Meta: Muse Spark Open

Meta: Muse Spark Open ist ein Textmodell von Meta, veröffentlicht am 15. Oktober 2026. Es wird als ein auf Codierung optimiertes Modell mit offenen Gewichten beschrieben, das speziell für agentische Codierungs-Workflows trainiert wurde. Dieser Fokus zeigt sich in den angegebenen Zielen: höhere Genauigkeit beim ersten Versuch, zuverlässiger Tool-Aufruf und tiefes Verständnis von Codebasen in den Repositories, in denen Entwickler arbeiten. Wenn Sie Entwickler-Tooling erstellen oder Arbeit innerhalb eines bestehenden Repos automatisieren, ist dieses Modell direkt auf dieses Szenario ausgerichtet und nicht nur auf allgemeinen Chat.

Auf der Eingabeseite akzeptiert Muse Spark Open Text, Bilder, Video, Dateien und Audio, während die Ausgabe nur Text ist. Das Kontextfenster beträgt 1.048.576 Tokens, und die maximale Ausgabe beträgt 943.718 Tokens. Diese Kombination aus einem sehr großen Kontext und einem sehr großen Ausgabebudget bedeutet, dass Sie lange Quellen wie große Dateien oder ausgedehnte Transkripte einspeisen können und trotzdem Raum für eine substanzielle generierte Antwort bleibt. Die multimodale Eingabeunterstützung ist für Codierungsarbeit erwähnenswert: Screenshots, Design-Dateien, aufgezeichnete Walkthroughs und Audio-Notizen können alle Teil derselben Anfrage wie der umgebende Text sein.

Die praktischen Einsatzmöglichkeiten ergeben sich aus diesen Fähigkeiten. Agentische Codierungs-Workflows passen am offensichtlichsten, da das Modell für Tool-Aufrufe und Codebasis-Verständnis trainiert ist, was für Aufgaben wie das Navigieren in einem Repository, das Planen mehrstufiger Änderungen und das Aufrufen von Tools als Teil einer Schleife geeignet ist. Der große Kontext hilft, wenn eine Aufgabe von vielen Dateien oder einer langen Historie vorheriger Schritte abhängt. Da Bilder, Video, Audio und Dateien als Eingabe akzeptiert werden, können Sie auch Abläufe erstellen, die eine Bildschirmaufzeichnung, einen UI-Mockup oder einen gesprochenen Fehlerbericht in Textausgabe wie eine schriftliche Zusammenfassung, eine Patch-Beschreibung oder einen strukturierten Bericht umwandeln. Reasoning-Steuerungen und strukturierte Ausgaben machen es in Pipelines nutzbar, in denen das Ergebnis geparst werden muss, statt von einer Person gelesen zu werden.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "meta/muse-spark-open" auf. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. In der Praxis bedeutet das, dass Sie die Stichprobenentnahme mit temperature, top_p, top_k und min_p abstimmen, Strafen anwenden, die Antwort mit max_tokens begrenzen, die Ausgabe mit response_format oder structured_outputs einschränken und Funktionsaufrufe mit tools und tool_choice verdrahten können. Die Parameter reasoning und reasoning_effort sowie include_reasoning ermöglichen es Ihnen zu steuern, wie viel interne Schlussfolgerung offengelegt oder angefordert wird, und seed plus logprobs oder top_logprobs unterstützen reproduzierbare oder inspizierte Generierungen.

Eine Einschränkung sollten Sie beachten: Die Ausgabe ist nur Text, daher erfordert jede Aufgabe, die generierte Bilder, Audio oder Video benötigt, ein anderes Modell. Das Modell ist außerdem ausdrücklich auf Codierung optimiert, sodass für Arbeit, die nichts mit Code oder agentischer Tool-Nutzung zu tun hat, ein Allzweck-Textmodell eine einfachere Wahl sein kann.