Meta: Muse Spark 1.3 Contributor

Meta : Muse Spark 1.3 Contributor est un modèle de raisonnement multimodal axé sur le texte, développé par Meta. Il se situe dans le niveau contributor de la gamme Muse Spark 1.3, que Meta décrit comme le niveau économique destiné à l'expérimentation, à l'apprentissage et aux workflows précoces d'agents, multi-agents et de codage. La date de publication par le fournisseur est le 2026-09-02. Si vous évaluez des modèles pour un projet qui doit raisonner sur des médias mixtes plutôt que sur du texte seul, c'est le point d'entrée que Meta propose dans cette famille.

Le modèle accepte des entrées texte, image, vidéo et fichier, et il renvoie du texte. Sa fenêtre de contexte est de 1 048 576 tokens, et la sortie maximale est de 943 718 tokens. Cette combinaison compte pour les charges de travail où l'entrée est volumineuse et où la réponse attendue est également longue, comme résumer un long enregistrement, extraire des données structurées d'une pile de documents, ou maintenir un état de travail étendu sur une tâche à plusieurs étapes. Le comportement de raisonnement est exposé plutôt que masqué : les paramètres pris en charge incluent reasoning, reasoning_effort et include_reasoning, ce qui vous permet de contrôler l'ampleur de la délibération interne du modèle et si cette délibération vous est renvoyée.

Ces capacités indiquent quelques usages pratiques. L'analyse de documents et de médias est un choix naturel, puisque vous pouvez transmettre des fichiers, des images ou des vidéos avec une invite textuelle et demander un résultat écrit. Le codage et les workflows d'agents en sont un autre, facilité par l'appel d'outils et les sorties structurées, qui permettent au modèle d'invoquer des fonctions et de renvoyer des réponses dans un schéma que vous définissez. Les configurations multi-agents peuvent utiliser les mêmes fonctionnalités pour échanger des messages structurés entre agents. Comme le modèle est positionné pour l'expérimentation et les travaux précoces, il convient aussi au prototypage d'un pipeline avant de s'engager sur un modèle plus lourd.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "meta/muse-spark-1.3-contributor". 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, vous définissez le champ model sur cet identifiant, vous envoyez vos messages, et vous ajoutez ceux de ces paramètres dont votre charge de travail a besoin, par exemple tools et tool_choice pour l'appel de fonctions, ou response_format et structured_outputs lorsque vous avez besoin d'une forme prévisible en retour.

Une limite à garder en tête est que la sortie est uniquement textuelle, donc les tâches qui nécessitent de générer des images, de l'audio ou de la vidéo sont hors de portée ici. Le niveau contributor est également décrit comme économique et destiné à l'expérimentation, à l'apprentissage et aux workflows précoces, ce qui suggère que les charges de travail de production avec les exigences de qualité les plus strictes seront mieux servies par un niveau supérieur de la même famille. Si vos entrées sont uniquement textuelles et vos besoins de contexte modestes, un modèle textuel plus petit peut être plus simple à exploiter.