Meta: Muse Wonder

Meta : Muse Wonder est un modèle de raisonnement de pointe de Meta, conçu pour des tâches agentiques personnelles et professionnelles complexes. Il appartient à la catégorie texte, et Meta le positionne sur un travail à forte intensité de raisonnement plutôt que sur le simple chat. Si vous choisissez un modèle pour un agent qui doit planifier, raisonner à travers des étapes intermédiaires et agir sur ce qu'il découvre, c'est la classe de modèle que Meta destine à Muse Wonder.

Le modèle accepte en entrée du texte, des images, de la vidéo, de l'audio et des documents PDF, et renvoie du texte. Cette combinaison compte pour le travail agentique, car une seule requête peut porter une capture d'écran, un enregistrement, un document et des instructions écrites ensemble, et le modèle raisonne sur l'ensemble. La fenêtre de contexte est de 1 048 576 tokens, avec une sortie maximale de 943 718 tokens. Ce plafond de sortie élevé est inhabituel et mérite d'être noté : les tâches qui produisent de longues transcriptions, des analyses étendues ou de longs documents générés peuvent se terminer en une seule réponse plutôt que d'être assemblées sur plusieurs appels.

Ces capacités renvoient à un ensemble d'usages assez spécifique. L'analyse à forte densité documentaire est un usage naturel, puisque les PDF peuvent être fournis directement aux côtés des questions qui les concernent. Les agents de support et d'exploitation peuvent prendre des captures d'écran ou des enregistrements d'écran dans le cadre d'un ticket et raisonner sur ce qui a mal tourné. Les flux de revue de médias peuvent transmettre de la vidéo ou de l'audio et recevoir une sortie écrite, ce qui convient à la synthèse, à l'annotation ou à la revue de conformité. Comme l'appel d'outils est pris en charge, Muse Wonder fonctionne aussi comme le cœur de raisonnement d'un agent qui décide quels outils invoquer et dans quel ordre, y compris des tâches multi-étapes mêlant récupération, manipulation de fichiers et génération.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "meta/muse-wonder". Comme l'interface suit le schéma OpenAI, les clients et SDK existants fonctionnent généralement avec un changement d'URL de base et d'identifiant de modèle. 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, cela couvre le contrôle d'échantillonnage (temperature, top_p, top_k, repetition_penalty), la longueur de sortie (max_tokens), les réponses structurées (response_format, structured_outputs), l'usage d'outils (tools, tool_choice) et le contrôle de la quantité de raisonnement que le modèle expose ou effectue (reasoning, reasoning_effort, include_reasoning).

Une limite à garder en tête est que la sortie est uniquement du texte. Si votre application a besoin d'images, d'audio ou de vidéo générés, Muse Wonder n'est pas le bon composant pour cette partie du pipeline, même s'il peut toujours raisonner sur ces formats en entrée. C'est aussi un modèle de raisonnement, donc pour une classification triviale ou de courtes transformations déterministes, un modèle texte plus petit et plus rapide peut mieux convenir et coûter moins cher à exécuter en volume. Utilisez Muse Wonder là où la tâche bénéficie réellement d'un long contexte, d'une entrée multimédia mixte ou d'un raisonnement multi-étapes avec des outils.