Meta: Muse Wonder

Meta: Muse Wonder è un modello di ragionamento di frontiera di Meta, costruito per complessi compiti agentici personali e professionali. Si colloca nella categoria testo, e Meta lo posiziona attorno al lavoro ad alta intensità di ragionamento piuttosto che alla semplice chat. Se stai scegliendo un modello per un agente che deve pianificare, ragionare attraverso passaggi intermedi e agire su ciò che trova, questa è la classe di modello che Meta intende servire con Muse Wonder.

Il modello accetta testo, immagini, video, audio e documenti PDF come input, e restituisce testo. Questa combinazione è importante per il lavoro agentico, perché una singola richiesta può contenere insieme uno screenshot, una registrazione, un documento e istruzioni scritte, e il modello ragiona su tutto questo. La finestra di contesto è di 1.048.576 token, con un output massimo di 943.718 token. Il tetto elevato di output è insolito e vale la pena notarlo: compiti che producono trascrizioni lunghe, analisi estese o documenti generati di notevole lunghezza possono completarsi in una sola risposta invece di essere assemblati attraverso più chiamate.

Queste capacità indicano un insieme piuttosto specifico di utilizzi. L'analisi ad alta densità di documenti è un adattamento naturale, dato che i PDF possono essere inseriti direttamente insieme alle domande che li riguardano. Gli agenti di supporto e operativi possono prendere screenshot o registrazioni dello schermo come parte di un ticket e ragionare su cosa è andato storto. I flussi di lavoro di revisione multimediale possono passare video o audio e ottenere un output scritto, il che si adatta a riepilogo, annotazione o revisione di conformità. Poiché la chiamata agli strumenti è supportata, Muse Wonder funziona anche come nucleo di ragionamento di un agente che decide quali strumenti invocare e in quale ordine, inclusi compiti multi-passo che combinano recupero, gestione di file e generazione.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id del modello "meta/muse-wonder". Poiché l'interfaccia segue lo schema OpenAI, i client e gli SDK esistenti generalmente funzionano con un cambio di base URL e id del modello. 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 questo copre il controllo del campionamento (temperature, top_p, top_k, repetition_penalty), la lunghezza dell'output (max_tokens), le risposte strutturate (response_format, structured_outputs), l'uso degli strumenti (tools, tool_choice) e il controllo su quanto ragionamento il modello espone o esegue (reasoning, reasoning_effort, include_reasoning).

Un limite da tenere a mente è che l'output è solo testo. Se la tua applicazione necessita di immagini, audio o video generati, Muse Wonder non è il componente giusto per quella parte della pipeline, sebbene possa comunque ragionare su quei formati come input. È anche un modello di ragionamento, quindi per classificazioni banali o brevi trasformazioni deterministiche, un modello testo più piccolo e veloce può essere più adatto e più economico da eseguire su larga scala. Usa Muse Wonder dove il compito trae un beneficio reale da contesto lungo, input multimediale misto o ragionamento multi-passo con strumenti.