Meta: Muse Glimmer 30B

Meta: Muse Glimmer 30B to gęsty, otwarto-wagowy model multimodalny od Meta, opracowany przez Meta Superintelligence Labs. Jest destylowany z Muse Spark i zoptymalizowany pod autonomicznych agentów na sprzęcie konsumenckim. Należy do kategorii tekstowej i jest pozycjonowany do pracy długodystansowej, co czyni go kandydatem do zastosowań w stylu agentowym, a nie do zadań typu jedno polecenie i odpowiedź.

Model przyjmuje dane wejściowe w postaci tekstu i obrazów, a zwraca tekst. Jego okno kontekstowe wynosi 131072 tokenów, a maksymalna długość wyjścia to 16384 tokeny. Obsługuje rozumowanie, udostępniane przez parametry include_reasoning i reasoning, wraz z reasoning_effort do kontrolowania, ile pracy rozumowania wykonuje model. Ponieważ obsługuje obrazy tak samo jak tekst, może przyjmować zrzuty ekranu, diagramy lub inny materiał wizualny jako część żądania, choć wszystko, co zwraca, jest tekstem.

Te możliwości wskazują na kilka praktycznych zastosowań. Długodystansowe przepływy pracy agentów są najlepiej dopasowane, biorąc pod uwagę połączenie dużego okna kontekstowego, wywoływania narzędzi i kontroli rozumowania. Użycie narzędzi jest obsługiwane przez parametry tools i tool_choice, więc model można wpiąć w pętle wywoływania funkcji. Ustrukturyzowane wyjścia i response_format pozwalają ograniczyć odpowiedzi do schematu, co pasuje do ekstrakcji, klasyfikacji i potoków danych. Wejście obrazowe rozszerza to na zadania, w których model musi odczytać zrzut ekranu lub obraz dokumentu przed podjęciem działania. Limit wyjścia wynoszący 16384 tokeny warto mieć na uwadze przy planowaniu wieloetapowych przebiegów agenta, ponieważ długie ślady rozumowania i wyniki narzędzi zużywają ten budżet.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "meta/muse-glimmer-30b". Obsługiwane parametry żądania to 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 i top_p. Próbkowanie można dostroić za pomocą temperature, top_p, top_k i min_p, natomiast seed, stop, logit_bias oraz parametry kar dają dokładniejszą kontrolę nad determinizmem i powtarzaniem. Zachowanie związane z rozumowaniem konfiguruje się osobno przez parametry reasoning i reasoning_effort.

Nie ma podanych ograniczeń poza limitem wyjścia i modalnością wyjścia wyłącznie tekstową. Jeśli twoje zadanie wymaga wejścia audio lub wideo albo wyjścia w formacie innym niż tekst, ten model tego nie zapewnia. W przypadku prostych, krótkich poleceń, które nie potrzebują narzędzi, obrazów ani rozumowania, mniejszy lub prostszy model może być bardziej ekonomicznym wyborem, ale podane tu fakty nie wskazują konkretnej alternatywy.