Meta

Muse Wonder — это передовая модель рассуждений от Meta, предназначенная для сложных личных и профессиональных агентных задач. Она принимает текст, изображения, видео, аудио и документы PDF и возвращает текст, с контекстным окном в 1M токенов. Модель справляется с долгосрочной работой: она планирует, делегирует задачи субагентам, параллельно вызывает инструменты и восстанавливается после ошибок, поэтому многошаговые задачи выполняются до конца без пошаговых указаний. Она также может управлять браузерами, настольными и мобильными приложениями, а также работать с множеством файлов в существующих репозиториях, чтобы вносить и проверять изменения. Muse Wonder переносит важный контекст между диалогами и извлекает детали, релевантные текущей задаче. И она обучена для Active Focus, поэтому работает над достижением вашей цели, даже когда задача становится сложной. В тестировании Meta она показывает хорошие результаты в сложных инженерных задачах, длительных агентных сессиях и многофайловых рефакторингах, чтобы справляться с самыми требовательными задачами разработчиков.

Muse Voice Transcribe 1.0 — это синхронная модель преобразования речи в текст от Meta. Она подходит для push-to-talk, определения конца фразы и транскрибации с учётом говорящего, поддерживает смещение ключевых слов для доменных терминов и смещение языка с помощью подсказок с названиями языков. Принимает монофоническое 16-битное PCM WAV аудио с частотой 16 kHz или 24 kHz для записей продолжительностью до 10 минут. Она не предоставляет пословные временные метки или оценки уверенности, а другие аудиоформаты перед загрузкой необходимо конвертировать в WAV.

Muse Spark 1.3 Contributor — это экономически эффективный уровень участника мультимодальной модели рассуждений Meta для экспериментов, обучения и ранних этапов агентных, мультиагентных и кодовых рабочих процессов. Он предназначен для отслеживания информации в рамках длительных задач, обработки противоречивых вводных данных и запроса уточнений или подтверждений при необходимости. Подсказки и выходные данные могут использоваться для улучшения продуктов Meta.

Muse Spark 1.3 — это мультимодальная модель рассуждений от Meta для длительных агентных, мультиагентных и кодовых рабочих процессов. Она предназначена для отслеживания информации в ходе расширенных задач, обработки противоречивых входных данных и запроса уточнений или подтверждений при необходимости, с акцентом на лаконичное выполнение.

Muse Image — это агентная модель генерации изображений от Meta, которая создаёт и редактирует изображения по тексту и референсным изображениям. В отличие от однопроходных моделей изображений, она рассуждает перед рендерингом, разбивая составные запросы и уточняя свой результат в цепочке рассуждений, а также вызывает веб-поиск для фактической точности по запросам, требующим глубоких знаний. Модель поддерживает генерацию изображений по тексту, точечное редактирование изображений, композицию из нескольких изображений, управление по референсному изображению для согласованности стиля и объекта в серии, а также точный рендеринг текста внутри сгенерированных изображений. Итеративное редактирование работает путём передачи предыдущего выходного изображения обратно с новой инструкцией.

Muse Spark 1.2 — это уровень участника, представляющий собой модель рассуждений от Meta, созданную для разработчиков, которые хотят начать создавать решения с ещё более низкими затратами. Она значительно дешевле, чем Muse Spark 1.2. Ваши запросы и выходные данные могут использоваться для улучшения продуктов Meta, что делает её идеальной для экспериментов, обучения и проектов на ранних стадиях без опасений по поводу расходов. Это модель рассуждений от Meta, адаптированная для сложных агентных задач. Она принимает текст, изображения, видео и документы PDF, возвращает текст и предлагает окно контекста в 1M токенов. Модель создана для поддержки многоагентных рабочих процессов — как в роли основного агента, который планирует и делегирует задачи, так и в роли субагента, выполняющего действия параллельно. Она работает с множеством сред разработки и поддерживает структурированный вывод, параллельный вызов функций и настраиваемое усилие рассуждения. В тестировании Meta модель показывает хорошие результаты при рефакторинге многофайловых проектов, длительных сессиях отладки, генерации целого репозитория и задачах, выходящих далеко за рамки одного запроса.