Meta: Muse Spark Open

Meta: Muse Spark Open é um modelo de texto da Meta, lançado em 15 de outubro de 2026. É descrito como um modelo de pesos abertos otimizado para programação, treinado especificamente para fluxos de trabalho de programação agêntica. Esse foco aparece nos objetivos declarados de maior precisão na primeira tentativa, chamada de ferramentas confiável e compreensão profunda de bases de código nos repositórios em que os desenvolvedores trabalham. Se você está criando ferramentas para desenvolvedores ou automatizando trabalho dentro de um repositório existente, este modelo é direcionado exatamente para esse cenário, e não apenas para conversa geral.

No lado da entrada, Muse Spark Open aceita texto, imagens, vídeo, arquivos e áudio, enquanto sua saída é apenas texto. A janela de contexto é de 1.048.576 tokens, e a saída máxima é de 943.718 tokens. Essa combinação de um contexto muito grande e um orçamento de saída muito grande significa que você pode fornecer fontes longas, como arquivos grandes ou transcrições extensas, e ainda deixar espaço para uma resposta gerada substancial. O suporte a entrada multimodal vale a pena notar para trabalho de programação: capturas de tela, arquivos de design, gravações de walkthrough e notas de áudio podem todos fazer parte da mesma requisição que o texto ao redor.

Os usos práticos decorrem dessas capacidades. Fluxos de trabalho de programação agêntica são o encaixe mais claro, já que o modelo é treinado para chamada de ferramentas e compreensão de bases de código, o que serve para tarefas como navegar por um repositório, planejar mudanças em várias etapas e invocar ferramentas como parte de um loop. O contexto grande ajuda quando uma tarefa depende de muitos arquivos ou de um longo histórico de etapas anteriores. Como imagens, vídeo, áudio e arquivos são aceitos como entrada, você também pode criar fluxos que transformam uma gravação de tela, um mockup de UI ou um relato de bug falado em saída de texto, como um resumo escrito, uma descrição de patch ou um relatório estruturado. Controles de raciocínio e saídas estruturadas tornam o modelo utilizável em pipelines onde o resultado precisa ser analisado por código em vez de lido por uma pessoa.

Você chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo "meta/muse-spark-open". Os parâmetros de requisição suportados são 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 e top_p. Na prática, isso significa que você pode ajustar a amostragem com temperature, top_p, top_k e min_p, aplicar penalidades, limitar a resposta com max_tokens, restringir a saída com response_format ou structured_outputs, e configurar chamada de funções com tools e tool_choice. Os parâmetros reasoning e reasoning_effort, junto com include_reasoning, permitem controlar quanto raciocínio interno é exposto ou solicitado, e seed mais logprobs ou top_logprobs dão suporte a gerações reproduzíveis ou inspecionáveis.

Um limite a ter em mente é que a saída é apenas texto, então qualquer tarefa que precise de imagens, áudio ou vídeo gerados exigirá um modelo diferente. O modelo também é explicitamente otimizado para programação, então para trabalho que não tem nada a ver com código ou uso agêntico de ferramentas, um modelo de texto de propósito geral pode ser uma escolha mais simples.