Muse Ember は軽量AIモデル。繰り返しの仕事を安く任せられる理由を SHISHIGAMI TECH CH の解説で整理した

出典: Muse Ember は何がすごい？（SHISHIGAMI TECH CH）

「来週の出張の準備をして」。AIにこう1回頼むと、裏では予定を見る、メールを探す、天気を調べる、表にまとめる、という小さな仕事が何十回も動きます。Meta が11月9日に出した Muse Ember が狙うのは、この裏側の繰り返しです。

Meta が目指しているのは、Instagram や WhatsApp のように、みんなが日々使うAI。そこで求められるのは賢さ一番ではない、とシシガミさんは話します。その流れで、Ember の立ち位置をこうまとめていました。

動画では（1:06〜）

同じ賢さをですね、どれだけ安くはえ、配れるかっていうのを煮詰めたようなモデルになってますね。

狙いは賢さ一番ではなく、配る安さ。

エージェント（人の代わりに作業を進めるAI）が1日中繰り返す仕事こそ、Ember の持ち場です。

続けてシシガミさんは、会社にたとえます。全部をベテランの部長に任せたら、費用がかさみます。仕訳やチェックのような繰り返しは、手の早い若手へ。では、その若手は誰なのか？

動画では（3:06〜）

エンバーはその若手の役割という風なね、ま、あのモデルだと考えていただければと思います。

費用も、Anthropic の軽量モデル Claude Haiku 5.5、OpenAI の軽量モデル GPT Luna と同じコスト帯でした。部長と競う若手ではなく、部長の手を空ける若手です。Muse が性能一番でなくても選ばれている話は、性能が一番でなくても評判がいい理由を整理したMuseの記事にまとめています。

私なら、手を動かす仕事から先にAIへ渡します。私の強みの診断にも「実行は委任すべき」とあるんです。

同じまとめには、今の私の状態も書いてあります。「「シェフなのにキッチンスタッフをやっている」状態を「委ねるOS」で解消中」。ベテランの部長が全部やると高くつく、というシシガミさんの話と、私には同じ形に見えるんですよね。解消中、つまり私もまだその途中です。

「実行は委任すべき」なら、先にやるのは、どのモデルを若手にするかを選ぶことより、手を動かす仕事を切り出して渡すことです。

評価機関の総合点は36点。

外部の評価機関 Artificial Analysis が出した Ember の点数で、Claude Haiku 5.5 を最大まで深く考えさせた時と同じです。それでいて、評価の課題1問あたりの費用は約3分の1。GPT Luna とは費用がほぼ同じで、点数は Ember が8点上です。

さらにシシガミさんは、Meta の1つ上のモデル Muse Spark 1.3 と並べた結果も紹介します。

動画では（4:38〜）

メタの1つの上のモデルのミューズスパーク1.3と比較すると点数は1点しか違わないのに費用は約1/17なのでこれは凄まじい節約効果になってます。

1点差なのに、費用は約17分の1なんです。

安くなる理由は2つあります。キャッシュ（一度読んだ内容を貯めておいて、次から安く使う仕組み）の割引と、出力の量が Haiku の約3分の1で済むこと。実務に近いテストでAIを比べる評価サイト Vals AI の画面でも、Ember は上位12モデルの中で最速です。Meta 自身も、Claude Code の中で Meta のモデルを使う場合に、いちばん軽い Haiku の代わりに Ember を割り当てる設定まで説明書に書いています。

ここで、シシガミさんが注意を添えていました。「GPT Luna の3分の1の費用」と書く投稿があるけれど、評価機関の数字ではほぼ同じコスト。差があるのは賢さの方です。

私は、こういう数字を事実と推測に分けて、誰が言ったかを付けて読みます。36点も約3分の1も、評価機関が出して、シシガミさんが紹介した数字。同じ話題でも、投稿の要約になると、比べる相手がずれることがあるんです。

数字の横に出どころを一言メモしておくと、比べる相手のずれに気づきやすくなります。

Ember は、Muse Wonder Full（ミューズ・ワンダー・フル。以下 Wonder Full。単に Wonder とも）を使って学習した最初のモデルです。

Meta の公式ブログの提供開始の節に、その一文がはっきり書かれています。シシガミさんの説明では、Muse Wonder は10月に出た Meta のいちばん賢いモデルで、Wonder Full はその上位版。画面に映したその一文を受けて、シシガミさんはこう続けます。

