Meta: Muse Spark 1.3

Meta : Muse Spark 1.3 est un modèle de raisonnement multimodal de Meta, conçu pour les workflows agentiques, multi-agents et de codage de longue durée. C'est un modèle de texte au sens où sa sortie est du texte, mais il accepte plus que du texte en entrée. Meta le positionne autour de la capacité à suivre l'information sur des tâches étendues et à résoudre des problèmes dans la durée, ce qui explique l'importance du cadre agentique : c'est un modèle destiné à s'inscrire dans une boucle plutôt qu'à répondre à une question isolée.

Côté entrée, Muse Spark 1.3 accepte le texte, les images, la vidéo et les fichiers, et il renvoie du texte. La fenêtre de contexte est de 1 048 576 tokens, avec une sortie maximale de 943 718 tokens. Cette combinaison d'un très grand budget d'entrée et d'un très grand budget de sortie est inhabituelle et façonne ce pour quoi le modèle est adapté. Il peut absorber de longs documents, des médias et un historique de conversation accumulé, et il peut produire de longues réponses structurées, des plans ou du code sans être coupé prématurément. Le raisonnement est une partie intégrante du modèle : les paramètres pris en charge incluent reasoning, reasoning_effort et include_reasoning, ce qui permet de contrôler l'ampleur du travail interne et si ce raisonnement est renvoyé ou non.

Les cas d'usage pratiques découlent de ces capacités. Les agents à long horizon qui doivent conserver un état sur de nombreuses étapes sont un choix naturel, tout comme les configurations multi-agents où un modèle coordonne ou révise le travail des autres. Les workflows de codage bénéficient du grand budget de sortie, puisque le code généré, les diffs et les explications peuvent être renvoyés en une seule réponse. Comme les images, la vidéo et les fichiers sont acceptés en entrée, le modèle peut aussi traiter des tâches mêlant médias et texte, comme l'analyse d'un enregistrement d'écran accompagné d'un rapport de bug, ou l'étude d'un document et de ses schémas associés. Tout ce qui demande de lire beaucoup de matière puis d'écrire beaucoup en retour est la cible de ce modèle.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "meta/muse-spark-1.3". 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. Concrètement, cela signifie que vous pouvez régler l'échantillonnage avec temperature, top_p et top_k, décourager la répétition avec repetition_penalty, plafonner la réponse avec max_tokens, et orienter la profondeur du raisonnement avec reasoning_effort. Pour l'usage d'outils, tools et tool_choice sont disponibles, et pour des réponses lisibles par machine, vous pouvez utiliser response_format ou structured_outputs. Si vous voulez que le raisonnement du modèle soit renvoyé dans la réponse, définissez include_reasoning.

Le principal point à peser est qu'il s'agit d'un modèle à sortie texte. Si votre tâche nécessite des images générées, de l'audio ou une autre sortie non textuelle, Muse Spark 1.3 ne la produira pas, même s'il peut lire des images, de la vidéo et des fichiers en entrée. Les limites très élevées de contexte et de sortie impliquent aussi que les requêtes peuvent être coûteuses en latence et en ressources, donc pour des appels courts, simples et à fort volume, un modèle plus petit et plus rapide peut être le meilleur choix. Recourez à Muse Spark 1.3 lorsque la tâche est longue, multimodale côté entrée, agentique ou fortement orientée code, et lorsque vous avez besoin de place pour réfléchir et écrire longuement.