Meta выпустила агентную модель Muse Spark 1.1 с собственным API

Подразделение Meta Superintelligence Labs выпустило мультимодальную модель Muse Spark 1.1, архитектура которой оптимизирована для выполнения агентных задач. Одновременно с релизом компания открыла публичный доступ к собственному Meta Model API, что означает возможность прямой интеграции нейросети в сторонние среды разработки. Стоимость использования через API составляет $1.25 за миллион входных токенов и $4.25 за миллион выходных, при этом новые аккаунты получают стартовый лимит в 20 долларов для тестирования инфраструктуры.
В основе работы модели лежит алгоритм оркестрации мультиагентных систем, в результате чего базовая нейросеть способна формировать глобальный план действий и делегировать локальные задачи специализированным субагентам. Muse Spark 1.1 оперирует контекстным окном в миллион токенов, что позволяет системе анализировать корпоративные репозитории кода без потери промежуточных данных. При автоматизации десктопных процессов модель оценивает эффективность каждого шага, самостоятельно выбирая между написанием исполняемого скрипта и прямой имитацией действий пользователя в интерфейсе приложения.
Обновление расширяет возможности обработки мультимодальной информации в связке с инструментами разработки. Нейросеть анализирует видеопоток и звуковые дорожки для выполнения целевых действий в браузере, а также диагностирует ошибки в коде и внедряет исправления в программные продукты. Для обычных пользователей модель в данный момент работает в режиме расширенного логического вывода через внутренние сервисы Meta.
Поделиться:
Ещё из архива
Все публикации
Интервью с Владимиром Аюевым: графический язык бигтеха, студия SASHA и дизайн-образование
1 месяц назад
Jockey от TwelveLabs: ИИ-агент для семантического поиска по видеоархивам и извлечения метаданных
1 месяц назад
Архитектура винной этикетки: баланс наборного шрифта и каллиграфии в кейсе Winecraft
1 месяц назад
Оптимизация контекста в Claude Code: как работает кэширование промптов и за что мы платим
1 месяц назад
Архитектура памяти для LLM-агентов: от базового SQLite до Graph RAG
1 месяц назад