Meta: Muse Spark 1.2

Meta: Muse Spark 1.2 es un modelo de razonamiento de Meta, diseñado para tareas agénticas complejas. Se sitúa en la categoría de texto, y Meta lo posiciona en torno a cargas de trabajo donde el modelo necesita planificar, razonar paso a paso y actuar en lugar de simplemente responder a una única pregunta. Si estás eligiendo un modelo para un agente que tiene que trabajar a lo largo de varios turnos y herramientas, esta es la clase de modelo para la que Meta lo destina.

El modelo acepta entradas de texto, imágenes, vídeo y archivos, y devuelve texto. Su ventana de contexto es de 1.048.576 tokens, con una salida máxima de 943.718 tokens. Esa combinación importa para el trabajo agéntico: un contexto grande te permite mantener a la vista transcripciones largas, documentos o contenido derivado de medios, y un techo de salida grande significa que el modelo no se ve obligado a comprimir un plan o un informe extenso en una respuesta corta. El razonamiento forma parte del diseño del modelo, y la API expone controles para ello.

Los casos de uso prácticos se derivan de esas capacidades. Como acepta imágenes, vídeo y archivos junto con texto, puedes construir agentes que revisen un conjunto de documentos y una grabación de pantalla, y luego produzcan un análisis escrito o un plan. El contexto largo es adecuado para investigación de varios pasos, análisis de bases de código o registros, y flujos de trabajo donde los resultados de herramientas anteriores deben permanecer disponibles. El llamamiento a herramientas y las salidas estructuradas lo hacen una opción razonable para la orquestación, donde el modelo decide qué herramienta llamar y devuelve resultados legibles por máquina. Los controles de razonamiento te permiten intercambiar velocidad por profundidad según la tarea.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "meta/muse-spark-1.2". Los parámetros de solicitud admitidos son include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k y top_p. En la práctica, tools y tool_choice impulsan los bucles agénticos, response_format y structured_outputs restringen la forma de la respuesta, y los parámetros de razonamiento ajustan cuánto razonamiento interno realiza el modelo. Dado que la interfaz es compatible con OpenAI, los clientes y SDK existentes generalmente funcionan con solo cambiar el id de modelo.

Un límite a tener en cuenta es la modalidad de salida: el modelo solo devuelve texto, por lo que no puede generar imágenes ni vídeo aunque pueda leerlos. Si tu tarea es puramente generación de texto de formato corto, un modelo más pequeño puede ser más simple y rápido. Para trabajo agéntico de contexto largo, multimodal y con uso de herramientas, Muse Spark 1.2 está apuntado directamente a eso.