Meta: Muse Spark Open

Meta: Muse Spark Open è un modello text da Meta, rilasciato il 15 ottobre 2026. È descritto come un modello open-weight ottimizzato per il coding, addestrato specificamente per i flussi di lavoro di coding agentico. Questa attenzione si riflette negli obiettivi dichiarati di una maggiore accuratezza al primo tentativo, di una chiamata affidabile degli strumenti e di una profonda comprensione delle basi di codice nei repository in cui lavorano gli sviluppatori. Se stai costruendo strumenti per sviluppatori o automatizzando lavoro all'interno di un repository esistente, questo modello è pensato direttamente per questo scenario, non solo per la chat generica.

Sul lato input, Muse Spark Open accetta testo, immagini, video, file e audio, mentre il suo output è solo testo. La finestra di contesto è di 1.048.576 token, e l'output massimo è di 943.718 token. Questa combinazione di un contesto molto ampio e di un budget di output molto ampio significa che puoi inserire fonti lunghe, come file di grandi dimensioni o trascrizioni estese, e lasciare comunque spazio per una risposta generata sostanziosa. Il supporto dell'input multimodale vale la pena di essere notato per il lavoro di coding: screenshot, file di design, walkthrough registrati e note audio possono far parte della stessa richiesta del testo circostante.

Gli usi pratici derivano da queste capacità. I flussi di lavoro di coding agentico sono il caso più chiaro, poiché il modello è addestrato per la chiamata degli strumenti e la comprensione delle basi di codice, il che si adatta a compiti come navigare un repository, pianificare modifiche in più passaggi e invocare strumenti come parte di un ciclo. Il contesto ampio aiuta quando un compito dipende da molti file o da una lunga storia di passaggi precedenti. Poiché immagini, video, audio e file sono accettati come input, puoi anche costruire flussi che trasformano una registrazione dello schermo, un mockup dell'interfaccia o una segnalazione di bug vocale in output testuale come un riepilogo scritto, una descrizione di patch o un report strutturato. I controlli di reasoning e gli output strutturati lo rendono utilizzabile in pipeline in cui il risultato deve essere analizzato automaticamente invece che letto da una persona.

Chiami il modello tramite l'API compatibile con OpenAI di api14 usando il model id "meta/muse-spark-open". I parametri di richiesta supportati sono 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 e top_p. In pratica questo significa che puoi regolare il campionamento con temperature, top_p, top_k e min_p, applicare penalità, limitare la risposta con max_tokens, vincolare l'output con response_format o structured_outputs e configurare il function calling con tools e tool_choice. I parametri reasoning e reasoning_effort, insieme a include_reasoning, ti permettono di controllare quanto reasoning interno viene esposto o richiesto, e seed più logprobs o top_logprobs supportano generazioni riproducibili o ispezionabili.

Un limite da tenere a mente è che l'output è solo testo, quindi qualsiasi compito che richieda immagini, audio o video generati necessiterà di un modello diverso. Il modello è inoltre esplicitamente ottimizzato per il coding, quindi per lavoro che non ha nulla a che fare con il codice o con l'uso agentico degli strumenti, un modello text general-purpose può essere una scelta più semplice.