Meta: Muse Glimmer 30B

Meta: Muse Glimmer 30B é um modelo multimodal denso, de pesos abertos, da Meta, desenvolvido pela Meta Superintelligence Labs. É destilado do Muse Spark e otimizado para agentes autónomos em hardware de consumo. Situa-se na categoria de texto e está posicionado para trabalho de longo horizonte, o que o torna um candidato para aplicações ao estilo de agente em vez de tarefas de prompt e resposta únicas.

O modelo aceita entradas de texto e imagem e produz saída de texto. A sua janela de contexto é de 131072 tokens, e o comprimento máximo de saída é de 16384 tokens. Suporta raciocínio, exposto através dos parâmetros include_reasoning e reasoning, juntamente com reasoning_effort para controlar a quantidade de trabalho de raciocínio que o modelo realiza. Como processa imagens, bem como texto, pode receber capturas de ecrã, diagramas ou outro material visual como parte de um pedido, embora tudo o que devolve seja texto.

Essas capacidades apontam para alguns usos práticos. Os fluxos de trabalho de agentes de longo horizonte são o encaixe mais claro, dada a combinação de uma janela de contexto grande, chamada de ferramentas e controlos de raciocínio. O uso de ferramentas é suportado através dos parâmetros tools e tool_choice, pelo que o modelo pode ser integrado em ciclos de chamada de funções. As saídas estruturadas e o response_format permitem restringir as respostas a um esquema, o que se adequa a extração, classificação e pipelines de dados. A entrada de imagem estende isto a tarefas em que o modelo precisa de ler uma captura de ecrã ou a imagem de um documento antes de agir. O limite de saída de 16384 tokens deve ser tido em conta ao planear execuções de agentes com vários passos, uma vez que longos traços de raciocínio e resultados de ferramentas consomem esse orçamento.

Chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo "meta/muse-glimmer-30b". Os parâmetros de pedido suportados são 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 e top_p. A amostragem pode ser ajustada com temperature, top_p, top_k e min_p, enquanto seed, stop, logit_bias e os parâmetros de penalização dão um controlo mais fino sobre determinismo e repetição. O comportamento de raciocínio é configurado separadamente através dos parâmetros reasoning e reasoning_effort.

Não há nenhuma limitação declarada além do limite de saída e da modalidade de saída apenas de texto. Se a tua tarefa precisa de entrada de áudio ou vídeo, ou de saída num formato não textual, este modelo não a fornece. Para prompts curtos e diretos que não precisam de ferramentas, imagens ou raciocínio, um modelo mais pequeno ou mais simples pode ser uma escolha mais económica, mas os factos aqui apresentados não identificam uma alternativa específica.