Meta: Muse Spark Open

Meta : Muse Spark Open est un modèle textuel de Meta, publié le 15 octobre 2026. Il est décrit comme un modèle à poids ouverts optimisé pour le codage, entraîné spécifiquement pour les flux de travail de codage agentique. Cette orientation se retrouve dans les objectifs annoncés : une précision supérieure dès la première tentative, un appel d'outils fiable et une compréhension approfondie des bases de code dans les dépôts où travaillent les développeurs. Si vous construisez des outils pour développeurs ou automatisez des tâches dans un dépôt existant, ce modèle est conçu directement pour ce cadre, et non pour le chat général seul.

Côté entrée, Muse Spark Open accepte le texte, les images, la vidéo, les fichiers et l'audio, tandis que sa sortie est uniquement textuelle. La fenêtre de contexte est de 1 048 576 tokens, et la sortie maximale est de 943 718 tokens. Cette combinaison d'un très grand contexte et d'un très grand budget de sortie signifie que vous pouvez fournir de longues sources, comme des fichiers volumineux ou des transcriptions étendues, tout en gardant de la place pour une réponse générée substantielle. La prise en charge des entrées multimodales mérite d'être soulignée pour le travail de codage : captures d'écran, fichiers de conception, démonstrations enregistrées et notes audio peuvent tous faire partie de la même requête que le texte environnant.

Les usages pratiques découlent de ces capacités. Les flux de travail de codage agentique sont l'application la plus évidente, puisque le modèle est entraîné à l'appel d'outils et à la compréhension des bases de code, ce qui convient à des tâches comme naviguer dans un dépôt, planifier des modifications en plusieurs étapes et invoquer des outils dans une boucle. Le grand contexte aide lorsqu'une tâche dépend de nombreux fichiers ou d'un long historique d'étapes précédentes. Comme les images, la vidéo, l'audio et les fichiers sont acceptés en entrée, vous pouvez aussi construire des flux qui transforment un enregistrement d'écran, une maquette d'interface ou un rapport de bug oral en sortie textuelle, comme un résumé écrit, une description de correctif ou un rapport structuré. Les contrôles de raisonnement et les sorties structurées le rendent utilisable dans des pipelines où le résultat doit être analysé par programmation plutôt que lu par une personne.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "meta/muse-spark-open". Les paramètres de requête pris en charge sont frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs et top_p. En pratique, cela signifie que vous pouvez ajuster l'échantillonnage avec temperature, top_p, top_k et min_p, appliquer des pénalités, plafonner la réponse avec max_tokens, contraindre la sortie avec response_format ou structured_outputs, et configurer l'appel de fonctions avec tools et tool_choice. Les paramètres reasoning et reasoning_effort, ainsi que include_reasoning, vous permettent de contrôler la quantité de raisonnement interne exposée ou demandée, et seed avec logprobs ou top_logprobs permettent des générations reproductibles ou inspectables.

Une limite à garder en tête est que la sortie est uniquement textuelle, donc toute tâche nécessitant des images, de l'audio ou de la vidéo générés nécessitera un autre modèle. Le modèle est également explicitement optimisé pour le codage, donc pour un travail sans rapport avec le code ou l'usage agentique d'outils, un modèle textuel généraliste peut être un choix plus simple.