Meta: Muse Glimmer 30B

Meta: Muse Glimmer 30B è un modello multimodale denso, a pesi aperti di Meta, sviluppato da Meta Superintelligence Labs. È distillato da Muse Spark e ottimizzato per agenti autonomi su hardware di consumo. Si colloca nella categoria testo ed è posizionato per lavori a lungo orizzonte, il che lo rende un candidato per applicazioni in stile agente anziché per compiti di prompt e risposta singoli.

Il modello accetta input di testo e immagini e produce output testuale. La sua finestra di contesto è di 131072 token, e la lunghezza massima di output è di 16384 token. Supporta il ragionamento, esposto tramite i parametri include_reasoning e reasoning, insieme a reasoning_effort per controllare quanto lavoro di ragionamento esegue il modello. Poiché gestisce immagini oltre al testo, può prendere screenshot, diagrammi o altro materiale visivo come parte di una richiesta, anche se tutto ciò che restituisce è testo.

Queste capacità indicano alcuni usi pratici. I flussi di lavoro agentici a lungo orizzonte sono l'adattamento più chiaro, data la combinazione di una grande finestra di contesto, il richiamo di strumenti e i controlli di ragionamento. L'uso di strumenti è supportato tramite i parametri tools e tool_choice, quindi il modello può essere collegato a cicli di chiamata di funzioni. Gli output strutturati e response_format consentono di vincolare le risposte a uno schema, il che si adatta a estrazione, classificazione e pipeline di dati. L'input di immagini estende questo a compiti in cui il modello deve leggere uno screenshot o l'immagine di un documento prima di agire. Il tetto di output di 16384 token vale la pena di essere tenuto a mente quando si pianificano esecuzioni agentiche multi-step, poiché lunghe tracce di ragionamento e risultati di strumenti consumano quel budget.

Si chiama il modello tramite l'API compatibile con OpenAI di api14 usando l'id del modello "meta/muse-glimmer-30b". I parametri di richiesta supportati sono frequency_penalty, include_reasoning, logit_bias, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k e top_p. Il campionamento può essere regolato con temperature, top_p, top_k e min_p, mentre seed, stop, logit_bias e i parametri di penalità offrono un controllo più fine su determinismo e ripetizione. Il comportamento di ragionamento è configurato separatamente tramite i parametri reasoning e reasoning_effort.

Non c'è alcuna limitazione dichiarata oltre al tetto di output e alla modalità di output solo testuale. Se il tuo compito richiede input audio o video, o output in un formato non testuale, questo modello non li fornisce. Per prompt brevi e diretti che non necessitano di strumenti, immagini o ragionamento, un modello più piccolo o più semplice può essere una scelta più economica, ma i fatti qui riportati non identificano un'alternativa specifica.