Meta: Muse Spark Open

Meta: Muse Spark Open is een tekstmodel van Meta, uitgebracht op 15 oktober 2026. Het wordt beschreven als een voor codering geoptimaliseerd open-weight model, specifiek getraind voor agentische coderingsworkflows. Die focus komt terug in de gestelde doelen van hogere nauwkeurigheid bij de eerste poging, betrouwbare tool calling en diep begrip van codebases in de repositories waarin ontwikkelaars werken. Als je ontwikkelaarstooling bouwt of werk automatiseert binnen een bestaande repo, is dit model direct op die setting gericht en niet alleen op algemene chat.

Aan de invoerkant accepteert Muse Spark Open tekst, afbeeldingen, video, bestanden en audio, terwijl de uitvoer alleen tekst is. Het contextvenster is 1.048.576 tokens en de maximale uitvoer is 943.718 tokens. Die combinatie van een zeer grote context en een zeer groot uitvoerbudget betekent dat je lange bronnen kunt invoeren, zoals grote bestanden of uitgebreide transcripten, en toch ruimte overhoudt voor een substantieel gegenereerd antwoord. De multimodale invoerondersteuning is het vermelden waard voor coderingswerk: screenshots, ontwerpbestanden, opgenomen walkthroughs en audionotities kunnen allemaal deel uitmaken van dezelfde aanvraag als de omliggende tekst.

De praktische toepassingen volgen uit die mogelijkheden. Agentische coderingsworkflows zijn de duidelijkste match, aangezien het model is getraind voor tool calling en begrip van codebases, wat past bij taken zoals het navigeren door een repository, het plannen van wijzigingen in meerdere stappen en het aanroepen van tools als onderdeel van een lus. De grote context helpt wanneer een taak afhangt van veel bestanden of een lange geschiedenis van eerdere stappen. Omdat afbeeldingen, video, audio en bestanden als invoer worden geaccepteerd, kun je ook flows bouwen die een schermopname, een UI-mockup of een gesproken bugrapport omzetten in tekstuitvoer, zoals een geschreven samenvatting, een patchbeschrijving of een gestructureerd rapport. Reasoning-besturing en gestructureerde uitvoer maken het bruikbaar in pipelines waarin het resultaat moet worden geparseerd in plaats van door een persoon gelezen.

Je roept het model aan via de OpenAI-compatibele API van api14 met het model-id "meta/muse-spark-open". De ondersteunde aanvraagparameters zijn 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 en top_p. In de praktijk betekent dat dat je sampling kunt afstemmen met temperature, top_p, top_k en min_p, straffen kunt toepassen, het antwoord kunt beperken met max_tokens, de uitvoer kunt beperken met response_format of structured_outputs, en function calling kunt koppelen met tools en tool_choice. De parameters reasoning en reasoning_effort, samen met include_reasoning, laten je bepalen hoeveel interne reasoning wordt blootgesteld of opgevraagd, en seed plus logprobs of top_logprobs ondersteunen reproduceerbare of te inspecteren generaties.

Een beperking om in gedachten te houden is dat de uitvoer alleen tekst is, dus elke taak die gegenereerde afbeeldingen, audio of video nodig heeft, vereist een ander model. Het model is ook expliciet geoptimaliseerd voor codering, dus voor werk dat niets te maken heeft met code of agentisch toolgebruik is een algemeen tekstmodel mogelijk een eenvoudigere keuze.