Meta: Muse Spark 1.3 Contributor

Meta: Muse Spark 1.3 Contributor är en textfokuserad multimodell resonemangsmodell från Meta. Den finns i contributor-nivån i Muse Spark 1.3-serien, som Meta beskriver som den kostnadseffektiva nivån inriktad på experimenterande, lärande och tidiga agentiska, multi-agent- och kodningsarbetsflöden. Leverantörens utgivningsdatum är 2026-09-02. Om du utvärderar modeller för ett projekt som behöver resonera över blandade medier i stället för enbart vanlig text, är detta den ingång Meta erbjuder i den familjen.

Modellen tar emot text, bild, video och filer som indata, och den returnerar text. Dess kontextfönster är 1 048 576 tokens, och maximal utdata är 943 718 tokens. Den kombinationen spelar roll för arbetsbelastningar där indata är stor och det förväntade svaret också är långt, till exempel sammanfattning av en lång inspelning, extrahering av strukturerad data från en bunt dokument, eller att hålla ett långt arbetstillstånd genom en uppgift med flera steg. Resonemangsbeteendet är exponerat i stället för dolt: de stödda parametrarna inkluderar reasoning, reasoning_effort och include_reasoning, så du kan styra hur mycket intern överläggning modellen gör och huruvida den överläggningen returneras till dig.

Dessa förmågor pekar mot några praktiska användningar. Dokument- och medieanalys passar naturligt, eftersom du kan skicka filer, bilder eller video tillsammans med en textprompt och be om ett skriftligt resultat. Kodnings- och agentiska arbetsflöden är en annan, hjälpta av tool calling och strukturerade utdata, vilket låter modellen anropa funktioner och returnera svar i ett schema som du definierar. Multi-agent-uppsättningar kan använda samma funktioner för att skicka strukturerade meddelanden mellan agenter. Eftersom modellen är positionerad för experimenterande och tidigt arbete passar den också för att prototypa en pipeline innan du binder dig till en tyngre modell.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "meta/muse-spark-1.3-contributor". De stödda begärandeparametrarna är include_reasoning, max_tokens, reasoning, reasoning_effort, repetition_penalty, response_format, structured_outputs, temperature, tool_choice, tools, top_k och top_p. I praktiken ställer du in fältet model till det id:t, skickar dina meddelanden och lägger till vilka av dessa parametrar din arbetsbelastning behöver, till exempel tools och tool_choice för function calling, eller response_format och structured_outputs när du behöver en förutsägbar form tillbaka.

En begränsning att komma ihåg är att utdata endast är text, så uppgifter som kräver generering av bilder, ljud eller video ligger utanför ramen här. Contributor-nivån beskrivs också som kostnadseffektiv och inriktad på experimenterande, lärande och tidiga arbetsflöden, vilket antyder att produktionsarbetsbelastningar med de strängaste kvalitetskraven kan betjänas bättre av en högre nivå i samma familj. Om dina indata endast är text och dina kontextbehov är måttliga, kan en mindre textmodell vara enklare att driva.