動画では（6:58〜）

大きなモデルでね、賢さを作り、そしてちっちゃモデルに移してみんなに配布していく。このミューズのね、作り方の流れがだんだん見えてきたような気がしますね。

賢さを作る役と、配る役。

大きなモデルが育てて、小さなモデルが数を引き受ける流れです。では、どうやって教えたのか？ ここは公式には書かれていません。蒸留（大きなモデルの答えを小さなモデルに真似させて、賢さを移す方法）なのかどうかも、はっきりしないままです。

Meta の AI 責任者 Alexandr Wang 氏は、蒸留に前向きな考え方の人。だから蒸留ではないか、と見るのはシシガミさんの推測です。そのうえで Meta は、さらに効率のいいモデルも学習中だと書いています。

教え方はまだ分からなくても、役割の分け方は見えてきたんですよね。

1万枚の写真に、1枚ずつ説明をつけて、名前を変えて、アルバムに分ける。この仕事、誰に頼みますか？

動画で紹介された、Meta の開発者向けブログの例です。シシガミさんは、Meta がすすめる組み合わせをこうまとめます。

動画では（7:14〜）

メタのおすめはまずワンダーが計画、ま、プランニングをしてエンバーがその数をたくさんこなしていく。ま、こんな組み合わせで使ってくださいということです。

Wonder がやるのは、手順を作るところまで。説明をつける、名前を変える、アルバムに分ける、の順番を決めます。そこから先は Ember の出番で、16体のエージェントに分かれて、1回に8枚ずつ片づけていきます。

かかった費用は、全体でごくわずか。Arena では、Ember が1回で作ったサイトやアニメーションが20本以上公開されていて、こちらも制作会社に頼むことを考えると桁違いに安い数字として紹介されました。

例はプログラミングにも及びます。Python で書かれた部品16個を Rust（別のプログラミング言語）に書き直す作業では、Ember 16体が並んで動いて、約6分で終わったそうです。書類を預かるサービスの Box が、13種類の書類を見比べて、お金の割り振りの誤りを見つけるデモもありました。

作業のあと、どちらがどれだけ働いたのか。動画はその割合にも触れています。

動画では（8:25〜）

読み込んだ量のほとんどはエンバーの分になりまして、ワンダーは本当に指示を出しただけというところになります。

計画は大きなモデル、手を動かすのは小さなモデル。大量の写真、大量の書類、繰り返しのチェック。この量の仕事こそが Ember の出番だと、動画は整理しています。

私なら、量の仕事から先に、小さなモデルへ渡します。軸にあるのは「AIに委ねて、人は積み減らして生き直す」。私のサイトの題でもある言葉です。作業と判断の線の引き方は、作業は任せても判断は任せないマネジメントの習慣を整理した記事でもまとめました。

10月2日の魂磨き（AIが投げてくる問いに、自分の言葉で答えていく振り返り）で、AIに委ねた経験を一つ聞かれました。私の答えは、「サボると言うか」と言い直すところから始まっています。嫌いなことと、後回しにしてしまうことを、AIにやってもらう。そのあとに続くのが「ズボラじゃなければ自分でやってたかも。」です。

任せたあと、私の中に残ったのは「肩の荷が下りてワクワクすることによりエネルギー湧く」。手放したのは、嫌いなことと、後回しにしていたことなんです！

動画の写真1万枚の仕分けと、私が手放したものは同じではありません。重なるのは、自分でやらなくていい繰り返しをAIに渡す、という判断の所だけです。

知識を問う問題の正答率は、約2割。

Ember の弱点は、Meta 自身も認めています。外部の評価機関の知識問題で、点数は低いままです。ここで、話は意外な方へ向かいます。

動画では（9:29〜）

ただ面白いのはエンバーは分からない問題の6割以上で回答そのものをしないという風な選択を取ってます。

知らない問題で、それらしい答えを作らない。その結果、ハルシネーション（間違いを自信ありげに答えること）の率は、Claude Haiku 5.5 の約半分だったとシシガミさんは話します。

