Meta: Muse Wonder

Meta: Muse Wonder är en frontier-resonemangsmodell från Meta, byggd för komplexa personliga och professionella agentiska uppgifter. Den tillhör textkategorin, och Meta positionerar den kring resonemangstungt arbete snarare än enkel chatt. Om du väljer en modell för en agent som måste planera, resonera genom mellanliggande steg och agera på det den hittar, är detta den klass av modell som Meta avser att Muse Wonder ska tjäna.

Modellen tar text, bilder, video, ljud och PDF-dokument som indata och returnerar text. Den kombinationen spelar roll för agentiskt arbete, eftersom en enskild förfrågan kan bära en skärmbild, en inspelning, ett dokument och skriftliga instruktioner tillsammans, och modellen resonerar över allt detta. Kontextfönstret är 1 048 576 tokens, med en maximal utdata på 943 718 tokens. Det höga utdatataket är ovanligt och värt att notera: uppgifter som producerar långa transkriptioner, utökade analyser eller långa genererade dokument kan slutföras i ett enda svar i stället för att fogas samman över flera anrop.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsområden. Dokumenttung analys passar naturligt, eftersom PDF-filer kan skickas in direkt tillsammans med frågor om dem. Support- och driftagenter kan ta skärmbilder eller skärminspelningar som en del av ett ärende och resonera om vad som gick fel. Arbetsflöden för mediegranskning kan skicka in video eller ljud och få skriftlig utdata tillbaka, vilket passar sammanfattning, annotering eller efterlevnadsgranskning. Eftersom verktygsanrop stöds fungerar Muse Wonder också som resonemangskärnan i en agent som avgör vilka verktyg som ska anropas och i vilken ordning, inklusive flerstegsuppgifter som blandar hämtning, filhantering och generering.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "meta/muse-wonder". Eftersom gränssnittet följer OpenAI-schemat fungerar befintliga klienter och SDK:er i allmänhet med ett byte av bas-URL och modell-id. De stödda förfrågningsparametrarna 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 täcker det samplingskontroll (temperature, top_p, top_k, repetition_penalty), utdatalängd (max_tokens), strukturerade svar (response_format, structured_outputs), verktygsanvändning (tools, tool_choice) och kontroll över hur mycket resonemang modellen exponerar eller utför (reasoning, reasoning_effort, include_reasoning).

En begränsning att ha i åtanke är att utdata endast är text. Om din applikation behöver genererade bilder, ljud eller video är Muse Wonder inte rätt komponent för den delen av pipelinen, även om den fortfarande kan resonera över dessa format som indata. Den är också en resonemangsmodell, så för trivial klassificering eller korta deterministiska transformationer kan en mindre och snabbare textmodell vara en bättre passning och billigare att köra i volym. Använd Muse Wonder där uppgiften verkligen drar nytta av lång kontext, blandad medieindata eller flerstegsresonemang med verktyg.