Muse Ember
Rede Neural
Muse Ember da Meta é um modelo pequeno e econômico para raciocínio, chamada de funções e tarefas repetitivas de agentes.
Especificações
- Entrada
- texto, imagens, documentos
- Saída
- texto
- Tamanho do contexto
- 1 048 576 tokens
- Comprimento máximo de resposta
- 943 718 tokens
- Níveis de raciocínio
- mínimo, baixo, médio, alto, muito alto, max
- Recursos
- raciocínio, chamada de funções
Custo do prompt
(por 1M tokens)
Custo da resposta
(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();
Como funciona Muse Ember?
Muse Ember é o modelo mais jovem e econômico da Meta, criado para raciocínios complexos e rotinas executadas por agentes durante todo o dia. Chamada de ferramentas, sub-tarefas de agentes de codificação, roteamento de solicitações entre modelos — é aqui que o Ember brilha, pois essas chamadas são repetidas milhares de vezes e exigem um custo previsível. Através do BotHub, o modelo está acessível a partir da Rússia sem VPN e sem cartões estrangeiros: o pagamento é feito em rublos conforme o uso, por tokens, e não por assinatura, e os tokens comprados não expiram. Você pode alternar para outro modelo ou comparar respostas na mesma janela, e uma API compatível com OpenAI permite integrar o Ember em um sistema multimodal sem reescrever a integração. Os dados são protegidos por criptografia AES-GCM e não são salvos; para equipes, estão disponíveis contratos, faturas, intercâmbio eletrônico de documentos (EDI) e limites no painel administrativo. Cenários típicos: orquestrador de pipelines de agentes que distribui tarefas para modelos maiores, geração e refatoração de código em conjunto com ferramentas, análise de logs e depuração passo a passo, roteamento de solicitações dentro do produto e manutenção de bots internos, onde o custo de cada chamada é importante.Perguntas frequentes sobre Muse Ember
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O muse-ember é um modelo de texto: escreve e edita texto, analisa documentos e imagens na entrada, raciocina antes de responder e chama funções. Adequado para trabalhar com código, documentos longos, análise e cenários de agentes onde é necessário manter um grande volume de contexto e obter um resultado estruturado.
De acordo com os dados do cartão, o volume máximo de uma resposta é de 943.718 tokens, e o contexto de entrada chega a 1.048.576 tokens. A extensão real depende da sua solicitação e das configurações no BotHub: respostas longas são mais fáceis de coletar em partes, especialmente se for necessária a análise de um documento grande.
Sim, o muse-ember possui um modo de raciocínio antes de responder. O modelo pode primeiro pensar nos passos da solução e depois fornecer o resultado, o que ajuda em tarefas com lógica, cálculos e instruções de várias etapas. Verifique na interface do BotHub se este modo é ativado por um interruptor separado.
Sim, tanto a chamada de funções (function calling) quanto a saída estruturada em JSON são suportadas. Isso significa que o modelo pode ser conectado a serviços externos e receber respostas em um formato que o código analisa imediatamente, sem edição manual.
Você pode enviar imagens e documentos na entrada — o modelo analisará o conteúdo e responderá com base nele. A recepção de áudio e vídeo não está marcada em nossos dados, portanto, é melhor converter esses arquivos em texto ou em quadros individuais com antecedência.
Não há uma avaliação separada da qualidade do idioma russo nos dados do modelo, portanto, não prometeremos um nível específico. A maneira mais fácil é testar com suas próprias tarefas: envie uma solicitação típica e compare a resposta com outros modelos no BotHub — a alternância leva apenas alguns cliques.