Meta: Muse Wonder

Meta: Muse Wonder é um modelo de raciocínio de fronteira da Meta, criado para tarefas agênticas pessoais e profissionais complexas. Ele está na categoria de texto, e a Meta o posiciona em torno de trabalho com uso intenso de raciocínio, em vez de chat simples. Se você está escolhendo um modelo para um agente que precisa planejar, raciocinar por etapas intermediárias e agir com base no que encontra, esta é a classe de modelo que a Meta pretende que o Muse Wonder atenda.

O modelo aceita texto, imagens, vídeo, áudio e documentos PDF como entrada, e retorna texto. Essa combinação importa para trabalho agêntico, porque uma única requisição pode carregar uma captura de tela, uma gravação, um documento e instruções escritas juntos, e o modelo raciocina sobre tudo isso. A janela de contexto é de 1.048.576 tokens, com saída máxima de 943.718 tokens. O teto de saída elevado é incomum e vale a pena notar: tarefas que produzem transcrições longas, análises estendidas ou documentos gerados extensos podem ser concluídas em uma única resposta, em vez de serem montadas em várias chamadas.

Essas capacidades apontam para um conjunto bastante específico de usos. Análise com muitos documentos é um encaixe natural, já que PDFs podem entrar diretamente ao lado de perguntas sobre eles. Agentes de suporte e operações podem receber capturas de tela ou gravações de tela como parte de um ticket e raciocinar sobre o que deu errado. Fluxos de revisão de mídia podem enviar vídeo ou áudio e receber saída escrita de volta, o que serve para sumarização, anotação ou revisão de conformidade. Como a chamada de ferramentas é suportada, o Muse Wonder também funciona como o núcleo de raciocínio de um agente que decide quais ferramentas invocar e em qual ordem, incluindo tarefas de várias etapas que misturam recuperação, manipulação de arquivos e geração.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "meta/muse-wonder". Como a interface segue o esquema OpenAI, clientes e SDKs existentes geralmente funcionam com uma mudança de URL base e id de modelo. Os parâmetros de requisição suportados são include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k e top_p. Na prática, isso cobre controle de amostragem (temperature, top_p, top_k, repetition_penalty), comprimento da saída (max_tokens), respostas estruturadas (response_format, structured_outputs), uso de ferramentas (tools, tool_choice) e controle sobre quanto raciocínio o modelo expõe ou executa (reasoning, reasoning_effort, include_reasoning).

Um limite a ter em mente é que a saída é somente texto. Se sua aplicação precisa de imagens, áudio ou vídeo gerados, o Muse Wonder não é o componente certo para essa parte do pipeline, embora ainda possa raciocinar sobre esses formatos como entradas. Ele também é um modelo de raciocínio, então para classificação trivial ou transformações determinísticas curtas, um modelo de texto menor e mais rápido pode ser um encaixe melhor e mais barato de executar em volume. Use o Muse Wonder quando a tarefa realmente se beneficia de contexto longo, entrada de mídia mista ou raciocínio de várias etapas com ferramentas.