Meta: Muse Glimmer 30B

Meta: Muse Glimmer 30B är en dense, öppen viktmodell för flera modaliteter från Meta, utvecklad av Meta Superintelligence Labs. Den är destillerad från Muse Spark och optimerad för autonoma agenter på konsumenthårdvara. Den tillhör kategorin text och är positionerad för långsiktigt arbete, vilket gör den till en kandidat för agentliknande applikationer snarare än enstaka prompt- och svaruppgifter.

Modellen tar emot text- och bildindata och producerar textutdata. Dess kontextfönster är 131072 tokens, och den maximala utdatalängden är 16384 tokens. Den stöder resonemang, exponerat genom parametrarna include_reasoning och reasoning, tillsammans med reasoning_effort för att styra hur mycket resonemangsarbete modellen utför. Eftersom den hanterar bilder såväl som text kan den ta skärmbilder, diagram eller annat visuellt material som en del av en begäran, även om allt den returnerar är text.

Dessa förmågor pekar mot några praktiska användningsområden. Långsiktiga agentarbetsflöden är den tydligaste matchningen, med tanke på kombinationen av ett stort kontextfönster, verktygsanrop och resonemangskontroller. Verktygsanvändning stöds genom parametrarna tools och tool_choice, så modellen kan kopplas in i funktionsanropsloopar. Strukturerade utdata och response_format låter dig begränsa svar till ett schema, vilket passar extrahering, klassificering och datapipelines. Bildindata utökar detta till uppgifter där modellen behöver läsa en skärmbild eller en dokumentbild innan den agerar. Utdatataket på 16384 tokens är värt att ha i åtanke när man planerar flerstegskörningar för agenter, eftersom långa resonemangsspår och verktygsresultat förbrukar den budgeten.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "meta/muse-glimmer-30b". De stödda begäranparametrarna är 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 och top_p. Sampling kan justeras med temperature, top_p, top_k och min_p, medan seed, stop, logit_bias och straffparametrarna ger dig finare kontroll över determinism och upprepning. Resonemangsbeteende konfigureras separat genom parametrarna reasoning och reasoning_effort.

Det finns ingen angiven begränsning utöver utdatataket och utdatamodaliteten som endast är text. Om din uppgift behöver ljud- eller videoindata, eller utdata i ett icke-textformat, tillhandahåller denna modell det inte. För enkla korta prompter som inte behöver verktyg, bilder eller resonemang kan en mindre eller enklare modell vara ett mer ekonomiskt val, men fakta här identifierar inget specifikt alternativ.