Meta: Muse Glimmer 30B

Meta: Muse Glimmer 30B es un modelo multimodal denso y de pesos abiertos de Meta, desarrollado por Meta Superintelligence Labs. Está destilado de Muse Spark y optimizado para agentes autónomos en hardware de consumo. Se sitúa en la categoría de texto y está posicionado para trabajo de horizonte largo, lo que lo convierte en un candidato para aplicaciones de estilo agente en lugar de tareas de prompt y respuesta de un solo paso.

El modelo acepta entradas de texto e imagen y produce salida de texto. Su ventana de contexto es de 131072 tokens, y la longitud máxima de salida es de 16384 tokens. Admite razonamiento, expuesto a través de los parámetros include_reasoning y reasoning, junto con reasoning_effort para controlar cuánto trabajo de razonamiento realiza el modelo. Debido a que maneja imágenes además de texto, puede tomar capturas de pantalla, diagramas u otro material visual como parte de una solicitud, aunque todo lo que devuelve es texto.

Esas capacidades apuntan a algunos usos prácticos. Los flujos de trabajo de agentes de horizonte largo son el encaje más claro, dada la combinación de una gran ventana de contexto, llamada a herramientas y controles de razonamiento. El uso de herramientas se admite a través de los parámetros tools y tool_choice, por lo que el modelo puede integrarse en bucles de llamada a funciones. Las salidas estructuradas y response_format permiten restringir las respuestas a un esquema, lo que se adapta a extracción, clasificación y canalizaciones de datos. La entrada de imágenes extiende esto a tareas en las que el modelo necesita leer una captura de pantalla o la imagen de un documento antes de actuar. El límite de salida de 16384 tokens conviene tenerlo en cuenta al planificar ejecuciones de agentes de varios pasos, ya que los rastros de razonamiento largos y los resultados de herramientas consumen ese presupuesto.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "meta/muse-glimmer-30b". Los parámetros de solicitud admitidos son 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 y top_p. El muestreo puede ajustarse con temperature, top_p, top_k y min_p, mientras que seed, stop, logit_bias y los parámetros de penalización ofrecen un control más fino sobre el determinismo y la repetición. El comportamiento de razonamiento se configura por separado a través de los parámetros reasoning y reasoning_effort.

No hay ninguna limitación declarada más allá del tope de salida y la modalidad de salida solo de texto. Si tu tarea necesita entrada de audio o vídeo, o salida en un formato que no sea texto, este modelo no lo proporciona. Para prompts cortos y directos que no necesitan herramientas, imágenes ni razonamiento, un modelo más pequeño o más simple puede ser una opción más económica, pero los datos aquí presentados no identifican una alternativa específica.