Meta: Muse Spark Open

Meta: Muse Spark Open to model tekstowy od Meta, wydany 15 października 2026. Opisuje się go jako zoptymalizowany pod kodowanie model o otwartych wagach, trenowany specjalnie pod agentowe przepływy pracy związane z kodowaniem. To ukierunkowanie widać w deklarowanych celach: wyższa skuteczność przy pierwszej próbie, niezawodne wywoływanie narzędzi oraz głębokie rozumienie baz kodu w repozytoriach, w których pracują deweloperzy. Jeśli tworzysz narzędzia dla deweloperów lub automatyzujesz pracę w istniejącym repozytorium, ten model jest skierowany dokładnie na taki scenariusz, a nie wyłącznie na ogólną rozmowę.

Po stronie wejścia Muse Spark Open przyjmuje tekst, obrazy, wideo, pliki i dźwięk, natomiast jego wyjście to wyłącznie tekst. Okno kontekstu wynosi 1 048 576 tokenów, a maksymalne wyjście to 943 718 tokenów. To połączenie bardzo dużego kontekstu i bardzo dużego budżetu wyjścia oznacza, że możesz podać długie źródła, takie jak duże pliki czy rozbudowane transkrypcje, i nadal pozostawić miejsce na znaczącą odpowiedź generowaną. Warto zwrócić uwagę na obsługę wejścia multimodalnego w pracy z kodem: zrzuty ekranu, pliki projektowe, nagrane prezentacje i notatki głosowe mogą być częścią tego samego żądania co otaczający tekst.

Praktyczne zastosowania wynikają z tych możliwości. Agentowe przepływy pracy związane z kodowaniem pasują tu najbardziej, ponieważ model jest trenowany do wywoływania narzędzi i rozumienia baz kodu, co odpowiada zadaniom takim jak poruszanie się po repozytorium, planowanie wieloetapowych zmian i wywoływanie narzędzi w pętli. Duży kontekst pomaga, gdy zadanie zależy od wielu plików lub długiej historii wcześniejszych kroków. Ponieważ obrazy, wideo, dźwięk i pliki są przyjmowane jako wejście, możesz też budować przepływy, które zamieniają nagranie ekranu, makietę UI lub zgłoszenie błędu mówionego na wyjście tekstowe, takie jak pisemne podsumowanie, opis poprawki lub ustrukturyzowany raport. Kontrolki rozumowania i ustrukturyzowane wyjścia czynią go użytecznym w potokach, w których wynik musi być parsowany, a nie czytany przez człowieka.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "meta/muse-spark-open". Obsługiwane parametry żądania to 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 oraz top_p. W praktyce oznacza to, że możesz dostroić próbkowanie za pomocą temperature, top_p, top_k i min_p, zastosować kary, ograniczyć odpowiedź przez max_tokens, ograniczyć wyjście przez response_format lub structured_outputs oraz podłączyć wywoływanie funkcji przez tools i tool_choice. Parametry reasoning i reasoning_effort, wraz z include_reasoning, pozwalają kontrolować, ile wewnętrznego rozumowania jest ujawniane lub wymagane, a seed oraz logprobs lub top_logprobs wspierają generowanie powtarzalne lub poddawane inspekcji.

Jedno ograniczenie warto mieć na uwadze: wyjście to wyłącznie tekst, więc każde zadanie wymagające generowanych obrazów, dźwięku lub wideo będzie wymagało innego modelu. Model jest też wyraźnie zoptymalizowany pod kodowanie, więc do pracy niezwiązanej z kodem ani agentowym użyciem narzędzi prostszym wyborem może być ogólnego przeznaczenia model tekstowy.