos, és a feladatonkénti költség is közel van (0,14 és 0,15 dollár). Az Artificial Analysis indexén az Ember 36, a Luna 28 pontot ért el, és az üzleti automatizálást mérő AutomationBench-AA-n is az Ember vezet. 200 ezer tokennél hosszabb kéréseknél viszont a Luna olcsóbb.

Használhatja egy magyar cég a Muse Embert?

A Meta földrajzi szabályzata nem zárja ki Magyarországot, de az i-scoop elemzése szerint a Meta Model API-hoz ma nincs nyilvános adatfeldolgozási szerződés, és az OpenRouteren sem érhető el EU-n belüli útválasztással. Kísérletre és személyes adat nélküli feladatra kipróbálható; ügyféladatot tartalmazó éles feldolgozás előtt érdemes megvárni a Meta adatkezelési nyilatkozatát.

Mit érdemes most tenned?

Ha már futtatsz AI-ügynököt, nézd meg, milyen arányban fizetsz kimeneti tokenért, és milyen hosszú kéréseket küldesz. Ebből látszik, hogy egy olcsóbb végrehajtó modell nálad mennyit hozna. Ha még csak tervezed, a tervező és végrehajtó felállással már az elején alacsonyan tarthatod a havi díjat.

A SocialPro csapata magyar KKV-knak épít AI-ügynököket, a feladathoz és az adatkezelési igényekhez választott modellel. Ha szeretnéd tudni, nálad melyik felállás érné meg, nézd meg az AI-agent fejlesztési szolgáltatásunkat, vagy kérj konzultációt.