Muse Ember
Red Neuronal
Muse Ember de Meta: un modelo pequeño y económico para razonamiento, llamada a funciones y tareas repetitivas de agentes.
Características
- Entrada
- texto, imágenes, documentos
- Salida
- texto
- Tamaño del contexto
- 1 048 576 tokens
- Longitud máxima de respuesta
- 943 718 tokens
- Niveles de razonamiento
- mínimo, bajo, medio, alto, muy alto, max
- Funciones
- razonamiento, llamada a funciones
Costo del prompt
(por 1M tokens)
Costo de la respuesta
(por 1M tokens)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
// Sync - Text generation
async function main() {
const chatCompletion = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'muse-ember',
});
}
// Async - Text generation
async function main() {
const stream = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'muse-ember',
stream: true
});
for await (const chunk of stream) {
const part: string | null = chunk.choices[0].delta?.content ?? null;
}
}
main();
Cómo funciona Muse Ember?
Muse Ember es el modelo más pequeño y económico de Meta, diseñado para razonamientos complejos y rutinas que los agentes realizan todo el día. La llamada a herramientas, las subtareas de agentes de codificación y el enrutamiento de solicitudes entre modelos son donde Ember destaca, ya que estas llamadas se repiten miles de veces y requieren un costo predecible. A través de BotHub, el modelo está disponible desde Rusia sin VPN ni tarjetas extranjeras: el pago se realiza en rublos por uso, por tokens, no por suscripción, y los tokens comprados no caducan. Puede cambiar a otro modelo o comparar respuestas en la misma ventana, y una API compatible con OpenAI permite integrar Ember en un sistema multimodelo sin reescribir la integración. Los datos están protegidos por cifrado AES-GCM y no se guardan; para equipos, están disponibles contratos, facturas, intercambio electrónico de documentos y límites en el panel de administración. Escenarios típicos: orquestador de pipelines de agentes que distribuye tareas a modelos más grandes, generación y refactorización de código junto con herramientas, análisis de registros y depuración paso a paso, enrutamiento de solicitudes dentro del producto y mantenimiento de bots internos donde el costo de cada llamada es importante.Preguntas frecuentes sobre Muse Ember
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
muse-ember es un modelo de texto: escribe y edita texto, analiza documentos e imágenes de entrada, razona antes de responder y llama a funciones. Es adecuado para trabajar con código, documentos largos, análisis y escenarios de agentes donde se necesita mantener un gran volumen de contexto y obtener un resultado estructurado.
Según la ficha, el volumen máximo de una respuesta es de 943 718 tokens, y el contexto de entrada alcanza 1 048 576 tokens. La longitud real depende de su solicitud y de la configuración en BotHub: es más cómodo recopilar respuestas largas por partes, especialmente si necesita analizar un documento grande.
Sí, muse-ember cuenta con un modo de razonamiento antes de responder. El modelo puede pensar primero en los pasos de la solución y luego dar el resultado, lo que ayuda en tareas con lógica, cálculos e instrucciones de varios pasos. Verifique en la interfaz de BotHub si este modo se activa con un interruptor independiente.
Sí, admite tanto la llamada a funciones (function calling) como la salida estructurada en JSON. Esto significa que el modelo se puede conectar a servicios externos y recibir respuestas en un formato que el código analiza directamente, sin edición manual.
Se pueden enviar imágenes y documentos como entrada; el modelo analizará el contenido y responderá al respecto. La recepción de audio y video no está indicada en nuestros datos, por lo que es mejor convertir dichos archivos a texto o a fotogramas individuales de antemano.
No hay una evaluación separada de la calidad del idioma ruso en los datos del modelo, por lo que no prometeremos un nivel específico. Lo más fácil es probarlo con sus propias tareas: envíe una solicitud típica y compare la respuesta con otros modelos en BotHub; cambiar toma un par de clics.