Meta: Muse Spark 1.2

Meta: Muse Spark 1.2 ist ein Reasoning-Modell von Meta, entwickelt für komplexe agentische Aufgaben. Es gehört zur Textkategorie, und Meta positioniert es für Workloads, bei denen das Modell planen, Schritte durchdenken und handeln muss, statt einfach eine einzelne Frage zu beantworten. Wenn Sie ein Modell für einen Agenten auswählen, der über mehrere Turns und Tools hinweg arbeiten muss, ist dies die Modellklasse, für die Meta es vorgesehen hat.

Das Modell akzeptiert Text-, Bild-, Video- und Dateieingaben und gibt Text zurück. Sein Kontextfenster umfasst 1.048.576 Tokens, mit einer maximalen Ausgabe von 943.718 Tokens. Diese Kombination ist wichtig für agentische Arbeit: Ein großer Kontext ermöglicht es, lange Transkripte, Dokumente oder aus Medien abgeleitete Inhalte im Blick zu behalten, und eine hohe Ausgabegrenze bedeutet, dass das Modell nicht gezwungen ist, einen langen Plan oder Bericht in eine kurze Antwort zu komprimieren. Reasoning ist Teil des Designs des Modells, und die API bietet Steuerungsmöglichkeiten dafür.

Praktische Anwendungsfälle ergeben sich aus diesen Fähigkeiten. Da es Bilder, Videos und Dateien neben Text entgegennimmt, können Sie Agenten bauen, die eine Dokumentensammlung und eine Bildschirmaufzeichnung prüfen und dann eine schriftliche Analyse oder einen Plan erstellen. Der lange Kontext eignet sich für mehrstufige Recherche, Codebasis- oder Log-Analyse und Workflows, bei denen frühere Tool-Ergebnisse verfügbar bleiben müssen. Tool-Aufrufe und strukturierte Ausgaben machen es zu einer sinnvollen Wahl für Orchestrierung, bei der das Modell entscheidet, welches Tool aufgerufen wird, und maschinenlesbare Ergebnisse zurückgibt. Die Reasoning-Steuerungen ermöglichen es Ihnen, je nach Aufgabe Geschwindigkeit gegen Tiefe abzuwägen.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "meta/muse-spark-1.2" auf. Die unterstützten Anfrageparameter sind include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k und top_p. In der Praxis steuern tools und tool_choice agentische Schleifen, response_format und structured_outputs schränken die Form der Antwort ein, und die Reasoning-Parameter justieren, wie viel internes Reasoning das Modell ausführt. Da die Schnittstelle OpenAI-kompatibel ist, funktionieren bestehende Clients und SDKs im Allgemeinen, wenn nur die Modell-ID geändert wird.

Eine Einschränkung sollten Sie beachten: die Ausgabemodalität. Das Modell gibt nur Text zurück, kann also keine Bilder oder Videos generieren, obwohl es sie lesen kann. Wenn Ihre Aufgabe reine Kurztextgenerierung ist, kann ein kleineres Modell einfacher und schneller sein. Für langkontextige, multimodale, Tool-nutzende agentische Arbeit ist Muse Spark 1.2 genau darauf ausgerichtet.