Modelos de Muse de Meta

Los modelos de Muse de Meta están disponibles para usarse como APIs administradas en Agent Platform. Puedes transmitir tus respuestas para reducir la percepción de latencia del usuario final. Una respuesta transmitida usa eventos enviados por el servidor (SSE) para transmitir la respuesta de forma incremental.

Modelos de Meta administrados

Los siguientes modelos están disponibles en Meta para usarlos en Agent Platform. Para encontrar y habilitar un modelo de Meta, ve a su tarjeta de modelo en Model Garden.

Muse Wonder de Meta

Muse Wonder de Meta es un modelo de razonamiento de alta capacidad creado para la ingeniería de software compleja y el trabajo de agentes de largo horizonte. En los flujos de trabajo de programación de varios pasos, agentes autónomos y uso de computadoras, planifica tareas, delega en subagentes, llama a herramientas en paralelo y se recupera de errores.

Muse Ember de Meta

Muse Ember de Meta es un modelo de razonamiento eficiente creado para tareas de agentes de gran volumen, incluidas las llamadas a la herramienta, las subtareas de programación, el enrutamiento, la extracción y el procesamiento de documentos extensos. Combínalo con Muse Wonder o Muse Spark 1.3 para planificar y razonar en varios pasos.

Muse Spark 1.3 de Meta

Muse Spark 1.3 de Meta es un modelo de razonamiento entrenado para flujos de trabajo de agentes y programación competitiva. Admite llamadas a herramientas integradas con compatibilidad con el Protocolo de contexto del modelo (MCP) y una ventana de contexto de 1 millón de tokens para tareas de varios pasos.

Usa modelos de Meta

Los modelos Muse de Meta se entregan a través de la API de Responses sin estado compatible con OpenAI en el extremo global. No se admiten las finalizaciones de chat ni el almacenamiento de respuestas con estado (store: true). Envía solicitudes POST a https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/meta/v1/responses y pasa el ID del modelo básico (muse-wonder-1.0, muse-ember-1.0 o muse-spark-1.3) en el campo model.

Ten en cuenta los siguientes detalles de los parámetros cuando envíes solicitudes:

  • Entradas: Se admiten entradas de texto y de imagen. No se admiten entradas de audio, video ni PDF.
  • Esfuerzo de razonamiento: Establece reasoning.effort en minimal, low, medium, high o xhigh (Muse Ember también admite max). none no es compatible.
  • Llamada a herramientas: tool_choice solo admite auto (no se admiten none, required ni opciones de funciones con nombre).

En los siguientes ejemplos, se envía una solicitud de instrucción a Muse Wonder en el extremo global. Reemplaza PROJECT_ID por el ID del proyecto deGoogle Cloud .

REST (curl)

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/meta/v1/responses" \
  -d '{
    "model": "muse-wonder-1.0",
    "reasoning": {"effort": "high"},
    "input": "Write a Python binary search function with type annotations.",
    "max_output_tokens": 4096,
    "stream": false
  }'

Python (SDK de OpenAI)

Instala las bibliotecas openai y google-auth (pip install --upgrade openai google-auth), configura las credenciales predeterminadas de la aplicación (gcloud auth application-default login) y, luego, envía una solicitud:

import google.auth
import google.auth.transport.requests
from openai import OpenAI

PROJECT_ID = "PROJECT_ID"
LOCATION = "global"

credentials, _ = google.auth.default(
    scopes=["https://www.googleapis.com/auth/cloud-platform"]
)
credentials.refresh(google.auth.transport.requests.Request())

client = OpenAI(
    base_url=f"https://aiplatform.googleapis.com/v1/projects/{PROJECT_ID}/locations/{LOCATION}/publishers/meta/v1",
    api_key=credentials.token,
)

response = client.responses.create(
    model="muse-wonder-1.0",
    reasoning={"effort": "high"},
    input="Write a Python binary search function with type annotations.",
    max_output_tokens=4096,
)
print(response.output_text)