Meta: Muse Glimmer 30B

Meta: Muse Glimmer 30B is een dense, open-weight multimodaal model van Meta, ontwikkeld door Meta Superintelligence Labs. Het is gedistilleerd uit Muse Spark en geoptimaliseerd voor autonome agents op consumentenhardware. Het valt in de tekstcategorie en is gepositioneerd voor langdurig werk, wat het een kandidaat maakt voor agent-achtige toepassingen in plaats van eenmalige prompt- en responstaken.

Het model accepteert tekst- en afbeeldingsinvoer en produceert tekstuitvoer. Het contextvenster is 131072 tokens en de maximale uitvoerlengte is 16384 tokens. Het ondersteunt redeneren, ontsloten via de parameters include_reasoning en reasoning, samen met reasoning_effort om te bepalen hoeveel redeneerwerk het model verricht. Omdat het zowel afbeeldingen als tekst verwerkt, kan het screenshots, diagrammen of ander visueel materiaal als onderdeel van een verzoek aannemen, hoewel alles wat het teruggeeft tekst is.

Die mogelijkheden wijzen op een paar praktische toepassingen. Langdurige agent-workflows zijn de duidelijkste match, gezien de combinatie van een groot contextvenster, tool calling en redeneerbesturing. Toolgebruik wordt ondersteund via de parameters tools en tool_choice, zodat het model in function-calling-loops kan worden opgenomen. Gestructureerde uitvoer en response_format laten je antwoorden beperken tot een schema, wat past bij extractie, classificatie en datapijplijnen. Afbeeldingsinvoer breidt dit uit naar taken waarbij het model een screenshot of een documentafbeelding moet lezen voordat het handelt. Het uitvoerplafond van 16384 tokens is het onthouden waard bij het plannen van meerstaps agent-runs, aangezien lange redeneersporen en toolresultaten dat budget verbruiken.

Je roept het model aan via de OpenAI-compatibele API van api14 met het model-id "meta/muse-glimmer-30b". De ondersteunde verzoekparameters zijn 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 en top_p. Sampling kan worden afgestemd met temperature, top_p, top_k en min_p, terwijl seed, stop, logit_bias en de strafparameters je fijnere controle geven over determinisme en herhaling. Redeneergedrag wordt apart geconfigureerd via de parameters reasoning en reasoning_effort.

Er is geen vermelde beperking naast het uitvoerplafond en de tekst-only uitvoermodaliteit. Als je taak audio- of video-invoer nodig heeft, of uitvoer in een niet-tekstformaat, dan biedt dit model dat niet. Voor eenvoudige korte prompts die geen tools, afbeeldingen of redeneren nodig hebben, kan een kleiner of eenvoudiger model een economischere keuze zijn, maar de feiten hier noemen geen specifiek alternatief.