Meta: Muse Wonder

Meta: Muse Wonder es un modelo de razonamiento de frontera de Meta, construido para tareas agénticas complejas, tanto personales como profesionales. Se ubica en la categoría de texto, y Meta lo posiciona en torno al trabajo con alta carga de razonamiento más que al chat simple. Si estás eligiendo un modelo para un agente que tiene que planificar, razonar a través de pasos intermedios y actuar sobre lo que encuentra, esta es la clase de modelo que Meta pretende que Muse Wonder cubra.

El modelo acepta texto, imágenes, video, audio y documentos PDF como entrada, y devuelve texto. Esa combinación importa para el trabajo agéntico, porque una sola solicitud puede llevar una captura de pantalla, una grabación, un documento e instrucciones escritas juntas, y el modelo razona sobre todo ello. La ventana de contexto es de 1,048,576 tokens, con una salida máxima de 943,718 tokens. El techo de salida tan alto es inusual y vale la pena señalarlo: las tareas que producen transcripciones largas, análisis extensos o documentos generados de gran longitud pueden completarse en una sola respuesta en lugar de armarse por partes a lo largo de varias llamadas.

Esas capacidades apuntan a un conjunto de usos bastante específico. El análisis con alta carga de documentos encaja de forma natural, ya que los PDF pueden ir directamente junto con las preguntas sobre ellos. Los agentes de soporte y operaciones pueden tomar capturas de pantalla o grabaciones de pantalla como parte de un ticket y razonar sobre qué salió mal. Los flujos de revisión de medios pueden pasar video o audio y recibir salida escrita de vuelta, lo que se adapta a resumen, anotación o revisión de cumplimiento. Como se admite el llamado a herramientas, Muse Wonder también funciona como el núcleo de razonamiento de un agente que decide qué herramientas invocar y en qué orden, incluidas tareas de varios pasos que mezclan recuperación, manejo de archivos y generación.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "meta/muse-wonder". Como la interfaz sigue el esquema de OpenAI, los clientes y SDK existentes generalmente funcionan con un cambio de URL base e id de modelo. 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 cubre el control de muestreo (temperature, top_p, top_k, repetition_penalty), la longitud de salida (max_tokens), las respuestas estructuradas (response_format, structured_outputs), el uso de herramientas (tools, tool_choice) y el control sobre cuánto razonamiento expone o realiza el modelo (reasoning, reasoning_effort, include_reasoning).

Un límite a tener en cuenta es que la salida es solo texto. Si tu aplicación necesita imágenes, audio o video generados, Muse Wonder no es el componente adecuado para esa parte del pipeline, aunque todavía puede razonar sobre esos formatos como entradas. También es un modelo de razonamiento, así que para clasificación trivial o transformaciones deterministas cortas, un modelo de texto más pequeño y rápido puede encajar mejor y ser más económico de ejecutar en volumen. Usa Muse Wonder donde la tarea se beneficie genuinamente de contexto largo, entrada de medios mixtos o razonamiento de varios pasos con herramientas.