Modelos y capacidades desde operaciones

Destacado

Meta lanza Muse Ember, un modelo pequeño para agentes

Meta AI ha lanzado Muse Ember, su modelo más pequeño y eficiente, orientado al trabajo repetitivo de los agentes: llamadas a herramientas, enrutamiento, extracción y análisis de documentos largos. Por debajo de 200k tokens cuesta $0.10 por millón de entrada y $0.50 de salida, igual que GPT-6 Luna y Claude Haiku 5.5 con contexto corto.

Qué cambia en operaciones — Si tu equipo de soporte u operaciones ya ejecuta pasos de alto volumen, como enrutar tickets, extraer campos de contratos o facturas o hacer llamadas a herramientas dentro de un agente, Ember es un nuevo precio que merece una prueba. Toma una muestra de tareas reales, pásala por Ember y por tu modelo pequeño actual, y compara el coste por tarea terminada además del precio por token. Revisa la longitud de tus prompts: por encima de 200k tokens el precio sube con fuerza, así que los trabajos con documentos largos cuestan más que la tarifa de portada. La entrada en caché es la línea más barata de la tabla de precios, de modo que los flujos que reenvían siempre las mismas instrucciones o documentos de referencia son los que más se benefician.

Meta lanza Muse Wonder con seis niveles de razonamiento

Si alguno de tus flujos llama a un modelo de Meta, como la calificación de leads, la clasificación de tickets o la redacción de respuestas, trata Muse Wonder como un candidato para probar, no como un interruptor que se activa sin más. Pasa una muestra propia de tickets o registros reales del CRM por el modelo con un nivel de razonamiento bajo y otro alto, y compara la calidad de lo que devuelve. Después compara el coste y la espera de cada respuesta, porque la fuente no da precios. El ritmo de lanzamientos pesa más que cualquier modelo concreto. Con un modelo nuevo de Meta casi cada mes, deja el nombre del modelo y el nivel de razonamiento en un solo ajuste de configuración y conserva un conjunto de pruebas fijo, de modo que revisar todo lleve una tarde y no un proyecto.

Jev, de TypeSafe AI, abarata la clasificación por API

Para un equipo B2B que gestiona puntuación de leads, triaje de tickets de soporte, filtrado de spam o ranking de relevancia en búsquedas, el formato de Jev encaja directamente con esos flujos: se le pasa el registro de un cliente o el texto de un ticket junto con un conjunto de preguntas de sí/no o con puntuación, y devuelve números de confianza estructurados a un costo lo bastante bajo como para aplicarlos a cada registro, no solo a una muestra. El problema es que Jev no da ninguna explicación de sus puntuaciones, así que cualquier uso que toque contratación, crédito u otras decisiones de alto riesgo necesita evaluaciones estructuradas antes de implementarse, y hasta usos de menor riesgo como la priorización de tickets deberían revisarse para detectar resultados sesgados.