Muse Ember
Réseau Neuronal
Muse Ember de Meta : un modèle compact et économique pour le raisonnement, l'appel de fonctions et les tâches répétitives des agents.
Caractéristiques
- Entrée
- texte, images, documents
- Sortie
- texte
- Taille du contexte
- 1 048 576 tokens
- Longueur maximale de la réponse
- 943 718 tokens
- Niveaux de raisonnement
- minimal, faible, moyen, élevé, très élevé, max
- Fonctionnalités
- raisonnement, appel de fonctions
Coût du prompt
(par 1M tokens)
Coût de la réponse
(par 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();
Comment ça marche Muse Ember?
Muse Ember est le modèle le plus petit et le plus économique de Meta, conçu pour le raisonnement complexe et les routines quotidiennes des agents. Appel d'outils, sous-tâches pour agents de codage, routage de requêtes entre modèles : c'est là qu'Ember excelle, car ces appels sont répétés des milliers de fois et nécessitent un coût prévisible. Via BotHub, le modèle est accessible depuis la Russie sans VPN ni carte étrangère : le paiement s'effectue en roubles à l'usage, par jeton, sans abonnement, et les jetons achetés n'expirent pas. Vous pouvez passer à un autre modèle ou comparer les réponses dans la même fenêtre, et l'API compatible OpenAI permet d'intégrer Ember dans un système multimodal sans réécrire l'intégration. Les données sont protégées par le chiffrement AES-GCM et ne sont pas conservées. Pour les équipes, des contrats, factures, échanges de documents électroniques et limites dans le panneau d'administration sont disponibles. Scénarios typiques : orchestrateur de pipelines d'agents distribuant les tâches à des modèles plus grands, génération et refactorisation de code avec des outils, analyse de logs et débogage étape par étape, routage de requêtes interne et support de bots internes où le coût par appel est crucial.Questions fréquentes sur Muse Ember
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
muse-ember est un modèle textuel : il écrit et édite du texte, analyse les documents et images en entrée, raisonne avant de répondre et appelle des fonctions. Il est adapté au travail sur le code, aux longs documents, à l'analyse et aux scénarios d'agents nécessitant une grande fenêtre de contexte et des résultats structurés.
Selon la fiche, le volume maximal d'une réponse est de 943 718 jetons, et le contexte d'entrée atteint 1 048 576 jetons. La longueur réelle dépend de votre requête et des paramètres BotHub : il est plus pratique de collecter les longues réponses par parties, surtout pour l'analyse de gros documents.
Oui, muse-ember dispose d'un mode de raisonnement avant réponse. Le modèle peut d'abord réfléchir aux étapes de résolution, puis fournir le résultat, ce qui aide pour les tâches logiques, les calculs et les instructions complexes. Vérifiez dans l'interface BotHub si ce mode nécessite un commutateur spécifique.
Oui, l'appel de fonctions (function calling) et la sortie structurée en JSON sont pris en charge. Cela signifie que le modèle peut être connecté à des services externes et fournir des réponses dans un format directement exploitable par le code, sans modification manuelle.
Vous pouvez soumettre des images et des documents en entrée ; le modèle analysera le contenu et y répondra. La réception d'audio et de vidéo n'est pas indiquée dans nos données, il est donc préférable de convertir ces fichiers en texte ou en images fixes au préalable.
Il n'y a pas d'évaluation spécifique de la qualité du russe dans les données du modèle, nous ne pouvons donc pas promettre un niveau précis. Le plus simple est de tester avec vos propres tâches : envoyez une requête type et comparez la réponse avec d'autres modèles sur BotHub — le changement se fait en quelques clics.