Meta: Muse Spark 1.3

Meta: Muse Spark 1.3 es un modelo de razonamiento multimodal de Meta, diseñado para flujos de trabajo agénticos, multiagente y de programación de larga duración. Es un modelo de texto en el sentido de que su salida es texto, pero acepta más que texto en la entrada. Meta lo posiciona en torno a llevar un seguimiento de la información a lo largo de tareas extensas y resolver problemas a lo largo del tiempo, y por eso importa el enfoque agéntico: es un modelo pensado para estar dentro de un bucle en lugar de responder a una única pregunta aislada.

En el lado de la entrada, Muse Spark 1.3 acepta texto, imágenes, vídeo y archivos, y devuelve texto. La ventana de contexto es de 1.048.576 tokens, con una salida máxima de 943.718 tokens. Esa combinación de un presupuesto de entrada muy grande y un presupuesto de salida muy grande es inusual y determina para qué es bueno el modelo. Puede recibir documentos largos, medios e historial de conversación acumulado, y puede producir respuestas largas y estructuradas, planes o código sin que se corten antes de tiempo. El razonamiento es una parte de primera clase del modelo: los parámetros admitidos incluyen reasoning, reasoning_effort e include_reasoning, así que puedes controlar cuánto trabajo interno ocurre y si ese razonamiento se te devuelve.

Los casos de uso prácticos se derivan de esas capacidades. Los agentes de horizonte largo que necesitan mantener estado a lo largo de muchos pasos encajan de forma natural, igual que las configuraciones multiagente en las que un modelo coordina o revisa el trabajo de otros. Los flujos de trabajo de programación se benefician del gran presupuesto de salida, ya que el código generado, los diffs y las explicaciones pueden devolverse en una sola respuesta. Como se aceptan imágenes, vídeo y archivos como entrada, el modelo también puede manejar tareas que mezclan medios con texto, como revisar una grabación de pantalla junto con un informe de errores, o trabajar con un documento más sus diagramas de apoyo. Cualquier cosa que requiera leer mucho material y luego escribir mucho de vuelta es el objetivo de este modelo.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "meta/muse-spark-1.3". 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, eso significa que puedes ajustar el muestreo con temperature, top_p y top_k, desalentar la repetición con repetition_penalty, limitar la respuesta con max_tokens y dirigir la profundidad del razonamiento con reasoning_effort. Para el uso de herramientas, tools y tool_choice están disponibles, y para respuestas legibles por máquina puedes usar response_format o structured_outputs. Si quieres que el razonamiento del modelo se devuelva en la respuesta, establece include_reasoning.

Lo principal que hay que sopesar es que este es un modelo de salida de texto. Si tu tarea necesita imágenes generadas, audio u otra salida que no sea texto, Muse Spark 1.3 no la producirá, aunque pueda leer imágenes, vídeo y archivos como entrada. Los límites tan grandes de contexto y salida también implican que las solicitudes pueden ser costosas en términos de latencia y recursos, así que para llamadas cortas, simples y de gran volumen un modelo más pequeño y rápido puede ser la mejor opción. Recurre a Muse Spark 1.3 cuando la tarea sea larga, multimodal en el lado de la entrada, agéntica o con mucho código, y cuando necesites espacio para pensar y escribir con extensión.