Meta: Muse Wonder

Meta: Muse Wonder adalah model penalaran frontier dari Meta, dibangun untuk tugas agentic pribadi dan profesional yang kompleks. Model ini berada di kategori teks, dan Meta memposisikannya pada pekerjaan yang berat penalaran rather than obrolan sederhana. Jika Anda memilih model untuk agen yang harus merencanakan, menalar melalui langkah-langkah perantara, dan bertindak atas apa yang ditemukannya, inilah kelas model yang Meta maksudkan untuk dilayani Muse Wonder.

Model ini menerima teks, gambar, video, audio, dan dokumen PDF sebagai input, dan mengembalikan teks. Kombinasi itu penting untuk pekerjaan agentic, karena satu permintaan dapat membawa screenshot, rekaman, dokumen, dan instruksi tertulis sekaligus, dan model menalar atas semuanya. Jendela konteksnya adalah 1.048.576 token, dengan output maksimum 943.718 token. Batas output yang besar ini tidak biasa dan patut dicatat: tugas yang menghasilkan transkrip panjang, analisis ekstensif, atau dokumen yang dihasilkan panjang dapat selesai dalam satu respons rather than disatukan di beberapa panggilan.

Kemampuan tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Analisis yang berat dokumen cocok secara alami, karena PDF dapat dimasukkan langsung bersama pertanyaan tentangnya. Agen dukungan dan operasi dapat mengambil screenshot atau rekaman layar sebagai bagian dari tiket dan menalar tentang apa yang salah. Alur kerja peninjauan media dapat memasukkan video atau audio dan mendapatkan output tertulis kembali, yang cocok untuk peringkasan, anotasi, atau peninjauan kepatuhan. Karena tool calling didukung, Muse Wonder juga berfungsi sebagai inti penalaran agen yang memutuskan alat mana yang akan dipanggil dan dalam urutan apa, termasuk tugas multi-langkah yang mencampur pengambilan, penanganan file, dan generasi.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "meta/muse-wonder". Karena antarmukanya mengikuti skema OpenAI, klien dan SDK yang ada umumnya berfungsi dengan perubahan base URL dan model id. Parameter permintaan yang didukung adalah include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k, dan top_p. Dalam praktiknya itu mencakup kontrol sampling (temperature, top_p, top_k, repetition_penalty), panjang output (max_tokens), respons terstruktur (response_format, structured_outputs), penggunaan alat (tools, tool_choice), dan kontrol atas seberapa banyak penalaran yang diungkapkan atau dilakukan model (reasoning, reasoning_effort, include_reasoning).

Satu batasan yang perlu diingat adalah output hanya berupa teks. Jika aplikasi Anda membutuhkan gambar, audio, atau video yang dihasilkan, Muse Wonder bukan komponen yang tepat untuk bagian pipeline itu, meskipun model ini masih dapat menalar atas format tersebut sebagai input. Model ini juga merupakan model penalaran, jadi untuk klasifikasi sepele atau transformasi deterministik yang singkat, model teks yang lebih kecil dan lebih cepat mungkin lebih cocok dan lebih murah untuk dijalankan dalam volume besar. Gunakan Muse Wonder ketika tugas benar-benar mendapat manfaat dari konteks panjang, input media campuran, atau penalaran multi-langkah dengan alat.