Meta: Muse Spark 1.3

Meta: Muse Spark 1.3 è un modello di ragionamento multimodale di Meta, progettato per flussi di lavoro agentici, multi-agente e di programmazione di lunga durata. È un modello testuale nel senso che il suo output è testo, ma in ingresso accetta più del solo testo. Meta lo posiziona intorno alla capacità di tenere traccia delle informazioni attraverso compiti estesi e di risolvere problemi nel tempo, ed è per questo che l'inquadramento agentico conta: questo è un modello pensato per stare dentro un ciclo anziché rispondere a una singola domanda isolata.

Sul lato input, Muse Spark 1.3 accetta testo, immagini, video e file, e restituisce testo. La finestra di contesto è di 1.048.576 token, con un output massimo di 943.718 token. Questa combinazione di un budget di input molto ampio e un budget di output molto ampio è insolita e plasma ciò per cui il modello è valido. Può ricevere documenti lunghi, media e cronologia di conversazione accumulata, e può produrre risposte strutturate lunghe, piani o codice senza essere interrotto in anticipo. Il ragionamento è una parte di prima classe del modello: i parametri supportati includono reasoning, reasoning_effort e include_reasoning, quindi puoi controllare quanto lavoro interno avviene e se quel ragionamento ti viene restituito.

I casi d'uso pratici derivano da queste capacità. Gli agenti a lungo orizzonte che devono mantenere lo stato attraverso molti passaggi sono una scelta naturale, così come le configurazioni multi-agente in cui un modello coordina o revisiona il lavoro di altri. I flussi di lavoro di programmazione beneficiano del grande budget di output, poiché codice generato, diff e spiegazioni possono essere restituiti in una sola risposta. Poiché immagini, video e file sono accettati come input, il modello può anche gestire compiti che mescolano media e testo, come revisionare una registrazione dello schermo insieme a un rapporto di bug, o elaborare un documento più i suoi diagrammi di supporto. Qualsiasi cosa richieda di leggere molto materiale e poi scrivere molto in risposta è l'ambito a cui questo modello è destinato.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id del modello "meta/muse-spark-1.3". I parametri di richiesta supportati sono include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k e top_p. In pratica ciò significa che puoi regolare il campionamento con temperature, top_p e top_k, scoraggiare le ripetizioni con repetition_penalty, limitare la risposta con max_tokens e guidare la profondità del ragionamento con reasoning_effort. Per l'uso degli strumenti, tools e tool_choice sono disponibili, e per risposte leggibili dalla macchina puoi usare response_format o structured_outputs. Se vuoi che il ragionamento del modello venga restituito nella risposta, imposta include_reasoning.

La cosa principale da valutare è che questo è un modello con output testuale. Se il tuo compito richiede immagini generate, audio o altro output non testuale, Muse Spark 1.3 non lo produrrà, anche se può leggere immagini, video e file come input. I limiti molto ampi di contesto e output significano anche che le richieste possono essere costose in termini di latenza e risorse, quindi per chiamate brevi, semplici e ad alto volume un modello più piccolo e più veloce può essere la scelta migliore. Rivolgiti a Muse Spark 1.3 quando il compito è lungo, multimodale sul lato input, agentico o ricco di codice, e quando hai bisogno di spazio per pensare e scrivere a lungo.