Meta: Muse Spark 1.3 Contributor

Meta: Muse Spark 1.3 Contributor to skoncentrowany na tekście multimodalny model rozumowania od Meta. Znajduje się w warstwie contributor linii Muse Spark 1.3, którą Meta opisuje jako warstwę efektywną kosztowo, przeznaczoną do eksperymentowania, nauki oraz wczesnych etapów pracy z agentami, wieloma agentami i kodowaniem. Data wydania przez dostawcę to 2026-09-02. Jeśli oceniasz modele do projektu, który wymaga rozumowania na mieszanych multimediach, a nie tylko na czystym tekście, to jest punkt wejścia oferowany przez Meta w tej rodzinie.

Model przyjmuje dane wejściowe w postaci tekstu, obrazu, wideo i plików, a zwraca tekst. Jego okno kontekstu wynosi 1 048 576 tokenów, a maksymalne wyjście to 943 718 tokenów. Ta kombinacja ma znaczenie dla obciążeń, w których dane wejściowe są duże, a oczekiwana odpowiedź również jest długa, na przykład przy streszczaniu długiego nagrania, wyodrębnianiu danych strukturalnych ze stosu dokumentów lub utrzymywaniu długiego stanu roboczego w zadaniu wieloetapowym. Zachowanie związane z rozumowaniem jest ujawnione, a nie ukryte: obsługiwane parametry obejmują reasoning, reasoning_effort i include_reasoning, więc możesz kontrolować, ile wewnętrznego namysłu wykonuje model i czy ten namysł jest zwracany do ciebie.

Te możliwości wskazują na kilka praktycznych zastosowań. Analiza dokumentów i multimediów pasuje naturalnie, ponieważ możesz przekazać pliki, obrazy lub wideo razem z tekstowym poleceniem i poprosić o wynik w formie tekstu. Kolejnym zastosowaniem są przepływy pracy związane z kodowaniem i agentami, wspierane przez wywoływanie narzędzi i wyjścia strukturalne, które pozwalają modelowi wywoływać funkcje i zwracać odpowiedzi w schemacie zdefiniowanym przez ciebie. Konfiguracje z wieloma agentami mogą używać tych samych funkcji do przekazywania ustrukturyzowanych komunikatów między agentami. Ponieważ model jest pozycjonowany do eksperymentowania i pracy na wczesnym etapie, nadaje się również do prototypowania potoku przed wyborem cięższego modelu.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "meta/muse-spark-1.3-contributor". Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k i top_p. W praktyce ustawiasz pole model na ten identyfikator, wysyłasz wiadomości i dodajesz te z tych parametrów, których wymaga twoje obciążenie, na przykład tools i tool_choice do wywoływania funkcji albo response_format i structured_outputs, gdy potrzebujesz przewidywalnego kształtu odpowiedzi.

Jedno ograniczenie warto mieć na uwadze: wyjście jest tylko tekstowe, więc zadania wymagające generowania obrazów, dźwięku lub wideo są tutaj poza zakresem. Warstwa contributor jest również opisywana jako efektywna kosztowo i ukierunkowana na eksperymentowanie, naukę oraz wczesne etapy pracy, co sugeruje, że obciążenia produkcyjne o najsurowszych wymaganiach jakościowych mogą być lepiej obsługiwane przez wyższą warstwę w tej samej rodzinie. Jeśli twoje dane wejściowe są tylko tekstowe, a potrzeby dotyczące kontekstu są umiarkowane, mniejszy model tekstowy może być prostszy w obsłudze.