Meta: Muse Spark 1.2

Meta : Muse Spark 1.2 est un modèle de raisonnement de Meta, conçu pour des tâches agentiques complexes. Il appartient à la catégorie texte, et Meta le positionne sur les charges de travail où le modèle doit planifier, raisonner étape par étape et agir plutôt que de simplement répondre à une seule question. Si vous choisissez un modèle pour un agent qui doit fonctionner sur plusieurs tours et outils, c'est la classe de modèle à laquelle Meta le destine.

Le modèle accepte des entrées texte, images, vidéo et fichiers, et il renvoie du texte. Sa fenêtre de contexte est de 1 048 576 tokens, avec une sortie maximale de 943 718 tokens. Cette combinaison compte pour le travail agentique : un grand contexte permet de garder en vue de longues transcriptions, des documents ou du contenu issu de médias, et un plafond de sortie élevé signifie que le modèle n'est pas forcé de compresser un long plan ou rapport en une réponse courte. Le raisonnement fait partie de la conception du modèle, et l'API expose des contrôles pour celui-ci.

Les cas d'usage pratiques découlent de ces capacités. Comme il prend des images, de la vidéo et des fichiers en plus du texte, vous pouvez construire des agents qui examinent un ensemble de documents et un enregistrement d'écran, puis produisent une analyse écrite ou un plan. Le contexte long convient à la recherche multi-étapes, à l'analyse de bases de code ou de journaux, et aux flux de travail où les résultats d'outils précédents doivent rester disponibles. L'appel d'outils et les sorties structurées en font un choix raisonnable pour l'orchestration, où le modèle décide quel outil appeler et renvoie des résultats lisibles par machine. Les contrôles de raisonnement permettent d'échanger de la vitesse contre de la profondeur selon la tâche.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "meta/muse-spark-1.2". Les paramètres de requête pris en charge sont include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k et top_p. En pratique, tools et tool_choice pilotent les boucles agentiques, response_format et structured_outputs contraignent la forme de la réponse, et les paramètres de raisonnement ajustent la quantité de raisonnement interne effectuée par le modèle. Comme l'interface est compatible OpenAI, les clients et SDK existants fonctionnent généralement avec seulement l'identifiant de modèle changé.

Une limite à garder en tête est la modalité de sortie : le modèle renvoie uniquement du texte, donc il ne peut pas générer d'images ou de vidéo même s'il peut les lire. Si votre tâche est purement de la génération de texte court, un modèle plus petit peut être plus simple et plus rapide. Pour le travail agentique à long contexte, multimodal et utilisant des outils, Muse Spark 1.2 est précisément conçu pour cela.