Meta: Muse Glimmer 30B

Meta: Muse Glimmer 30B ist ein dichtes, offen gewichtetes multimodales Modell von Meta, entwickelt von Meta Superintelligence Labs. Es ist aus Muse Spark destilliert und für autonome Agenten auf Consumer-Hardware optimiert. Es liegt in der Textkategorie und ist für Langhorizont-Arbeit positioniert, was es zu einem Kandidaten für agentenartige Anwendungen macht statt für einmalige Prompt-und-Antwort-Aufgaben.

Das Modell akzeptiert Text- und Bildeingaben und erzeugt Textausgaben. Sein Kontextfenster beträgt 131072 Token, und die maximale Ausgabelänge beträgt 16384 Token. Es unterstützt Reasoning, das über die Parameter include_reasoning und reasoning offengelegt wird, zusammen mit reasoning_effort zur Steuerung, wie viel Reasoning-Arbeit das Modell leistet. Da es Bilder ebenso wie Text verarbeitet, kann es Screenshots, Diagramme oder anderes visuelles Material als Teil einer Anfrage entgegennehmen, obwohl alles, was es zurückgibt, Text ist.

Diese Fähigkeiten deuten auf einige praktische Verwendungen hin. Langhorizont-Agenten-Workflows passen am klarsten, gegeben die Kombination aus großem Kontextfenster, Tool-Calling und Reasoning-Steuerung. Tool-Nutzung wird über die Parameter tools und tool_choice unterstützt, sodass das Modell in Function-Calling-Schleifen eingebunden werden kann. Strukturierte Ausgaben und response_format erlauben es, Antworten auf ein Schema zu beschränken, was zu Extraktion, Klassifikation und Datenpipelines passt. Bildeingabe erweitert dies auf Aufgaben, bei denen das Modell einen Screenshot oder ein Dokumentbild lesen muss, bevor es handelt. Die Obergrenze von 16384 Token für die Ausgabe sollte man bei der Planung mehrstufiger Agentenläufe im Hinterkopf behalten, da lange Reasoning-Spuren und Tool-Ergebnisse dieses Budget verbrauchen.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "meta/muse-glimmer-30b" auf. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logit_bias, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k und top_p. Das Sampling kann mit temperature, top_p, top_k und min_p abgestimmt werden, während seed, stop, logit_bias und die Penalty-Parameter feinere Kontrolle über Determinismus und Wiederholung geben. Das Reasoning-Verhalten wird separat über die Parameter reasoning und reasoning_effort konfiguriert.

Es gibt keine angegebene Einschränkung außer der Ausgabeobergrenze und der reinen Text-Ausgabemodalität. Wenn Ihre Aufgabe Audio- oder Videoeingabe benötigt oder Ausgabe in einem Nicht-Text-Format, bietet dieses Modell das nicht. Für unkomplizierte kurze Prompts, die keine Tools, Bilder oder Reasoning benötigen, kann ein kleineres oder einfacheres Modell eine wirtschaftlichere Wahl sein, aber die hier genannten Fakten benennen keine konkrete Alternative.