Meta: Muse Spark 1.3

Meta: Muse Spark 1.3 is een multimodaal redeneermodel van Meta, gebouwd voor langdurige agentische, multi-agent- en codewerkstromen. Het is een tekstmodel in de zin dat de uitvoer tekst is, maar het accepteert meer dan tekst aan de invoerkant. Meta positioneert het rond het bijhouden van informatie over langere taken en het doorwerken van problemen in de tijd, daarom is de agentische framing belangrijk: dit is een model dat bedoeld is om in een lus te zitten in plaats van een enkele geïsoleerde vraag te beantwoorden.

Aan de invoerkant accepteert Muse Spark 1.3 tekst, afbeeldingen, video en bestanden, en het retourneert tekst. Het contextvenster is 1.048.576 tokens, met een maximale uitvoer van 943.718 tokens. Die combinatie van een zeer groot invoerbudget en een zeer groot uitvoerbudget is ongebruikelijk en bepaalt waarvoor het model geschikt is. Het kan lange documenten, media en opgebouwde gespreksgeschiedenis opnemen, en het kan lange gestructureerde antwoorden, plannen of code produceren zonder vroegtijdig afgekapt te worden. Redeneren is een eersteklas onderdeel van het model: de ondersteunde parameters omvatten reasoning, reasoning_effort en include_reasoning, dus je kunt bepalen hoeveel intern werk er plaatsvindt en of dat redeneren aan jou wordt teruggegeven.

De praktische use cases volgen uit die mogelijkheden. Langetermijnagenten die status over vele stappen moeten vasthouden zijn een natuurlijke fit, net als multi-agentopstellingen waarin één model het werk van anderen coördineert of beoordeelt. Codewerkstromen profiteren van het grote uitvoerbudget, omdat gegenereerde code, diffs en uitleg in één antwoord kunnen worden geretourneerd. Omdat afbeeldingen, video en bestanden als invoer worden geaccepteerd, kan het model ook taken aan die media met tekst combineren, zoals het beoordelen van een schermopname naast een bugrapport, of het doorwerken van een document plus de bijbehorende diagrammen. Alles waarbij veel materiaal gelezen moet worden en vervolgens veel teruggeschreven moet worden, is waar dit model op is gericht.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "meta/muse-spark-1.3". De ondersteunde aanvraagparameters zijn include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k en top_p. In de praktijk betekent dat je sampling kunt afstemmen met temperature, top_p en top_k, herhaling kunt ontmoedigen met repetition_penalty, het antwoord kunt beperken met max_tokens, en de redeneerdiepte kunt sturen met reasoning_effort. Voor toolgebruik zijn tools en tool_choice beschikbaar, en voor machineleesbare antwoorden kun je response_format of structured_outputs gebruiken. Als je wilt dat het redeneren van het model in het antwoord wordt teruggegeven, stel je include_reasoning in.

Het belangrijkste om af te wegen is dat dit een model met tekstuitvoer is. Als je taak gegenereerde afbeeldingen, audio of andere niet-tekstuele uitvoer nodig heeft, zal Muse Spark 1.3 die niet produceren, ook al kan het afbeeldingen, video en bestanden als invoer lezen. De zeer grote context- en uitvoerlimieten betekenen ook dat aanvragen duur kunnen zijn qua latentie en resources, dus voor korte, eenvoudige, hoogvolume-aanroepen kan een kleiner en sneller model de betere keuze zijn. Pak Muse Spark 1.3 wanneer de taak lang is, multimodaal aan de invoerkant, agentisch of codezwaar, en wanneer je ruimte nodig hebt om te denken en uitgebreid te schrijven.