低い正答率の裏に、答えない選択が隠れていたわけです。この振る舞いを、シシガミさんはひと言で言い表します。

動画では（9:41〜）

ま、要するに知ったかぶりをしない、ま、あの、誠実なモデルだということも伺えます。

万能ではありません。難しいプログラミング課題では、Haiku に負ける項目もあります。Meta の説明書にも、知識が要る質問や1回で解く難しいコードには Spark か Wonder を使うよう書かれています。弱点を作り手の側が先に書いている点は、使う側には助かる情報です。

慎重な声も紹介されました。海外の技術者の掲示板では、重み（ウェイト。モデルの中身にあたるデータ）が公開されておらず、モデルの大きさも分からないため、テストの点数に合わせて作ったのでは、との意見が出ています。どれだけ軽くなったかも、数字では出ていません。

私なら、この弱点を先に知ったうえで、量の仕事から渡します。委ねるAIの最低条件は「わからないことは憶測しないできく。わかることは2度聞かない」。私は聞き、Ember は答えない。動きは別ですが、それらしい答えで空白を埋めない所は同じなんです。その条件は、私自身の魂磨きの記録にも残っています。

私の記事より（笑顔を向けられたらと聞かれて「時と場合による」と答えた魂磨きの記事・AIは先に答えを用意していましたが、私は選ばず、「覚えてない」のまま残しました）

思い出せないとき、手は二つあります。もっともらしい気持ちで空白を埋めるか、空白のまま残すか。記録に残ったのは、後者でした。

わからないことは憶測しないできく。わかることは2度聞かない

2026年11月10日の魂磨きで、私は「覚えてない」と答え、AIが添えた回答案は選びませんでした。Ember が分からない問題の6割以上で答えないのも、それらしい答えで空白を埋めないという、同じ向きの設計なんです。

弱点を先に知ったうえで、量の仕事から渡していく。

いつもの Muse アプリを開いた時、中で動いているモデルが何なのか。実はそこ、公式には書かれていないんです。

今 Ember を使えるのは、開発者だけ。動画でシシガミさんが挙げた入口は3つです。Meta のAPI、プログラミング用のエージェントの Muse Code、Google Cloud。Muse Code なら最も安い月額プランからあって、どのプランでも Ember が使えます。ただ、定額プランには注意が1つ。初期設定のままだと、送った内容が Meta の学習に使われるんです。先に設定を確かめるように、とシシガミさんは注意しています。

日本の利用者の間で出ている見方に触れたあと、シシガミさんは推測と断って、こう続けます。

動画では（11:57〜）

この軽量モデルがミューズアプリに入れば、ま、同じ枠でもっと使えるようになるかもしれません。出てきたら、あ、確かめてお伝えしたいと思ってます。

「誰でも使える版のモデルが Ember に変わるのでは」。これは利用者の推測です。シシガミさん自身も、推測と断ったうえで話しています。動画では、こんなコメントも紹介されていました。Muse のメールの機能でアバターの着替えや動画づくりをしたら、今週使える枠が2日でなくなった、と。

同じ11月9日には、Muse が Apple Watch と Android の Wear OS に対応しました。iPhone の Muse アプリを新しくすると、Apple Watch のアプリも入る。文字入力・声入力・電話、入口はこの3つから選べます。ただ、試した人からは、アバターは標準のものだけ、声で話し続ける通話はまだ使えない、との声も出ています。さらに Apple Insider は、プライバシーを理由に、まだ入れない方がいいと書いている。これも動画で紹介されていました。

提供の範囲も広がっています。11月5日にはメキシコで提供が始まり、Google Cloud でも Meta のモデルが使えるようになりました。Muse をこれから始める時の流れは、MetaのAIエージェントMuseの登録から最初の設定までを紹介した記事にまとめてあります。

公式に書かれた事と推測を分けて、続報を待つ。

この動画から、私が持ち帰るものを並べます。

① 賢さの順位より先に、同じ賢さをどれだけ安く配れるかで、モデルの役割を見分ける。
② 計画は大きなモデル、数をこなすのは小さなモデルに分けて、手を動かす仕事から手放す。
③ 数字は誰が言ったかを付けて読み、弱点を先に知ってから量を任せる。

シシガミさんは最後に、大きなモデルで賢さを作り、小さなモデルで配る Meta の狙いがはっきりした、とまとめます。分からない時は答えを作らない設計なので、一定の信頼はできそうだ、とも添えていました。

次にAIへ渡す仕事のうち、量の仕事はどれで、自分が味を決める仕事はどれでしょうか？