Meta: Muse Spark 1.3

Meta: Muse Spark 1.3 ist ein multimodales Reasoning-Modell von Meta, entwickelt für lang laufende agentische, Multi-Agent- und Coding-Workflows. Es ist in dem Sinne ein Textmodell, dass seine Ausgabe Text ist, aber es akzeptiert auf dem Weg hinein mehr als nur Text. Meta positioniert es darum, Informationen über längere Aufgaben hinweg im Blick zu behalten und Probleme über die Zeit hinweg durchzuarbeiten, weshalb die agentische Einordnung wichtig ist: Dies ist ein Modell, das dafür gedacht ist, in einer Schleife zu sitzen, statt eine einzelne isolierte Frage zu beantworten.

Auf der Eingabeseite akzeptiert Muse Spark 1.3 Text, Bilder, Video und Dateien und gibt Text zurück. Das Kontextfenster umfasst 1.048.576 Tokens, mit einer maximalen Ausgabe von 943.718 Tokens. Diese Kombination aus einem sehr großen Eingabebudget und einem sehr großen Ausgabebudget ist ungewöhnlich und prägt, wofür das Modell gut geeignet ist. Es kann lange Dokumente, Medien und angesammelten Gesprächsverlauf aufnehmen und lange strukturierte Antworten, Pläne oder Code produzieren, ohne vorzeitig abgeschnitten zu werden. Reasoning ist ein erstklassiger Bestandteil des Modells: Zu den unterstützten Parametern gehören reasoning, reasoning_effort und include_reasoning, sodass Sie steuern können, wie viel interne Arbeit stattfindet und ob dieses Reasoning an Sie zurückgegeben wird.

Die praktischen Anwendungsfälle ergeben sich aus diesen Fähigkeiten. Langhorizont-Agenten, die über viele Schritte hinweg Zustand halten müssen, passen natürlich, ebenso Multi-Agent-Setups, in denen ein Modell die Arbeit anderer koordiniert oder prüft. Coding-Workflows profitieren vom großen Ausgabebudget, da generierter Code, Diffs und Erklärungen in einer einzigen Antwort zurückgegeben werden können. Weil Bilder, Video und Dateien als Eingabe akzeptiert werden, kann das Modell auch Aufgaben bewältigen, die Medien mit Text mischen, etwa die Prüfung einer Bildschirmaufzeichnung zusammen mit einem Fehlerbericht oder die Arbeit an einem Dokument plus den zugehörigen Diagrammen. Alles, was das Lesen von viel Material und dann das Zurückschreiben von viel erfordert, ist das Ziel dieses Modells.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "meta/muse-spark-1.3" 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 bedeutet das, dass Sie die Stichprobenauswahl mit temperature, top_p und top_k abstimmen, Wiederholungen mit repetition_penalty entgegenwirken, die Antwort mit max_tokens begrenzen und die Reasoning-Tiefe mit reasoning_effort steuern können. Für die Tool-Nutzung stehen tools und tool_choice zur Verfügung, und für maschinenlesbare Antworten können Sie response_format oder structured_outputs verwenden. Wenn Sie das Reasoning des Modells in der Antwort zurückerhalten möchten, setzen Sie include_reasoning.

Der wichtigste Punkt zum Abwägen ist, dass dies ein Modell mit Textausgabe ist. Wenn Ihre Aufgabe generierte Bilder, Audio oder andere Nicht-Text-Ausgaben erfordert, wird Muse Spark 1.3 diese nicht produzieren, obwohl es Bilder, Video und Dateien als Eingabe lesen kann. Die sehr großen Kontext- und Ausgabegrenzen bedeuten außerdem, dass Anfragen in Bezug auf Latenz und Ressourcen teuer sein können, sodass für kurze, einfache Aufrufe mit hohem Volumen ein kleineres und schnelleres Modell die bessere Wahl sein kann. Greifen Sie zu Muse Spark 1.3, wenn die Aufgabe lang, auf der Eingabeseite multimodal, agentisch oder code-lastig ist und wenn Sie Raum zum Denken und zum ausführlichen Schreiben benötigen.