Meta: Muse Wonder

Meta: Muse Wonder is een frontier reasoning-model van Meta, gebouwd voor complexe persoonlijke en professionele agentische taken. Het zit in de tekstcategorie, en Meta positioneert het rond reasoning-intensief werk in plaats van eenvoudige chat. Als je een model kiest voor een agent die moet plannen, redeneren door tussenstappen en handelen op basis van wat hij vindt, dan is dit de klasse van modellen die Meta met Muse Wonder bedoelt te bedienen.

Het model accepteert tekst, afbeeldingen, video, audio en PDF-documenten als invoer, en retourneert tekst. Die combinatie is belangrijk voor agentisch werk, omdat een enkele aanvraag een screenshot, een opname, een document en geschreven instructies samen kan bevatten, en het model over alles redeneert. Het contextvenster is 1.048.576 tokens, met een maximale uitvoer van 943.718 tokens. Het hoge uitvoerplafond is ongebruikelijk en het vermelden waard: taken die lange transcripties, uitgebreide analyses of lange gegenereerde documenten opleveren, kunnen in één antwoord worden afgerond in plaats van te worden samengesteld over meerdere aanroepen.

Die mogelijkheden wijzen op een vrij specifieke set toepassingen. Documentintensieve analyse is een natuurlijke fit, omdat PDF's direct samen met vragen erover kunnen worden ingevoerd. Support- en operationele agents kunnen screenshots of schermopnamen als onderdeel van een ticket nemen en redeneren over wat er misging. Workflows voor mediareview kunnen video of audio invoeren en schriftelijke uitvoer terugkrijgen, wat past bij samenvatting, annotatie of compliance-review. Omdat tool calling wordt ondersteund, werkt Muse Wonder ook als de reasoning-kern van een agent die beslist welke tools moeten worden aangeroepen en in welke volgorde, inclusief meerstapstaken die retrieval, bestandsverwerking en generatie combineren.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "meta/muse-wonder". Omdat de interface het OpenAI-schema volgt, werken bestaande clients en SDK's doorgaans met een wijziging van basis-URL en model-id. 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 dekt dat sampling-besturing (temperature, top_p, top_k, repetition_penalty), uitvoerlengte (max_tokens), gestructureerde antwoorden (response_format, structured_outputs), toolgebruik (tools, tool_choice), en controle over hoeveel redenering het model blootlegt of uitvoert (reasoning, reasoning_effort, include_reasoning).

Eén beperking om in gedachten te houden is dat de uitvoer alleen tekst is. Als je toepassing gegenereerde afbeeldingen, audio of video nodig heeft, is Muse Wonder niet het juiste onderdeel voor dat deel van de pipeline, hoewel het nog steeds over die formaten als invoer kan redeneren. Het is ook een reasoning-model, dus voor triviale classificatie of korte deterministische transformaties kan een kleiner en sneller tekstmodel beter passen en goedkoper zijn om op volume te draaien. Gebruik Muse Wonder waar de taak echt profiteert van lange context, gemengde media-invoer of meerstapsredenering met tools.