Meta: Muse Wonder

Meta: Muse Wonder는 Meta의 프런티어 추론 모델로, 복잡한 개인 및 업무용 에이전트 작업을 위해 만들어졌습니다. 텍스트 카테고리에 속하며, Meta는 이를 단순한 채팅보다는 추론 중심 작업에 위치시킵니다. 계획을 세우고, 중간 단계를 추론하며, 발견한 내용에 따라 행동해야 하는 에이전트용 모델을 선택한다면, 이것이 바로 Meta가 Muse Wonder를 통해 지원하려는 모델 등급입니다.

이 모델은 텍스트, 이미지, 비디오, 오디오, PDF 문서를 입력으로 받고 텍스트를 반환합니다. 이러한 조합은 에이전트 작업에서 중요합니다. 단일 요청이 스크린샷, 녹음, 문서, 서면 지침을 함께 담을 수 있고, 모델이 그 모든 것을 추론하기 때문입니다. 컨텍스트 윈도우는 1,048,576 토큰이고 최대 출력은 943,718 토큰입니다. 이 큰 출력 상한은 이례적이며 주목할 가치가 있습니다. 긴 대화 기록, 확장된 분석, 또는 장문의 생성 문서를 만들어내는 작업이 여러 호출에 걸쳐 이어 붙이지 않고 한 번의 응답으로 완료될 수 있습니다.

이러한 기능은 상당히 구체적인 용도 집합을 가리킵니다. 문서 중심 분석은 자연스러운 적합입니다. PDF를 그에 대한 질문과 함께 직접 넣을 수 있기 때문입니다. 지원 및 운영 에이전트는 티켓의 일부로 스크린샷이나 화면 녹화를 받아 무엇이 잘못되었는지 추론할 수 있습니다. 미디어 검토 워크플로는 비디오나 오디오를 전달하고 서면 출력을 돌려받을 수 있으며, 이는 요약, 주석 달기, 또는 규정 준수 검토에 적합합니다. 도구 호출이 지원되므로, Muse Wonder는 어떤 도구를 어떤 순서로 호출할지 결정하는 에이전트의 추론 핵심으로도 작동하며, 검색, 파일 처리, 생성을 혼합한 다단계 작업도 포함합니다.

api14의 OpenAI 호환 API를 통해 모델 id "meta/muse-wonder"를 사용하여 호출합니다. 인터페이스가 OpenAI 스키마를 따르므로, 기존 클라이언트와 SDK는 일반적으로 base URL과 모델 id를 변경하면 작동합니다. 지원되는 요청 파라미터는 include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k, top_p입니다. 실제로 이는 샘플링 제어(temperature, top_p, top_k, repetition_penalty), 출력 길이(max_tokens), 구조화된 응답(response_format, structured_outputs), 도구 사용(tools, tool_choice), 그리고 모델이 노출하거나 수행하는 추론량에 대한 제어(reasoning, reasoning_effort, include_reasoning)를 포괄합니다.

염두에 둘 한 가지 제한은 출력이 텍스트 전용이라는 점입니다. 애플리케이션에 생성된 이미지, 오디오, 또는 비디오가 필요하다면, Muse Wonder는 파이프라인의 그 부분에 맞는 구성 요소가 아닙니다. 다만 해당 형식을 입력으로 추론할 수는 있습니다. 또한 추론 모델이므로, 사소한 분류나 짧은 결정적 변환에는 더 작고 빠른 텍스트 모델이 더 적합하고 대량 실행 시 더 저렴할 수 있습니다. 긴 컨텍스트, 혼합 미디어 입력, 또는 도구를 사용한 다단계 추론이 작업에 진정으로 도움이 되는 곳에 Muse Wonder를 사용하십시오.